feishuoren的博客

KDTree for fast generalized N-point problems

联邦算法是一种分布式机器学习技术

由于还未发布3.3.6版本winutils，因此尝试源码编译。

CondaHTTPError: HTTP 000 CONNECTION FAILED for url

静态方法、类方法、类实例方法的调用

浮点数不能精确的表示十进制数，并且即使是最简单的数学运算也会产生误差。该错误是由于浮点数的存储方式引起的。

相似度计算的常见方法

问题用sklearn训练的模型，如何将其参数保存，方便下次调用模型gbr = GBR(random_state=1412) # 实例化gbr.fit(X, y.ravel()) # 训练模型方法常用方法 joblib 和 pickle 库保存模型joblib# from sklearn.externals import joblib # 低版本Scikit-learn 0.21版本以下import joblib # 新版本 Scikit-learnjoblib.dump(gbr,

二维平面线段交点代码def find2dCrossPoint(point1,point2,point3,point4): deltax_s1 = point1[0]-point2[0] deltax_s2 = point3[0]-point4[0] deltay_s1 = point1[1]-point2[1] deltay_s2 = point3[1]-point4[1] direct_s1 = point1-point2 direct_s2

关键代码param_grid_simple = {"criterion": ["squared_error","poisson"] , 'n_estimators': [*range(20,100,5)] , 'max_depth': [*range(10,25,2)] , "max_features": ["log2","sqrt",16,32,64,"auto"]

获取每一行输入while True: theInput = input()存储多行输入inputs = []while True: theInput = input() inputs.append(theInput)加入终止判断inputs = []while True: theInput = input() try: inputs.append(theInput) except EOFError: break相关文章ACM的Py

问题：jupter-lab使用时用到其他文件夹下的一个自定义模块，试图使用绝对路径导入解决方式：import syssys.path.append('模块所在路径')import 路径下需要的模块使用场景：import syssys.path.append('/Users/feishuoren/Projects/pytorch_learning/')# 自定义模块from torchLearning import *这里只是用了其中一种方式，还有其他几种方法，如参考文章相关文

# 子类B 父类Aclass B(A): def __init__(self): super(B,self).__init__()super(B,self)中self指向B，这句代码就是说找到self的mro表中B的下一个类，也就是找到B的父类Asuper的工作原理如下：# cls代表类，inst代表实例def super(cls, inst): mro = inst.__class__.mro() return mro[mro.index(cls) + 1]其中，mr

安装 ipykernel 包conda install ipykernel激活环境conda activate 环境名将环境加入 notebook 的 kernel ，以 Python (环境名) 显示python -m ipykernel install --user --name 环境名 --display-name "Python (环境名)"打开Jupyterjupyter notebook...

准备工作：安装语言环境 Python 建议3.8.0以下（conda创建低版本环境也可以）安装包管理工具 Anaconda（Pip等也可以）查看GPU是否是NVIDIA,并查看该版本是否支持CUDA,检查驱动版本下载相应版本的CUDA以及PyTorch不支持：PyTorch(None CUDA)支持：CUDA -> CUDNN ->PyTorchGPU，CUDA，cuDNN的理解CUDA 并行计算框架，处理大型并行计算cuDNN 深层神经网络的GPU加速库都是NV

问题打包一个只有两个常用库的超短的代码，打包后的 exe 文件竟然有几百兆解决

写入 Excel 操作警告使用下面的代码写入Excel结果报错df.to_excel(output_name,index=False)43: FutureWarning: As the xlwt package is no longer maintained, the xlwt engine will be removed in a future version of pandas. This is the only engine in pandas that supports writing i

准备# 可能需要pip install pywin32# 必备pip install pyinstaller# 检验安装情况pyinstaller -v生成.py文件在 cell 顶部添加代码%%writefile 文件名.py终端中打包终端 cd 进入要输出 exe 文件的目录下，执行下面的命令，我是在 Anaconda Powershell Prompt 中执行的pyinstaller -F .py文件路径参数含义-F 表示生成单个可执行文件-w 表示去掉控制台窗口

```from numpy import *def loadDataSet(filename): #读取数据 dataMat=[] labelMat=[] fr=open(filename) for line in fr.readlines(): lineArr=line.strip().split(' ') dataMat.append([float(lineArr[0]),float(lineArr[1])]) la...

概念采样，也称为取样、抽样。是指从总体中抽取个体或样品的过程，也即对总体进行试验或观测的过程。基本定理每一个样本都有相同的概率被采用进入试样中，最简单的采样方式为均匀采样。信息论中的采样定理，又称香农采样定理、奈奎斯特采样定理。是指把连续的模拟量用一个个离散的点来表示。原则减熵性（Entropy Reduction）：变换后的概率分布始终小于变换前的概率分布保序性（Order Preservation）：元素排列的顺序不变保斜率性（Slope Preservation）：分布的“斜率

由于默认的快捷方式是JupyterNotebook每次打开JupyterLab都要在Anaconda Prompt中输入 jupyter lab，或者在Anaconda面板里打开，挺麻烦，因而想创建一个快捷方式桌面鼠标右击，选择新建>快捷方式点击浏览选择或者直接输入 JupyterLab 的启动位置，在 anaconda3 安装目录下的 Scripts 文件夹里，如我的就在 C:\Users\用户名\anaconda3\Scripts\jupyter-lab.exe输入快捷方式的名称，

没有配置文件1.安装了 Anaconda，在Anaconda prompt中输入以下命令。（也可以用来查找已有配置文件路径）# jupyter labjupyter lab --generate-config# jupyter notebookjupyter notebook --generate-config有配置文件找到配置文件 jupyter_notebook_config.py 或者 jupyter_lab_config.py记得安装目录，直接找C:\Users\用户\.ju

Python 中导入 docx 报错from docx import DocumentModuleNotFoundError: No module named 'docx'pip install docx 后报错 No module named 'exceptions'原因导错包了，不是docx而是python-docx解决卸载安装错的 docxpip uninstall docx安装正确的包 python-docxpip install python-docx...

CiteSpace (podia.com)官网下载 CiteSpace 5.8.R2.zip需要先安装JAVA 解压缩双击打开StartCiteSpace_Windows.bat（该文件用来安装和启动软件CiteSpace）输入数字选择语言，这里输入了 2，选择了中文，然后弹出 Initializing CiteSpace 窗口Initializing CiteSpace，进度100%后会出现下图安装WOS文件进度100%后点击确定后，进入欢迎页面

LaTeX 安装需要安装 LaTeX 运行环境+编辑器运行环境 TeXLive、MiKTex、proText、CTeX、MacTeX、MikTex等编辑器 TEXStudio、WinEdt 等环境下载——TeXLive免费替代品MiKTeXTexLive下载编辑器下载——WinEdtWinEdt下载相关参考：Windows下LaTeX安装教程LaTex–Windows环境下载与安装从零开始 LaTeX 快速入门一份其实很短的 LaTeX 入门文档.

知识点卷积池化全连接与连接表模型结构C1层卷积层卷积核： 6组5*5输入 32*32灰度图像输出 6 组 28*28 特征图神经元数量 6* 28*28 = 4704可训练参数 6*（5 *5+1）= 156连接数 156 * 28*28 = 122304S2层池化层采样窗口：2*2输入 6 组 28*28 特征图输出 6 组 14*14 特征图神经元数量 6* 14*14 = 1176可训练参数 6*（1+1）= 12连接数 6 * （4+1）*

U 左奇异矩阵 A*A.T可以用于行数的压缩 new_A(dn) = U.T(dm)*A(mn)V 右奇异矩阵 A.T *A新的坐标系每个值代表原来n个特征之间的相关性可得到 特征值个数可以用于列数即特征维度的压缩 new_A(md)=A(mn)*V(nd)=(V.T(dn)*A.T(nm)).TΣ 奇异值矩阵奇异值的平方 等于 特征值只有对角线数不为0，且数值从大到小排列参考资料：降维与压缩——奇异值分解（SVD）SVD（奇异值分解）小结奇异值分...

一阶偏导数思路自变量： x0,…,xi+h,…,xn带入理查德外推法公式，求对xi的偏导数计算gradi: grad[grad0,…,gradi,…,null]实现import numpy as npdef computeGrad(pointFun, x, h): temp = np.array(x) grad = np.array(x) for i in range(len(x)): temp[i] += 0.5 * h gra

梯度法梯度下降法的优化思想是用当前位置负梯度方向作为搜索方向，因为该方向为当前位置的最快下降方向，所以也被称为是”最速下降法“。最速下降法越接近目标值，步长越小，前进越慢流程实现from matplotlib import pyplotfrom computeGradient import computeGraddef fun(x): return 100 * (x[1] - x[0] ** 2) ** 2 + (1 - x[0]) ** 2def gradient(x):

笛卡尔坐标系对于平面坐标系，任一射线OP与x轴夹角θ的范围，可以取[0,2π)或者(-π,π]，如无特殊说明， 我们统一使用后者。将笛卡尔空间坐标系中的点 Pc = ( x , y , z ) 表示成球体坐标系中的形式 Ps = ( θ , ϕ , r )。其中根据球坐标的定义，要求θ∈[−π,π]，ϕ∈[−π/2,π/2] ，r∈[0 , +∞)。对于 θ，正切函数的周期是 π，因此反正切函数 arctan 一般也只取一个周期，其定义域是 R，值域是(−π/2 , π/2) 。为了解决这个问

未打开过 Jupyter，或没有配置文件1.安装了 Anaconda，在Anaconda prompt中输入以下命令，并回复y。（也可以用来查找已有配置文件路径）jupyter notebook --generate-config未安装 Anaconda， Jupyter 安装目录下新建配置文件 jupyter_notebook_config.py已在浏览器打开过 Jupyter右单击 Chrome 图标，打开属性，复制目标（高亮位置）的值，也就是Chrome浏览器安装位置找到 Jup

机理和机制机理，是指事物变化的理由与道理，从机理的概念分析，机理包括形成要素和形成要素之间的关系两个方面。其原理是指为实现某一特定功能，一定的系统结构中各要素的内在工作方式以及诸要素在一定环境条件下相互联系、相互作用的运行规则和原理。机制一词最早源于希腊文，本义原指机器的构造和动作原理。对机制的这一本义可以从以下两方面来解读：一是机器由哪些部分组成和为什么由这些部分组成；二是机器是怎样工作和为什么要这样工作。引申义，指有机体的构造、功能及其相互关系。机理模型和非机理模型机理模型（白箱）：根据对象

A: 相关，且召回（预测为1）后也认为相关B: 不相关，但召回（预测为1）后认为相关C: 相关，但召回（预测为1）后也认为相关D: 不相关，且召回（预测为1）后也认为不相关我们假设X为预测值，Y为真实值精确率、召回率、准确率计算召回率 Recall = P（Y=1 | X=1）= A / A+C 召回样本（预测为1的样本）中相关样本数精确率 Precision = P（X=1 | Y=1）= A / A+B 相关样本，也即正样本准确率 Accuracy = A+D / A+.

RNN&LSTM当前输出的产生与之前的信息（输出、状态）相关RNN：过去发生的事件可以预测现在LSTM（进阶RNN）：过去发生的事情太多了，全部记住的话，处理起来过于复杂，因此选择遗忘不重要事件，记住重要的（解决长期依赖问题）LSTM 核心思想Sigmoid 层输出 0 到 1 之间的数值，可以用来描述每个部分有多少需要记住。0 指代“全忘记”，1 指“记住所有”原本RNN只有 tanh层 来处理当前输出（过去和现在输入），LSTM将 Sigmoid 层运用到 tanh层，增添了状态信息