<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[梓莘]]></title><description><![CDATA[zero->hero理性+理智。记住一句话:越努力，越幸运。犯其至难，图其至远。努力规划，实现自我。]]></description><link>https://blog.youkuaiyun.com/daemon_slp</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; daemon_slp]]></copyright><item><title><![CDATA[【计算机网络】网络号、主机号、子网号、子网掩码、子网划分]]></title><link>https://blog.youkuaiyun.com/daemon_slp/article/details/110039504</link><guid>https://blog.youkuaiyun.com/daemon_slp/article/details/110039504</guid><author>daemon_slp</author><pubDate>Tue, 24 Nov 2020 09:54:03 +0800</pubDate><description><![CDATA[1.Internet上每一台计算机都有唯一的地址来标识它的身份，即IP地址，使用域名其实也是转化为IP地址的。
2.IP地址分类：
A类：000~127，默认子网掩码：255.0.0.0
B类：128~191，默认子网掩码：255.255.0.0
C类：192~223，默认子网掩码：255.255.255.0
D类：224~239
E类：240~255
3.假设现有一IP地址180.210.242.131，即10110100.11010010.11110010.10000011
同时指定子网掩码为255.2]]></description><category></category></item><item><title><![CDATA[【计算机网络】网络层习题及参考答案]]></title><link>https://blog.youkuaiyun.com/daemon_slp/article/details/109993292</link><guid>https://blog.youkuaiyun.com/daemon_slp/article/details/109993292</guid><author>daemon_slp</author><pubDate>Mon, 23 Nov 2020 13:22:44 +0800</pubDate><description><![CDATA[1、请列举出两个合适使用面向连接服务的计算机应用实例，再列举出两个最好使用无连接服务的计算机应用实例。
解：面向连接：文件传输，远程登录；无连接：信用卡核对，电子资金转账。
2、数据报网络将每个数据包当做独立的单位进行路由，路由过程彼此独立。虚电路网络不必采用这种方式，因为每个数据包都沿着一条预先确定的路由。试问，这是否意味着虚电路网络不需要具备将单个数据包从任意源端路由到任意接收方的能力呢？
解：虚电路的路由建立需要这样的能力。
3、请给出3个在建立连接时可能需要协商的协议参数例子。
解：需要通过协商给出]]></description><category></category></item><item><title><![CDATA[【计算机网络】第三章数据链路层习题及参考答案]]></title><link>https://blog.youkuaiyun.com/daemon_slp/article/details/109993174</link><guid>https://blog.youkuaiyun.com/daemon_slp/article/details/109993174</guid><author>daemon_slp</author><pubDate>Mon, 23 Nov 2020 13:17:11 +0800</pubDate><description><![CDATA[1、一个上层数据包被分成10个帧，每一帧有80％的机会无损地到达目的地。如果数据链路协议没有提供错误控制，试问，该报文平均需要发送多少次才能完整地到达接收方？
答：一次发送成功的概率是0.810=0.107，所以大约需要10次。
2、数据链路层协议使用了下面的字符编码：A:01000111 B:11100011 FLAG:01111110 ESC:11100000。为了传输一个包含4个字符的帧：A B ESC FLAG，试问使用下面哪种成帧方法时所发送的比特序列是什么（二进制表示）？（1）字节计数（2）字节]]></description><category></category></item><item><title><![CDATA[【Python】‘builtin_function_or_method‘ object is not subscriptable 错误]]></title><link>https://blog.youkuaiyun.com/daemon_slp/article/details/109611479</link><guid>https://blog.youkuaiyun.com/daemon_slp/article/details/109611479</guid><author>daemon_slp</author><pubDate>Wed, 11 Nov 2020 08:46:04 +0800</pubDate><description><![CDATA[Python数组初始化报错（括号问题）
错误方式：inArr = array[ffMiles,percentTags,iceCream]
正确方式：inArr = array([ffMiles,percentTags,iceCream])

]]></description><category></category></item><item><title><![CDATA[【Python】矩阵方法min(0),max(0)]]></title><link>https://blog.youkuaiyun.com/daemon_slp/article/details/109603980</link><guid>https://blog.youkuaiyun.com/daemon_slp/article/details/109603980</guid><author>daemon_slp</author><pubDate>Tue, 10 Nov 2020 18:01:11 +0800</pubDate><description><![CDATA[min(0)返回该矩阵中每一列的最小值
min(1)返回该矩阵中每一行的最小值
max(0)返回该矩阵中每一列的最大值
max(1)返回该矩阵中每一行的最大值
eg归一化算法中
minVals = dataSet.min(0) #print(minVals) #[0. 0. 0.001156] maxVals = dataSet.max(0)

...]]></description><category></category></item><item><title><![CDATA[【Python】numpy 中zeros()函数]]></title><link>https://blog.youkuaiyun.com/daemon_slp/article/details/109603437</link><guid>https://blog.youkuaiyun.com/daemon_slp/article/details/109603437</guid><author>daemon_slp</author><pubDate>Tue, 10 Nov 2020 17:33:43 +0800</pubDate><description><![CDATA[初始化0数组
定义
zeros(shape, dtype=None, order='C')
返回
Return a new array of given shape and type, filled with zeros.
示例
&gt;&gt;&gt; np.zeros(5)
        array([ 0.,  0.,  0.,  0.,  0.])
    
        &gt;&gt;&gt; np.zeros((5,), dtype=int)
        array([0, 0, 0,]]></description><category></category></item><item><title><![CDATA[【Python】‘dict‘ object has no attribute ‘iteritems‘]]></title><link>https://blog.youkuaiyun.com/daemon_slp/article/details/109603138</link><guid>https://blog.youkuaiyun.com/daemon_slp/article/details/109603138</guid><author>daemon_slp</author><pubDate>Tue, 10 Nov 2020 17:20:02 +0800</pubDate><description><![CDATA[iteritems是python2中的函数
python3中的替代函数是：items()
eg：
sortedClassCount = sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)

]]></description><category></category></item><item><title><![CDATA[【Python函数】Python中tile函数的用法]]></title><link>https://blog.youkuaiyun.com/daemon_slp/article/details/109601841</link><guid>https://blog.youkuaiyun.com/daemon_slp/article/details/109601841</guid><author>daemon_slp</author><pubDate>Tue, 10 Nov 2020 16:37:43 +0800</pubDate><description><![CDATA[定义
tile(A, reps)
功能：重复A的各个维度
官方注释： Construct an array by repeating A the number of times given by reps.
示例
Examples
    --------
    &gt;&gt;&gt; a = np.array([0, 1, 2])
    &gt;&gt;&gt; np.tile(a, 2)
    array([0, 1, 2, 0, 1, 2])
    &gt;&gt;&gt; np.tile(]]></description><category></category></item><item><title><![CDATA[【机器学习】机器学习实战源码下载]]></title><link>https://blog.youkuaiyun.com/daemon_slp/article/details/109600862</link><guid>https://blog.youkuaiyun.com/daemon_slp/article/details/109600862</guid><author>daemon_slp</author><pubDate>Tue, 10 Nov 2020 16:03:30 +0800</pubDate><description><![CDATA[机器学习实战源码和数据集可在英文版的网站上下载：
https://www.manning.com/books/machine-learning-in-action
进入页面找到如下位置点击下载即可：


]]></description><category></category></item><item><title><![CDATA[Jupyter安装使用（Windows版）]]></title><link>https://blog.youkuaiyun.com/daemon_slp/article/details/109595298</link><guid>https://blog.youkuaiyun.com/daemon_slp/article/details/109595298</guid><author>daemon_slp</author><pubDate>Tue, 10 Nov 2020 11:22:12 +0800</pubDate><description><![CDATA[什么是Jupyter
Jupyter Notebook是一个开源的Web应用程序，可以创建和共享包含实时代码，方程式，可视化和说明文本的文档。
Jupyter的官网：
http://jupyter.org/index.html
使用Anaconda安装：
Anaconda中包含众多python的库，其中也包含Jupyter，所以如果使用的是Anaconda则使用
1.安装Anaconda
2.安装Jupyter notebook
pip3 install jupyter
3.jupyter notebook]]></description><category></category></item><item><title><![CDATA[【运筹学】KKT定理]]></title><link>https://blog.youkuaiyun.com/daemon_slp/article/details/109366095</link><guid>https://blog.youkuaiyun.com/daemon_slp/article/details/109366095</guid><author>daemon_slp</author><pubDate>Thu, 29 Oct 2020 18:49:02 +0800</pubDate><description><![CDATA[拉个朗日乘数定理
KKT定理




g1=0 g2=0 g3=0
g1&lt;=0 g2&gt;=0 g3=0



化为标准型 ,比如a&gt;=b a&lt;=b  =&gt;a=b  同理g3=0 =&gt; g3&gt;=0 g3&lt;=0,标准型就是代数式&gt;=0的形式 -g1&gt;=0 g2&gt;=0 -g3&gt;=0 g3&gt;=0，这里选择&lt;=0也是可以的


看约束条件，有几个约束方程就引入几个乘子λ
看约束条件，有几个约束方程就引入几个广义拉格朗日乘子λ,常...]]></description><category></category></item><item><title><![CDATA[P问题、NP问题、NPC问题、NP-hard问题详解]]></title><link>https://blog.youkuaiyun.com/daemon_slp/article/details/109335088</link><guid>https://blog.youkuaiyun.com/daemon_slp/article/details/109335088</guid><author>daemon_slp</author><pubDate>Wed, 28 Oct 2020 16:18:01 +0800</pubDate><description><![CDATA[什么是多项式时间？
什么是时间复杂度？
时间复杂度并不是表示一个程序解决问题需要花多少时间，而是当程序所处理的问题规模扩大后，程序需要的时间长度对应增长得有多快。也就是说，对于某一个程序，其处理某一个特定数据的效率不能衡量该程序的好坏，而应该看当这个数据的规模变大到数百倍后，程序运行时间是否还是一样，或者也跟着慢了数百倍，或者变慢了数万倍。
不管数据有多大，程序处理所花的时间始终是那么多的，我们就说这个程序很好，具有 O(1)的时间复杂度，也称常数级复杂度；数据规模变得有多大，花的时间也跟着变得有多长，比如]]></description><category></category></item><item><title><![CDATA[【调度】开放车间调度Open Shop]]></title><link>https://blog.youkuaiyun.com/daemon_slp/article/details/109325878</link><guid>https://blog.youkuaiyun.com/daemon_slp/article/details/109325878</guid><author>daemon_slp</author><pubDate>Wed, 28 Oct 2020 10:49:50 +0800</pubDate><description><![CDATA[开放车间调度问题
定义
有n个需要加工的工件和m种用来加工的机器，每个工件有m道工序，没道工序的加工时间是已知的，但是不规定每个工件的加工顺序，即工件的加工顺序是任意的：一台机器在同一个时刻只能加工一个工件，一个工件不能同时在两台机器上加工；每个工件在同一时刻也只能在某一台机器上加工；最终需要求得一组机器与工件的排列组合使加工完所有工件所用的时间最短，效率最高。
为了消除瓶颈，提高制造字体的柔性，通常每种机器的数量不止一台，每种机器一般都有若干台相同功能的平行机，这就构成了柔性开放车间调度问题
分类
根据不]]></description><category></category></item><item><title><![CDATA[【线性规划】基本概念]]></title><link>https://blog.youkuaiyun.com/daemon_slp/article/details/109314371</link><guid>https://blog.youkuaiyun.com/daemon_slp/article/details/109314371</guid><author>daemon_slp</author><pubDate>Tue, 27 Oct 2020 16:55:47 +0800</pubDate><description><![CDATA[线性规划的概念
线性规划(Linear Programming 简记 LP)是了运筹学中数学规划的一个重要分支。自从 1947 年 G. B. Dantzig 提出 求解线性规划的单纯形法以来，线性规划在理论上趋向成熟，在实用中由于计算机能处理成千上万个约束条件和决策变量的线性规划问题之后，线性规划现代管理中经常采用的基本方法之一。 在解决实际问题时，需要把问题归结成一个线性规划数学模型，关键及难点在于选适当的决策变量建立恰当的模型，这直接影响到问题的求解。
线性规划问题的目标函数及约束条件均为线性函数；约]]></description><category></category></item><item><title><![CDATA[Failed to connect to fuchsia.googlesource.com port 443: Timed out]]></title><link>https://blog.youkuaiyun.com/daemon_slp/article/details/109305050</link><guid>https://blog.youkuaiyun.com/daemon_slp/article/details/109305050</guid><author>daemon_slp</author><pubDate>Tue, 27 Oct 2020 10:02:39 +0800</pubDate><description><![CDATA[设置一下代理：git config --global http.proxy 127.0.0.1:1080
然后就可以啦

]]></description><category></category></item><item><title><![CDATA[【论文】Learning for Graph Matching and Related Combinatorial Optimization Problems]]></title><link>https://blog.youkuaiyun.com/daemon_slp/article/details/109240392</link><guid>https://blog.youkuaiyun.com/daemon_slp/article/details/109240392</guid><author>daemon_slp</author><pubDate>Fri, 23 Oct 2020 13:43:57 +0800</pubDate><description><![CDATA[摘要
文章主要是针对图匹配问题的组合优化方面的机器学习方面发展的回顾。
机器学习和组合优化的结合可能会给人工智能带来革命性的变化。
本文研究的重点是加权图匹配问题。
关于图匹配，体现了很多的学习技术：卷积神经网络，图神经网络，强化学习这些技术可以应用到提取节点特征，图结构特征，甚至匹配引擎的范例中。
展望：
介绍
组合优化是一个非常重要的研究方向，它涵盖了约束满足问题、整数规划、图论算法等丰富的经典算法求解方法。与此同时，机器学习也在进几年突飞猛进。从基础研究到应用这两个研究都有很深的影响，但是直到最近才出]]></description><category></category></item><item><title><![CDATA[【机器学习】Regression]]></title><link>https://blog.youkuaiyun.com/daemon_slp/article/details/109230988</link><guid>https://blog.youkuaiyun.com/daemon_slp/article/details/109230988</guid><author>daemon_slp</author><pubDate>Thu, 22 Oct 2020 21:26:39 +0800</pubDate><description><![CDATA[Regression的常用场景


]]></description><category></category></item><item><title><![CDATA[【机器学习】准备]]></title><link>https://blog.youkuaiyun.com/daemon_slp/article/details/109230846</link><guid>https://blog.youkuaiyun.com/daemon_slp/article/details/109230846</guid><author>daemon_slp</author><pubDate>Thu, 22 Oct 2020 21:18:34 +0800</pubDate><description><![CDATA[github.com/pyenv/pyenv
安装pyenv这是一个python版本管理工具
常用命令：

pyenv versions:列出目前系统中所有安装的python
pyenv version:展示目前预设的python版本
pyenv global &lt;python_version&gt; :设定预设版本
pyenv install &lt;python_version&gt;  :安装特定版本的python
pyenv uninstall &lt;python_version&gt; :移]]></description><category></category></item><item><title><![CDATA[【机器学习】第一节]]></title><link>https://blog.youkuaiyun.com/daemon_slp/article/details/109230090</link><guid>https://blog.youkuaiyun.com/daemon_slp/article/details/109230090</guid><author>daemon_slp</author><pubDate>Thu, 22 Oct 2020 21:07:49 +0800</pubDate><description><![CDATA[什么是机器学习？
机器学习就是自动找函式

你想找什么样的函式？
第一个函式：输出是一个数字
第二个函数：输出是一个YES或者NO

第三个函数：输出是做一个选择题

第四种：Generation 生成

怎么告诉机器你想找什么样的函式？
Supervised Learning

对资料做标注，也就是要提供理想的输出。
下面的图片叫做训练资料。

函数的Loss是比计算错误率要复杂一些的，Loss越小越好。
接下来机器会自动找出Loss最低的函式。
Reinforcement Learning

Super]]></description><category></category></item><item><title><![CDATA[【调度】变领域搜索算法]]></title><link>https://blog.youkuaiyun.com/daemon_slp/article/details/109126079</link><guid>https://blog.youkuaiyun.com/daemon_slp/article/details/109126079</guid><author>daemon_slp</author><pubDate>Fri, 16 Oct 2020 22:37:45 +0800</pubDate><description><![CDATA[变邻域搜索（ｖａｒｉａｂｌｅｎｅｉｇｈｂｏｒｈｏｏｄｓｅａｒｃｈ，ＶＮＳ）算法是Ｍｌａｄｅｎｏｖｉｃ和Ｈａｎｓｅｎ在１９９７年提出的一种有效的局部搜索方法。求解组合优化问题时有以下几个特点。
（１）对于不同的邻域结构，一个邻域结构的局部最优解不一定是另一个邻域结构的局部最优解。
（２）对于所有的邻域结构，全局最优解必然是某个邻域结构的局部最优解。
（３）对于多数组合优化问题，某个邻域结构或某几个邻域结构的局部最优解之间的距离可能很近，即局部最优解具有聚集性。
变邻域搜索算法就是依据以上特点，在基本的局部搜索]]></description><category></category></item></channel></rss>