- 博客(21)
- 收藏
- 关注
RSS订阅原创 队列全攻略：从基础到循环与链式实现
本文档系统介绍了队列的定义及其两种主要实现方式：顺序存储与链式存储。在顺序存储中：普通顺序队列 实现简单，但存在“假满”现象和空间利用率低的问题。带调整的顺序队列 虽尝试通过元素前移缓解“假满”，但效率较低，实际应用较少。循环队列 是顺序结构中的优选方案，通过取模运算实现指针循环，空间利用率高，插入与删除操作的时间复杂度稳定为 O(1)，其代价是牺牲一个存储单元以区分队列的空与满状态。在链式存储中：链式队列 具备动态扩展能力，无固定容量限制，空间使用更为灵活，基本操作的时间复杂度也为 O(1)
2025-11-24 19:34:56
438
原创 数据结构：栈详解-从原理到实现（顺序栈与链式栈）
顺序结构（基于数组）和链式结构（基于链表）。顺序栈结构简洁，易于理解，在内存分配固定且大小已知的情况下，具有高效的访问速度。然而，它也存在容量限制，需要预先定义MAXSIZE，容量不足时需要动态扩容，增加了实现的复杂度。链式栈则以其动态可变的特性而著称。它不受固定大小的限制，可以随着元素的增减自动调整，理论上可以存储无限个元素（受限于系统内存）。通过使用哨兵节点，我们进一步优化了链式栈的入栈和出栈操作，使其逻辑更加清晰，边界处理也更加优雅。选择哪种结构？
2025-11-19 23:22:36
955
原创 数据结构：双向链表-从原理到实战完整指南
本文介绍了双向链表的基本概念与实现方法。通过C语言代码展示了双向链表的结构定义、初始化、遍历以及插入删除等核心操作，并与单链表进行了性能对比。双向链表通过增加前驱指针，使得查找前驱、删除节点等操作的时间复杂度从O(n)降至O(1)，但需要额外33%的存储空间。文章还详细对比了两种链表在节点结构、遍历方向、删除效率等方面的差异，说明双向链表更适合需要频繁双向访问的场景，如浏览器历史记录等，为数据结构的选择提供了实用参考。
2025-11-02 23:40:23
936
2
原创 数据结构基石：单链表的全面实现、操作详解与顺序表对比
本文摘要：深入探讨链式存储结构的核心原理与实现。对比顺序表，链表通过节点指针实现非连续存储，具有动态内存分配和高效插入/删除(O(1))的优势。详细解析了链表节点结构、头插法/尾插法的实现逻辑，以及指定位置插入、删除节点等关键操作。通过代码示例展示了链表基本操作的实现过程，包括初始化、遍历、长度计算和内存释放。虽然链表随机访问效率(O(n))较低且空间开销较大，但其灵活的内存管理和高效的结构调整能力，使其成为处理动态数据的重要数据结构基础，为学习更复杂链式结构奠定基础。
2025-10-17 23:05:14
797
原创 数据结构实战：顺序表全解析 - 从零实现到性能分析
/宏定义与类型定义//定义 int 的别名为 ElemType （方便后续修改数据类型）//结构体定义(SeqList)//声明了一个长度为MAXSIZE(100)的整数类型的数组int length;//用于记录当前顺序表中实际存储了多少个元素}SeqList;基于数组 (Array-based)
2025-10-12 23:37:55
1161
原创 时间复杂度与空间复杂度系统梳理与实战
本文系统介绍了算法效率评估的两个核心指标：时间复杂度和空间复杂度。时间复杂度衡量算法执行时间随输入规模n的增长趋势，分为最好、最坏和平均情况，常见类型包括常数O(1)、线性O(n)、平方O(n²)、立方O(n³)等。空间复杂度评估算法内存占用随n的增长，主要考虑固定空间和可变空间。文章通过代码示例详细演示了各种时间复杂度的计算方法，并强调实际应用中需要在时间和空间效率之间进行权衡。最终指出，优秀的算法需要综合考虑正确性、时间效率、空间效率及应用场景需求。
2025-09-24 22:12:30
984
原创 逻辑回归（四）：从原理到实战-训练，评估与应用指南
本文介绍了机器学习模型训练与评估的核心流程。首先通过逻辑回归模型构建预测模型，详细解析了模型初始化、训练和预测的代码实现。其次重点讲解了模型评估指标体系，包括混淆矩阵（展示TP/TN/FP/FN）和分类报告（包含精确率、召回率、F1值等指标）。特别指出当出现"完美"评估结果（如准确率1.0）时需保持警惕，可能源于数据泄露或数据集过于简化。最后强调评估指标需结合业务场景选择，为后续复杂模型学习奠定基础。全文采用"代码实现+理论解析"的双线结构，既展示具体操作又深入阐释评
2025-09-23 21:49:46
1143
4
原创 Git 命令行教程：配置 SSH 密钥高效克隆与管理项目
本文提供Git配置与克隆的完整指南，涵盖SSH密钥生成、GitHub公钥配置和项目克隆操作。重点讲解SSH密钥的生成方法（使用ssh-keygen命令）、公钥上传GitHub流程，以及HTTPS/SSH两种克隆方式的区别。特别说明首次SSH连接时的主机验证机制，并给出权限设置、多密钥管理等实用建议。通过SSH方式连接可避免重复认证，提升代码管理效率，适合需要频繁操作仓库的开发者。文中包含详细命令行操作示例和可视化配置截图，帮助用户快速完成环境搭建。
2025-09-17 20:29:07
1347
原创 逻辑回归（三）：从原理到实战-训练，评估与应用指南
本文深入探讨鸢尾花分类项目中的数据可视化核心步骤。超越基础的df.describe()，我们通过绘制特征分布直方图、相关性热力图和散点图矩阵，直观评估数据质量、特征效用与模型选择依据。文章详解代码实现与图表解读，旨在培养你的数据直觉，明白为何可视化是模型成功不可或缺的一环。这是一份从实践出发的“避坑”指南，助你为机器学习打下坚实基础。
2025-09-14 19:30:00
1429
原创 逻辑回归（二）：从原理到实战 - 训练、评估与应用指南
从数据异常到预测模型：手把手教你搞定鸢尾花分类项目！想实战机器学习却不知从何下手？ 本文以经典的鸢尾花数据集为例，带你跨出最关键的第一步！你将会学到：如何快速“读懂”你的数据，一眼发现隐藏的异常值和陷阱？数据预处理的完整流水线：从清洗缺失值、编码文本标签，到标准化特征。 我们不只讲理论，更提供每一步的可运行代码和结果分析，让你真正理解每个步骤背后的意义，轻松复现到自己的项目中。完美的数据预处理是模型成功的基石。 本文将为你打好这个基础，下一篇我们将一起训练多个模型并科学评估它们的表现！
2025-09-13 15:54:19
1301
原创 Conda 环境管理与 PyCharm 集成实战：从创建到包安装的全方位指南
Conda 有一个官方的默认仓库（Anaconda 仓库），其中包含了大量常用的包。
2025-09-10 23:08:12
1412
原创 【机器学习十大算法】逻辑回归(一）
本期文章深入浅出地讲解了逻辑回归的核心思想。虽然名字中带有“回归”，但它实质上是一个二分类算法，用于预测样本属于某个类别（如“是/否”）的概率，而非连续的数值。线性计算：像线性回归一样，计算特征的加权和（z概率映射：通过神奇的Sigmoid 函数，将任意范围的z值平滑地、非线性地压缩到(0, 1)区间，将其转化为一个概率值。这是逻辑回归得名的原因，也是它能完成分类任务的关键。决策分类：设定一个阈值（通常为0.5），将得到的概率转化为最终的类别标签。为了找到最佳的模型参数，文章引入了似然函数的概念。
2025-09-09 22:48:15
1325
原创 Visual Studio 2022 安装失败？可能是路径长度惹的祸！
摘要： 从VS2019升级到VS2022时，因安装路径过长（超50字符）导致报错且无明确提示。尝试多种清理方法无效，最终缩短路径解决。原因是复杂安装过程易超出系统路径处理极限。关键教训：首次安装必须选简短路径（如C:\VS2022\），安装后无法修改路径，失败时优先检查路径长度并使用官方卸载工具清理。提前规划路径可避免重复安装问题。
2025-09-06 23:39:07
1107
原创 【机器学习十大算法】线性回归(二）
本文介绍了梯度下降算法在机器学习优化中的应用。通过"下山"的比喻，解释了梯度下降的核心思想：通过计算损失函数的梯度（最陡下降方向），以适当步长（学习率）迭代更新模型参数，逐步逼近最优解。文章分析了三种梯度下降方法：批量梯度下降（计算精确但慢）、随机梯度下降（快速但不稳定）和小批量梯度下降（平衡效率与稳定性，最常用）。同时指出该方法可能陷入局部最优的局限性。内容注重直观理解，避开了复杂数学推导，适合初学者建立基本认知。
2025-09-05 21:22:30
1049
原创 解决冷门数据集下载难题：QIN LUNG CT的qBittorrent优化方案
本文介绍获取QINLUNGCT肺癌CT影像数据集的详细方法及下载优化技巧。数据集可通过BitTorrent客户端下载，推荐使用qBittorrent。针对学术资源下载慢的问题，提供两种优化方案：一是调整qBittorrent设置，包括取消限速、增加连接数等；二是更新Tracker列表，通过添加公共Tracker服务器来提高下载速度。这些方法能有效改善冷门种子的下载体验，帮助研究者更高效地获取医学影像数据。
2025-09-04 19:15:00
1304
原创 【机器学习十大算法】线性回归(一）
本文以侦探破案为类比，通俗易懂地解释了线性回归的核心概念和误差项假设。文章首先将线性回归比作侦探的"经验法则"，通过自变量（如房间数量、天气因素）预测目标变量（物品丢失数量），并引入误差项代表模型无法解释的随机因素。重点剖析了误差项的四个关键假设：独立性（案件间互不影响）、同分布（误差波动程度相似）、零均值（无系统性偏差）和高斯分布（误差呈钟形分布）。这些假设保证了模型的无偏性、最优性和统计推断的有效性。文章最后指出实际应用中这些假设可能不完美满足，并简要介绍了相应的解决方法。全文在严谨
2025-09-03 10:34:29
1011
原创 MobX Store 与小程序页面：实现数据与行为的无缝集成
本期介绍了如何将MobX store绑定到小程序页面生命周期中，实现全局数据管理。主要步骤包括：1）在页面.js文件中导入createStoreBindings和store实例；2）在onLoad生命周期中调用createStoreBindings，配置需要绑定的数据字段(fields)和方法(actions)；3）在onUnload中销毁绑定防止内存泄漏。通过这种方式，页面可以直接访问store中的数据和方法，并实现响应式更新。
2025-09-02 21:39:10
428
原创 解锁小程序全局状态管理：MobX 状态共享实战指南
我们定义了一个名为 updateNum1 的 MobX Action。MobX 会拦截这个调用，并在一个名为 updateNum1 的事务中执行。在事务内部，this.numA 的值会增加 step。MobX 会追踪这个对 this.numA 的修改。一旦 updateNum1 函数执行完毕，MobX 就会通知所有监听 this.numA 变化的地方（例如 UI 组件），让它们根据新的 numA 值进行更新。
2025-09-01 22:00:54
893
原创 解决 Docker Compose 启动失败：快速配置 Docker 国内镜像源
更换国内镜像源提速 在使用 Docker 进行项目部署时，`docker compose up -d` 命令是常用的启动方式。这通常意味着 Docker 在从 Docker Hub 下载镜像时发生了网络超时。本文将介绍如何通过更换国内镜像源来解决这个问题，提升开发效率。docker compose up -d网络超时的问题。在docker中调整下载镜像源地址。
2025-08-31 18:12:22
1694
原创 告别回调地狱！微信小程序API Promise化实战指南 (@miniprogram-api-promise)
本文介绍了如何通过npm包实现API的Promise化。API Promise化是指将基于回调函数的异步API改造为基于Promise的形式，以提升代码可读性和避免回调地狱。具体步骤包括：1)安装miniprogram-api-promise包；2)在app.js中导入promisifyAll方法；3)将wx对象方法转换为Promise形式。这种改造使异步操作更清晰易管理，只需获取"结果凭证"即可等待操作完成。实现后可直接调用Promise化的API方法。
2025-08-24 18:11:43
470
原创 【计算机视觉 在CVAT中导出YOLO格式数据文件，详细解析文件内容，小白新手必看！】
YOLO格式数据导出与文件解析：CVAT导出的YOLO格式数据包含obj_train_data文件夹（存储顺序命名的视频帧图像）。配套文件包括：1）YOLO标注文件（与图像同名，含类别ID和边界框信息）；2）train.txt（训练图像路径列表）；3）obj.names（类别名称列表，行号对应类别ID）；4）obj.data（配置文件，定义类别数、训练集路径等关键参数）。这些文件共同构成YOLO模型训练所需的标准数据集结构，其中命名规则和路径配置对训练过程至关重要。
2025-07-17 23:08:39
587
Java 课程设计利器：移动电源租赁系统 (附源码+超详细报告)
2025-09-02
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人