墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
300+累计阅读
299平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
补充内容
* 对数据类型部分做了更为详细的介绍，将其区分为简单数据类型和容器数据类型
* 序列类型部分新增部分操作函数
* 列表类型的操作方法部分新增list.extend()、del list[i,j]、list.sort()函数及其用法
* 元组类型部分新增解压元组介绍
* 字符串类型部分新增常用内置方法介绍
* 映射类型部分新增可变类型和不可变类型介绍
* 字典类型部分新增部分操作方法和Python 直接赋值、浅拷贝和深拷贝介绍
* 集合类型部分新增部分操作方法和不可变集合类型介绍
补充内容
* 字符串的格式化部分新增**% 格式化符号**介绍
软考中级信息系统监理师（第二版）-第21章基础设施工程监理
由于网络信息技术的飞速发展，变化日新月异，网络设计不但要保证目前网络传输容量的要求，也要考虑今后网络的发展，满足当前以及今后相当一段时间内的网络需求，便于向新技术的升级和衔接，同时又需要保护原有的投资。通用布缆系统工程中，承建单位的竣工文档主要包括以下内容：承建合同，招标文件，投标文件，设计方案，工程实施组织设计方案，工程施工报告，隐蔽工程记录，变更记录，自测报告，信息点分布图（表），园区、楼宇、水平配线表，楼层平面图及无线设备点位图，无线设备信息表，竣工图纸等。多排安装时，列间距不应小于1200mm。
Python入门（后传—天池龙珠计划）
Python入门（后传-天池龙珠计划）
避坑指南：C#调用CodeSoft打印标签时常见的5个错误及解决方法
本文总结了C#调用CodeSoft打印标签时常见的5个核心错误及解决方案，涵盖环境配置、模板加载、变量赋值、打印机切换和资源管理。重点解析了如何避免COM对象创建失败、模板路径错误、变量名不匹配、打印机切换异常及内存泄漏等问题，帮助开发者实现稳定高效的标签打印集成。
阿里云天池龙珠计划深度学习训练营打卡-DCGAN生成微笑表情实战
权重初始化函数，为生成器和判别器模型初始化# 取得模块的名称= -1:# 卷积层的权重初始化为均值0，标准差0.02的正态随机数= -1:# 归一化层的权重初始化为均值1，标准差0.02的正态随机数# 归一化层的偏置初始化为0# 因为归一化层中添加偏置，所以卷积层不加偏置# 激活输出覆盖原有数据nn.Tanh()# Tanh激活的输出值范围[-1,1]
从零到一：树莓派OpenWrt squashfs固件扩容背后的文件系统魔法
本文深入解析树莓派OpenWrt系统中squashfs固件的扩容原理与操作。通过理解squashfs与overlayfs的协同机制，掌握分区调整和文件系统扩容技巧，解决存储空间限制问题，提升设备可用性。
赛灵思Xilinx 7系列FPGA硬件设计知识总结
本文讲述了赛灵思7系列FPGA硬件设计的关键点，为使用该系列FPGA提供硬件设计参考。
天池龙珠计划Python训练营——第十天
有幸参加了阿里云举办的天池龙珠计划Python训练营。收获颇多。 每天记录一些自己之前的知识盲点，需经常温习。 一、从0完成一个数据分析实战 1、今天是一个数据分析的小项目，学到最多的就是关于数据可视化这一部分内容。 # 查看各代口袋妖怪的数量 df['generation'].value_counts().sort_values(ascending=False).plot.bar() # 查看每个系口袋妖怪的数量 df['type1'].value_counts()...
从特斯拉到蔚来：拆解主流智能汽车的车联网架构，看它们如何实现‘车、路、云’协同
本文深度解析了特斯拉、蔚来等主流智能汽车的车联网架构，详细拆解了其‘车、路、云’协同的技术实现。从车内网络、车际通信到云端协同，分析了通信技术、系统架构等关键技术选择，揭示了不同厂商如何通过差异化布局构建竞争优势。
天池龙珠计划--2.1位运算
位运算
知识图谱初步学习（一）——本体+Protege新手学习
文章目录前言（本体详解）1.本体概念2.本体分类3.本体组成4.本体构建方法一、protege简介二、软件使用步骤1.安装2.使用三、问题解决方案汇总 前言（本体详解） 在开始学习知识图谱的过程中，首先就是要了解什么是本体（ontology）。 1.本体概念 本体的概念最初源自于哲学领域，在哲学中的定义为“对世界上客观事物的系统描述，即存在论”。哲学中的本体关心的是客观现实的抽象本质。而在计算机领域，本体是可以在语义的层次上来对知识进行描述，可以看做是某一个领域知识的通用模型。 本体是从客观世界中抽象出来
QT-使用ECharts显示地图，还有更多惊艳的图表等待你的使用
QT-使用ECharts显示地图前言一、使用步骤1.下载示例2. QT使用HTML文件配置3.使用HTML文件4. 数据交互及自适应总结注意：这个地图是百度的在线地图，需要百度API密钥和在联网的状态下使用。离线使用图表 前言 我上文QT图表chart-饼状图，使用qt自带的图表库charts来显示图表，实现数据可视化，但是QT自带的图表库显示效果并不佳，通俗说，就是不好看。 然而，有这么一个开源图表库，图表种类极多，并且效果良好，能够实现具有很好的视觉冲击的数据可视化。 它就是Apache ECharts
AI训练营Python-阿里云天池龙珠计划task1学习笔记
AI训练营Python-阿里云天池龙珠计划task1学习笔记
【硬件设计】_基于STM32单片机的智能台灯系统
智能台灯系统是一款多功能的智能照明设备，能够自动调节亮度、监测人体活动、感知环境光照，并具备定时和报警功能，极大提升了用户体验与功能的灵活性，主要包括以下功能：系统提供自动和手动两种模式以调节台灯亮度。在自动模式下，台灯会根据周围光强智能调整；而在手动模式下，用户可通过按键自行设置亮度。利用红外光电开关检测台灯与用户之间的距离，若距离过近，系统将发出报警提示。通过时钟模块设置定时提醒，并在OLED显示屏上显示当前时间，当达到设定的定时时间时，蜂鸣器将发出报警音。
天池龙珠计划训练营——python 1
笔记，记录龙珠学习python训练营第一阶段，只包含生僻和不理解的知识点，用来个人复习。
WINCC7.3破解文件
WINCC7.3硬件够破解文件，有需要的下载！WINCC7.3硬件够破解文件，有需要的下载！
最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版
Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf：最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版，包括SDIO 接口的外设，SDIO 接口官方协议等。
Python入门（后传—天池龙珠计划）：（一)
这篇博文是[Python入门（后传—天池龙珠计划）]的第一部分，主要是介绍**Python的基础知识：从变量到异常处理**
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
python海龟图画龙珠_阿里云天池龙珠计划——Python基础入门第2课：变量和赋值...
阿里云天池龙珠计划——Python基础入门第2课：变量和赋值【我是测试题2】下面这段代码的运行结果是什么？# 运行一下结果就出来了a = "hello"b = "hello"print(a is b, a == b)第2课3. 变量和赋值在使用变量之前，需要对其先赋值。变量名可以包括字母、数字、下划线、但变量名不能以数字开头。Python 变量名是大小写敏感的，foo != Foo。【例子】tea...
jre9下载 jdk9
(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】
Python入门（后传—天池龙珠计划）：（五)
这篇博文是[Python入门（后传—天池龙珠计划）](https://blog.youkuaiyun.com/Time_D/article/details/114339829)的最后部分，主要是介绍**一个完整的数据分析实战流程
Python入门（后传—天池龙珠计划）：（三)
这篇博文是Python入门（后传—天池龙珠计划）的第三部分，主要是介绍Python基础进阶：从函数到高级魔方方法
天池龙珠计划Python训练营——第三天
有幸参加了阿里云举办的天池龙珠计划Python训练营。收获颇多。 每天记录一些自己之前的知识盲点，需经常温习。 一、异常处理 1、Python标准警告总结 Warning：警告的基类 DeprecationWarning：关于被弃用的特征的警告 FutureWarning：关于构造将来语义会有改变的警告 UserWarning：用户代码生成的警告 PendingDeprecationWarning：关于特性将会被废弃的警告 RuntimeWarning：可疑的运行时行为...
天池龙珠计划-python训练营-Task3-python进阶（从函数到魔法方法）
文章目录前言一、函数1、定义2、函数文档3、参数参数使用的说明4、定义域二、lambda表达式三、类与对象1、属性、方法2、魔法方法3、公有私有4、继承5、绑定四、魔法方法1、基本方法总结 前言 天池龙珠计划-python训练营-Task3 python进阶： python函数到高级魔方方法 一、函数 定义——调用——参数——返回值——作用域 1、定义 ①函数以def关键词开头，后接函数名和圆括号()。 ②函数执行的代码以冒号起始，并且缩进。 ③return [表达式] 结束函数，选择性地返回一个值给.
Python入门（后传—天池龙珠计划）：（四)
这篇博文是[Python入门（后传—天池龙珠计划）]的第四部分，主要是介绍**Python基础再见：从模块到文件系统**
天池龙珠计划Python训练营--Task02
天池龙珠计划Python训练营–Task02重点记录 字符串的常用内置方法 capitalize() 将字符串的第一个字符转换为大写。 lower() 转换字符串中所有大写字符为小写。 upper()转换字符串中的小写字母为大写。 swapcase() 将字符串中大写转换为小写，小写转换为大写。 count(str, beg= 0,end=len(string)) 返回str在 string 里面出现的次数，如果beg或者end指定则返回指定范围内str出现的次数。 endswith(suffix, be
天池龙珠计划Python_Task1笔记
天池龙珠计划Python训练营Task1 1Python介绍_Python能做什么 数据分析挖掘 利用Python基础库，如Numpy、Pandas与可视化Matplotlib等等库实现对数据分析挖掘 a. Kaggle入门：泰坦尼克号幸存者 b. 电影人物关系提取 c. 出租车与网约车调度 d. 租房问题 e. NBA比赛结果预测 机器学习与深度学习 利用机器学习算法和深度学习算法解决问题 a. 人脸识别 b. K-近邻算法实现手写数字识别 c. 中文错别字高亮系统 d. 街边字符识别 网络开发 利用P
阿里云天池龙珠计划寒假集训营学习笔记(一)
阿里云天池龙珠计划寒假集训营学习笔记（一） 2021年1月22日 Introduction 优快云小白之前在优快云中收获了很多知识，包括各种安装软件、函数的介绍和模型算法的介绍和应用等等，在这里非常感谢各位作者的分享。我是某211的一枚大四准研究生狗，第一次在这里写文章既激动又紧张，感觉自己的笔记能被很多同行看到是一件幸事，同时我也知道自己的实力水平，希望各位大佬不要嘲笑，跪求可以点赞关注，看我菜鸡的逆袭之路如何运转，定不负期望！ 阿里云的此次集训营本次学习的目的就是推广阿里的资源平台以及开源平台 。对
【天池龙珠计划】Python训练营 Task01 Python基础入门：从变量到异常处理
【天池龙珠计划】Python训练营 Task01 Python基础入门：从变量到异常处理 文章目录【天池龙珠计划】Python训练营 Task01 Python基础入门：从变量到异常处理一、变量、运算符与数据类型1. 注释2. 运算符3. 变量和赋值4. 数据类型与转换5. print() 函数二、位运算1. 原码、反码和补码2. 按位运算3. 利用位运算实现快速计算4. 利用位运算实现整数集合三、条件语句1. if 语句2. if - else 语句3. if - elif - else 语句4. a
天池龙珠计划Python训练营——第一天
有幸参加了阿里云举办的天池龙珠计划Python训练营。收获颇多。 每天记录一些自己之前的知识盲点，需经常温习。 一、运算符 【例子】比较的两个变量均指向不可变类型。 对于字符串来说： a = "hello" b = "hello" print(a is b, a == b) # True True print(a is not b, a != b) # False False 【例子】比较的两个变量均指向可变类型。 对于list来说： a = ["hello"] b ...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1400
扫一扫
