DDggggggg的博客

原创 计算机的存储规则

那么什么是分辨率呢，那么现在哥们就以1920乘1080为例，来讲解一下，那其实呢，就表示在显示器当中宽有1920个小格子高，有1080个小格子，那么整个显示器呢，就是由这么多方形的小格子来组成的，而这里的每每一个小方格，我们称之为叫做一个像素，其实啊，我们还可以来画一个小图片，然后再把这个图片放大，那你会看到这个图片的周围啊，会有锯齿，那为什么会有锯齿呢？那如果说我想把这个正方形的变大一点，我就可以把宽高调大宽呢，可以写603个像素高呢，可以写680个像素。在计算机中，任意数据都是以二进制的形式来存储的。

原创 Java数据类型

原创 JAVA标识符

就是给类，变量，方法等起的名字。不强求（而且最好见名知意）

原创 使用idea

专业版可以直接打出psvm很方便。

原创 Java键盘录入

Scanner类可以接受键盘输入的数字。

原创 java算术运算符

byte short char三种类型的数据在运算的时候，都会直接先提升为int,然后在进行运算。1.隐式转换（自动类型提升）程序自动转换：取值范围小的数值转换为取值范围大的数值。取值范围：byte<short<int<long<float<double。数字进行运算时，数据类型不一样不能运算，需要转成一样的，才能运算。2.强制转换:取值范围大的数值转换为取值范围小的数值。

原创 自增自减运算符

第二种计算是（先加后用）b等于11，a等于11。在第一种计算中，b等于10，a等于11.a++=++a,这个要独占一行。

原创 逻辑运算符

原创 赋值运算符和关系运算符

=，-=，*=，/=，%=底层都隐藏了强制类型转换。倒数第二行是用Boolean（布尔变量）

原创 短路逻辑运算符

原创 三元运算符和运算符的优先级

练习。

原创 原码，反码，补码

在计算机中一个零或一个一被称为bit。所以一个bit表示的数据太少了，所以说我们把八个bit分为一组叫做一个字节，这个字节是计算机工作中最小的存储单元。但是如果是负数计算，结果就出错，实际运算的结果，跟我们预期的结果是相反的。原码：十进制数据的二进制表现形式，最左边的是符号位，0为正，1为负。反码：为了解决原码不能计算负数的问题而出现的。利用原码对正数进行计算是不会有问题的。

原创 python与文件

在上面这个代码中，相当于文件里面有光标当读一行后，光标后移，在后面代码读出全部内容就只读出光标后的内容。在写文件的代码中不能读取文件，在读取文件的代码中不能写代码。

原创 爬虫常见问题url

在最上面quote是要编码，unquote是要解码。下面url是模拟要解两次码，这时候就需要下面的一系列操作，而不是最上面简单的一行代码。封装一个请求对象，请求对象可以携带除url之外的一切服务器感兴趣的信息。urllib.request.urlretrieve()解决自动下载问题。POST密文传输 ，不是加密传输(提交数据的能力更强）url必须是能被编码成字符 否则就需要编码或解码。2.地址栏url不是固定的，需要手动配置。直接获取浏览器的地址栏内的url。GET和POST的区别。如何找到正确的url。

原创 深入解析deepseek贪吃蛇

在游戏开发中，的作用非常重要，尤其是在控制游戏的帧率和时间相关的逻辑时。在pygame中，是一个用于管理游戏帧率的工具。

原创 列表,表格，单元格，表单-input

前端的学习

原创 标签的学习

在HTML中如果属性名和属性值一样就可以简写为一个单词。先打上img然后回车在双引号里面打"./"会有提醒。标题名：h1~h6（双标签）水平线：hr(单标签）标签名：p(双标签）换行：br(单标签）

原创 标签的关系+注释

TAB/SHIFTTAB缩进。CTRL+/表示添加或删除注释。作用：明确代码的书写位置。兄弟关系（并列关系)父子关系（嵌套关系）

原创 HTML基本骨架

HTML基本骨架是网页模板。

原创 标签语法的学习

单标签：只有开始标签，没有结束标签（只需要一个效果：换行线，水平线）标记：也叫标签（成对出现，中间包裹内容（标签名）），带尖括号的文本。保存HYML标签的文件扩展名是.html。双标签：（要包裹内容的用）HTML超文本标记语言。

原创 前端行高的学习

前端行高学习

原创 字体族-字体符合属性font

前端字体学习

原创 文本修饰属性-缩进和对齐和修饰线

前端基础学习

原创 CMD的学习

打开环境变量：打开我的电脑（winders+E)右击空白处选择属性，点击左边的高级系统设置，在上面选高级，下面有一个环境变量进入，看下面的系统变量的框点击path。然后复制好路径一直点确定就行了。环境变量：将一个路径保存在环境变量中，在查找信息时，如果当前文件夹没有，就会在环境变量中查找。（可以在任意目录下面都可以打开指定软件）要进入多级目录的意思是进入一个目录他在一个大目录里面，一层一层的打开。winders+R打开小窗口输入cmd回车。

原创 用python联系SQL

通过python来在SQL中建立数据库在python中查询SQL的数据内容通过python在SQL中的数据库中添加数据自动commit

原创 SQL分组聚合-结果排序-结果分页限制

ASC表示从小到大(不写也行是默认的）DESC表示从大到小。n表示限制几条数据，n,m表示从第n条开始取m条。by后面是什么select后面就是什么。

原创 SQL-数据删除delete,数据更新，基础数据查询-过滤

原创 SQL的学习

成功安装MySQL简单使用MySQL。

原创 神经网络前向传播

当我们学习线性回归和逻辑回归时，我们使用f(x)来表示线性回归或逻辑回归的输出。所以我们也可以使用f(x)来表示神经网络计算的函数作为x的函数。因为这个计算是从左到右进行的所以这个也被称为向前传播，这种类型的神经网络架构，最初有很多的隐藏单元，并且越接近输出层，隐藏单元的数量会减少。

原创 如何用代码实现推理

看看如何使用TensorFlow实现推理代码。假设烤咖啡豆，我们如何推断一个神经网络让它告诉我这个温度和持续时间是否设置是否会产生好咖啡？密集是神经网络层的另一个名称，来看另一个例子，手写数字的分类问题。

原创 Tensorflow中数据形式

Tensorflow旨在处理 非常大的数据库，并通过在矩阵而不是一维数组中表示数据，他让Tensorflow在内部更高效的计算lee。这里有张量（张量是一个多维数组）它是Tensorflow团队创建的一种数据类型，有效的储存和执行矩阵的计算。从技术上讲，张量比矩阵更通用一点，但在这里将张量视为表示矩阵的一种方式。请记住Tensorflow表示矩阵的方式和numpy（NumPy是一个开源的Python科学计算库，专门用于进行大规模数值和矩阵运算）表示矩阵的方式。惯例是将矩阵的维度写为滚动数乘以列数。

原创 搭建一个神经网络

除了向前计算的一种明确的方法，事实证明，张量流（TensorFlow）具有不同的实现前向道具和学习都方法。另一种方法构建神经网络密集型地球的方法，这与你要创建第一层和创建第二层之前的方法相同，但现在不是您手动获取数据并将其传递到第一层，然后从第一层和可能的第二层获取激活。他们想通过第二层和第三层应用到x等等，以便尝试对数字进行分类，通过这种使用TensorFlow顺序函数的新编码约定，您可以指定什么是第一层，第二层，第三层并告诉TensorFlow将这些层串联在一起，形成一个新的网络，和之前一样。

原创 单个网络层上的前向传播

因此，你可以通过如下方式使用np，数组将他们分组再一起，所以你已经计算了a_1，让我们也实现第二层。所以您计算输出a2，所以a2是使用这个表达式来计算的，所以我们会有参数w2_1和b2_1对应这些参数。然后将z计算为w2_1和a1之间的点积，然后添加b2_1,然后应用sigmoid函数得到a2_1。为了计算a1_1，我们有参数w1_1和b1_1，然后计算z1_1作为该参数w1_1和输入x之间的点积，并添加到b1_1,最后a1_1等于g（这个g就是逻辑函数）,sigmoid函数应用于z1_1.。

原创 前向传播的一般实现

密集函数所做的是将前一层的激活作为输入，这里的a可以是a_0,等于x，或者来自后一层的激活，以及堆叠在列中的w参数，以及b参数也堆叠成一维数组。密集函数的作用是输入前一层的激活，并给定当前层的参数，它返回下一层的激活。给定密集函数这是字符串的方法，依次将几个密集层组合在一起，以在神经网络中实现前向prop。w_1,b_1是参数有时也称为第一个隐藏层的权重。你可以做的是编写一个函数来实现一个密集层，那是神经网络的单层。我将定义密集函数，他作为输入来自上一层的激活，以及参数w和b表示给定层中的神经元。

原创 强人工智能

这是一个AI系统，他只做一件事，一项狭窄的任务，有时非常好并且可能非常有价值，（发展快）例如智能扬声器或自动驾驶汽车或网络搜索或人工智能应用于特定应用，如农业或工厂。人工智能中有一个不同的想法，那就是AGI，人工智能。（发展慢）可能有一种算法可以仅根据给定的数据或给定的数据，学会相应的处理输入。例可以安装可以安装相机的系统在额头，并将其映射到某人舌头上的网格中的电压模式。通过灰度图像映射到舌头上的电压模式，这可以帮助那些没有引线的人学会用你的舌头看东西，或者用人类回声定位或人类声纳进行有趣实验。

原创 神经网络为何如此高效

深度学习研究人员能够扩展神经网络的原因之一，是因为神经网络可以向量化。他们可以使用矩阵乘法非常有效的实现。包括GPU在内的并行计算硬件，但也有一些CPU函数非常擅长做非常大的矩阵乘法。我们将学习神经网络的矢量化实现是如何工作的。Matmul是Numpy执行矩阵乘法的方式。所以最后计算的z他现在是个矩阵，A_out等于激活函数g，即sigmoid函数。左边是普通数组，右边是矩阵形式。

原创 转置矩阵 的认识

AT=A.T这就是转置函数。

原创 （回顾）决定下一步做什么

3.增加lambda，如果过度拟合了数据，增加lambda是有意义的，只是将过多的注意力放到合适的训练集上，但以泛化到新示例为代价，（这通常是指模型在训练集上表现很好，但在未见过的新数据上表现不佳，这种情况称为“过拟合”。这意味着减少对这个术语的关注，而更多的关注前面的式子，以尝试在训练集上做的更好。结论：如果算法具有高方差，两种主要的解决方法是：既没有得到更多的训练数据也没有简化你的模型（简化模型意味着获得更小的特征集，要么增加正则化参数lambda）你的算法不太适合非常复杂，非常摇摆不定的曲线。

原创 方差与偏差

因此，测量Jtrain并查看他是否高，减少偏差的一种方法是只使用更大的神经网络（更多的隐藏层或每层更多的隐藏单元。查看他是否具有高方差，如果模型在交叉验证集上的表现与训练集上的表现差异很大，那么我们可以认为模型具有高方差，那么可以得出该算法具有高方差，所以训练集上的表现不能推广到交叉验证集上。另一个限制是更多数据。如果有适当的正则化，那神经网络的复杂程度不重要了，如果没有适当的正则化，神经网络多一点没有坏处，就是计算时变慢了。一个更大的神经网络会减慢你的算法，但他很大程度上不会伤害你的专辑表现。

原创 机器学习开发的迭代

像之前所说，当训练一个模型时，他几乎永远不会像你想要的那样工作。根据诊断的见解，你可以做出决定，例是否要扩大你的神经网络或更改lambda正则化参数，或可能添加更多的数据或添加更多功能或减去功能。一种方法是训练一个监督学习算法，输入特征是电子邮件的特征，输出标签是1或0，此应用程序是文本分类的示例（因为着是获取电子邮件的文本文档来分类的）。例收集更多数据，或者通过不同的方法收集数据有时电子邮件经过的路径可以帮助你判断它是否由垃圾邮件发送者发送，或者你可以提出算法来检测故意拼错的单词来检测。