<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[hustlei的专栏]]></title><description><![CDATA[study hard, just for i like it.]]></description><link>https://blog.youkuaiyun.com/hustlei</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; hustlei]]></copyright><item><title><![CDATA[汇编语言基础：寄存器和寻址方式]]></title><link>https://blog.youkuaiyun.com/hustlei/article/details/125140168</link><guid>https://blog.youkuaiyun.com/hustlei/article/details/125140168</guid><author>hustlei</author><pubDate>Mon, 06 Jun 2022 08:35:26 +0800</pubDate><description><![CDATA[寄存器分类AX、BX、CX、DX 一般用来存放数据，所以被称为数据寄存器。8位寄存器AX,BX,CX,DX在8086中为16位寄存器，每个寄存器的高位和低位均可以作为8位寄存器访问。x32构架x32架构中，通用寄存器都在16位版本的基础上扩展成为32位版本，名字加了E作为前缀。x64构架在x64架构中，通用寄存器都扩展成为64位版本，名字也进行了升级。SI和DI功能和BX相同，可以用于间接寻址。主要用于存放存储单元在段内的偏移量。但是SI、DI不可分割成8位寄存器。在16为构架中，16位的指针只能访问64k]]></description><category></category></item><item><title><![CDATA[pytoch人工神经网络基础：最简单的分类（softmax回归+交叉熵分类）]]></title><link>https://blog.youkuaiyun.com/hustlei/article/details/123637339</link><guid>https://blog.youkuaiyun.com/hustlei/article/details/123637339</guid><author>hustlei</author><pubDate>Mon, 21 Mar 2022 15:38:43 +0800</pubDate><description><![CDATA[softmax回归分类原理
对于回归问题，可以用模型预测值与真实值比较，用均方误差这样的损失函数表示误差，迭代使误差最小训练模型。
那么分类问题是否可以用线性回归模型预测呢。最简单的方法就是用softmax方法，softmax的原理：


以in_features个特征，out_features个类别为例。比如用花瓣大小、生长位置、花瓣形状三个因素，判断荷花和梅花，则in_features为3，out_feautures为2。


模型为
y1=x11w11+x12w12+x13w13+b1y2=x21w2]]></description><category></category></item><item><title><![CDATA[pytorch人工神经网络基础：线性回归神经网络(nn.Module+nn.Sequential+nn.Linear+nn.init+optim.SGD)]]></title><link>https://blog.youkuaiyun.com/hustlei/article/details/123598993</link><guid>https://blog.youkuaiyun.com/hustlei/article/details/123598993</guid><author>hustlei</author><pubDate>Sat, 19 Mar 2022 17:45:15 +0800</pubDate><description><![CDATA[线性回归是人工神经网络的基础，感知机都就是单层或少数层的线性回归。线性回归属于有监督的学习，即根据有标签（已知结果的数据）拟合线性方程权重，然后根据拟合的方程预测未知数据。
通常步骤为：

准备数据：获取有标签的数据（有结果的数据）。
建立模型：根据线性方程设计模型。
配置模型：确定损失函数、优化方法、初始化参数。
训练模型：根据有标签的数据进行回归学习。
测试：根据训练好的（回归结果）线性方程模型计算，评估模型是否准确。

1 准备工作
导入必要的库。
import torch
from torch im]]></description><category></category></item><item><title><![CDATA[人工神经网络基础：最小二乘法线性回归]]></title><link>https://blog.youkuaiyun.com/hustlei/article/details/123414028</link><guid>https://blog.youkuaiyun.com/hustlei/article/details/123414028</guid><author>hustlei</author><pubDate>Thu, 10 Mar 2022 23:20:25 +0800</pubDate><description><![CDATA[先放上代码和注释吧，有空再写
#!/usr/bin/env python
# -*- coding: utf-8 -*-

'''最小二乘法回归y=wx+b。
by lei&lt;hustlei@sina.cn&gt;
'''

import numpy as np
import matplotlib.pyplot as plt

#回归数据集

##生成数据集
'''在线性方程y=2x+3上，随机取N个点，加上随机噪声，作为回归对象'''
N=200  #回归数据点个数。
np.random.seed(2]]></description><category></category></item><item><title><![CDATA[Scipy系列(二)：线性代数及积分]]></title><link>https://blog.youkuaiyun.com/hustlei/article/details/123240172</link><guid>https://blog.youkuaiyun.com/hustlei/article/details/123240172</guid><author>hustlei</author><pubDate>Wed, 02 Mar 2022 21:02:39 +0800</pubDate><description><![CDATA[Scipy系列目录

文章目录一、 概述二、 Scipy线性代数1 Scipy基本功能2 解线性方程组3 矩阵分解4 特征值和特征向量5 矩阵函数6 矩阵方程求解器(控制理论方程)三、 Scipy积分1 对给定函数积分1.1 通用积分1.2 向量函数积分1.3 多重积分1.3.1 双重积分1.3.2 多重积分1.4 高斯积分法计算积分1.5 Romberg方法计算积分2 对给定样本进行离散积分2.1 梯形法离散积分2.2 梯形法累计计算离散积分2.3 辛普森法计算离散积分2.4 Romberg法计算离散积分]]></description><category></category></item><item><title><![CDATA[Scipy系列(一)：常量、IO及特殊函数]]></title><link>https://blog.youkuaiyun.com/hustlei/article/details/123094744</link><guid>https://blog.youkuaiyun.com/hustlei/article/details/123094744</guid><author>hustlei</author><pubDate>Wed, 23 Feb 2022 17:12:41 +0800</pubDate><description><![CDATA[Scipy系列目录

文章目录一、 概述二、 思维导图三、 Scipy常量、IO及特殊函数1 Scipy常量模块(scipy.constants)1.1 数学常数1.2 物理常数1.3 单位信息2. 特殊函数(scipy.special)3 输入输出(scipy.io)3.1 matlab数据文件3.2 wav声音文件

一、 概述
相比Numpy，Scipy提供了非常多的物理常量以及单位信息，提供了非常多的基础数学函数和特殊数学函数。比如光速、普朗克常量、电子质量以及各种物理量单位，贝塞尔基函数、伽玛函数]]></description><category></category></item><item><title><![CDATA[Scipy系列目录]]></title><link>https://blog.youkuaiyun.com/hustlei/article/details/123093966</link><guid>https://blog.youkuaiyun.com/hustlei/article/details/123093966</guid><author>hustlei</author><pubDate>Wed, 23 Feb 2022 16:49:14 +0800</pubDate><description><![CDATA[Python科学计算和数据分析库系列目录

Scipy简介
Scipy是基于Numpy的科学计算工具库，方便、易于使用、专为科学和工程设计，是一个用于数学、科学、工程领域的常用软件包。
Scipy提供了许多用户友好和高效的高阶方法，如插值，积分，统计，优化，图像处理等等。
Scipy包含Matlab的大多计算功能（Simulink和行业库除外），和数据处理的关系不大，数值计算或者工程研究应用更多一些。
Scipy系列目录

[Scipy系列（一）：常数、IO和特殊函数]
[Scipy系列（二）：线性代数及积]]></description><category></category></item><item><title><![CDATA[Seaborn系列(六)：样式、数据集及组合图]]></title><link>https://blog.youkuaiyun.com/hustlei/article/details/123092678</link><guid>https://blog.youkuaiyun.com/hustlei/article/details/123092678</guid><author>hustlei</author><pubDate>Wed, 23 Feb 2022 16:13:10 +0800</pubDate><description><![CDATA[Seaborn系列目录

文章目录1. Seaborn样式1.1 设绘seaborn主题1.2 style样式设置1.3 可用样式style1.4 颜色盘设置1.5 上下文设置1.6 恢复默认样式2. 组合图2.1 jointplot组合分布图2.2 pairplot配对关系图

1. Seaborn样式
1.1 设绘seaborn主题
sns.set_theme()  #切换到seaborn默认主题。
#sns.set()      #set是set_theme的别称，通常建议使用set函数


在0.8]]></description><category></category></item><item><title><![CDATA[Seaborn系列(五)：回归(Regression)及矩阵(Matrix)绘图]]></title><link>https://blog.youkuaiyun.com/hustlei/article/details/123092483</link><guid>https://blog.youkuaiyun.com/hustlei/article/details/123092483</guid><author>hustlei</author><pubDate>Wed, 23 Feb 2022 16:07:31 +0800</pubDate><description><![CDATA[Seaborn系列目录

文章目录1. 回归及矩阵绘图API概述2. 回归统计绘图2.1 lmplot、regplot绘图2.2 residplot绘图3. 矩阵图3.1 heatmap热力图3.2 clustermap分层聚合热力图


Seaborn中的回归包括回归拟合曲线图以及回归误差图。
Matrix图主要是热度图。

1. 回归及矩阵绘图API概述
seaborn中“回归”绘图函数共3个：
lmplot（回归统计绘图）：figure级regplot函数，绘图同regplot完全相同。(lm指lin]]></description><category></category></item><item><title><![CDATA[Seaborn系列(四)：类别统计绘图(categorical)]]></title><link>https://blog.youkuaiyun.com/hustlei/article/details/123091969</link><guid>https://blog.youkuaiyun.com/hustlei/article/details/123091969</guid><author>hustlei</author><pubDate>Wed, 23 Feb 2022 16:00:40 +0800</pubDate><description><![CDATA[Seaborn系列目录

文章目录1. 类别统计绘图API概述2. catplot基本绘图2.1 catplot绘制分类散点图2.2 catplot绘制分类分布图2.3 catplot绘制分类估计图3. 分类散点图3.1 strip图3.2 swarm图4 分类分布图4.1 box图4.2 boxen图4.3 violin图5. 分类估计图5.1 barplot5.2 pointplot5.3 countplot


在研究数值变量之间的关系时，如果其中一个主要变量是"类别"，那么使用更类别统计绘图方法可能]]></description><category></category></item><item><title><![CDATA[Seaborn系列(三)：分布统计绘图(distribution)]]></title><link>https://blog.youkuaiyun.com/hustlei/article/details/123091236</link><guid>https://blog.youkuaiyun.com/hustlei/article/details/123091236</guid><author>hustlei</author><pubDate>Wed, 23 Feb 2022 15:46:33 +0800</pubDate><description><![CDATA[Seaborn系列目录

文章目录1. 分布统计绘图API概述2. displot单变量分布图(直方图、核密度、累积分布)2.1 displot函数绘制单变量分布图2.2 displot直方图kde图同时叠加绘制2.3 displot绘图同时叠加rug图2.4 displot双变量分布图(直方图、核密度)2.5 displot分组统计绘图2.6 displot绘制多个子图3 displot、histplot直方图详解3.1 直方图基本参数设置3.1.1 横向直方图3.1.2 直方柱数量3.1.3 直方图样式]]></description><category></category></item><item><title><![CDATA[Seaborn系列(二)：关系绘图]]></title><link>https://blog.youkuaiyun.com/hustlei/article/details/123088009</link><guid>https://blog.youkuaiyun.com/hustlei/article/details/123088009</guid><author>hustlei</author><pubDate>Wed, 23 Feb 2022 15:24:44 +0800</pubDate><description><![CDATA[Seaborn系列目录

文章目录1. 关系绘图API概述2. relplot散点图2.1 relplot简单的关系绘图2.2 relplot颜色(hue)分组绘图2.3 relplot样式(style)分组绘图2.4 relplot多子图绘图3. relplot折线图3.1 relplot折线图(是否自动排序绘图)3.2 示例数据集3.3 relplot折线图(x,y一对多，聚类绘制)3.4 relplot分组绘图(hue、style、size)3.5 relplot分组绘图样式4. scatterplo]]></description><category></category></item><item><title><![CDATA[Seaborn系列(一)：绘图基础、函数分类、长短数据类型支持]]></title><link>https://blog.youkuaiyun.com/hustlei/article/details/123087693</link><guid>https://blog.youkuaiyun.com/hustlei/article/details/123087693</guid><author>hustlei</author><pubDate>Wed, 23 Feb 2022 13:35:14 +0800</pubDate><description><![CDATA[Seaborn系列目录

文章目录1. Seaborn特点2. 基本绘图方法2.1 numpy数组数据绘图2.2 pandas数组数据绘图3. Seaborn函数分类3.1 根据图形控制级别分类3.2 绘图函数功能分类4. 长格式、短格式数据Seaborn绘图4.1 长格式、短格式数据4.2 宽格式数据绘图4.3 长格式数据绘图4.4 凌乱数据5. Seaborn dataset数据集5.1 load_dataset及缓存5.2 数据集说明

1. Seaborn特点
Seaborn是一个基于matplot]]></description><category></category></item><item><title><![CDATA[Seaborn系列目录]]></title><link>https://blog.youkuaiyun.com/hustlei/article/details/123087608</link><guid>https://blog.youkuaiyun.com/hustlei/article/details/123087608</guid><author>hustlei</author><pubDate>Wed, 23 Feb 2022 13:08:15 +0800</pubDate><description><![CDATA[Seaborn简介
Seaborn是基于matplotlib的2D绘图库。它在统计绘图方面更加方便易用，并且有自己预定义的样式。
Seaborn并非用于替代matplotlib，而是对于数据分析等工作更加方便。
Seaborn系列目录

Seaborn系列（一）：绘图基础、函数分类、长短数据类型支持及数据集
[Seaborn系列（二）：关系绘图]
[Seaborn系列（三）：分布统计绘图]
[Seaborn系列（四）：分类统计绘图]
[Seaborn系列（五）：回归及矩阵绘图]
[Seaborn系列（六）：]]></description><category></category></item><item><title><![CDATA[docker常用命令]]></title><link>https://blog.youkuaiyun.com/hustlei/article/details/122786476</link><guid>https://blog.youkuaiyun.com/hustlei/article/details/122786476</guid><author>hustlei</author><pubDate>Fri, 04 Feb 2022 22:23:11 +0800</pubDate><description><![CDATA[文章目录1. docker安装2. docker镜像操作3. 容器操作4. 容器生命周期管理5. docker服务(service)管理

docker虽然有windows、macos版本，但是只建议在linux上用docker。
因为docker只能在linux中实现容器(其他系统实际上是安装linux虚拟机上使用docker)。

1. docker安装
curl -fsSL https://get.docker.com | bash -s docker --mirror Aliyun
#从脚本安装Do]]></description><category></category></item><item><title><![CDATA[常用git命令表]]></title><link>https://blog.youkuaiyun.com/hustlei/article/details/122737736</link><guid>https://blog.youkuaiyun.com/hustlei/article/details/122737736</guid><author>hustlei</author><pubDate>Fri, 28 Jan 2022 22:51:08 +0800</pubDate><description><![CDATA[git常用命令]]></description><category></category></item><item><title><![CDATA[Matplotlib系列(八)：嵌入Python Qt界面]]></title><link>https://blog.youkuaiyun.com/hustlei/article/details/122666943</link><guid>https://blog.youkuaiyun.com/hustlei/article/details/122666943</guid><author>hustlei</author><pubDate>Mon, 24 Jan 2022 14:32:17 +0800</pubDate><description><![CDATA[Matplotlib系列目录

文章目录一、 简介二、 思维导图三、 Matplotlib嵌入PyQt界面及Web界面1. Matplotlib嵌入GUI基本方法2. matplotlib界面渲染引擎2.1 可用的渲染引擎后端2.2.渲染引擎后端设置3. 可嵌入GUI的画布2.3.1 画布及backend模块2.3.2 qt创建画布的方法3. Matplotlib嵌入Qt3.1 Matplotlib嵌入Qt GUI示例3.2 Matplotlib画布工具栏4 Matplotlib与GUI互动操作5 Matp]]></description><category></category></item><item><title><![CDATA[Matplotlib系列(七)：动画]]></title><link>https://blog.youkuaiyun.com/hustlei/article/details/122655175</link><guid>https://blog.youkuaiyun.com/hustlei/article/details/122655175</guid><author>hustlei</author><pubDate>Sun, 23 Jan 2022 19:16:38 +0800</pubDate><description><![CDATA[Matplotlib系列目录

文章目录一、 简介二、 思维导图三、 Matplotlib动画及图形修改操作1.  手写代码更新图形实现动画2. animation模块动画2.1 Animation类简介2.2 FuncAnimation动画2.3 ArtistAnimation动画2.4 保存动画3. 常用图形更新函数参考文章

一、 简介
‎matplotlib的animation模块可以实现高效的动画绘制，并能够保持到gif或者视频文件中。
‎matplotlib中的图形，如线条、点、坐标系、柱形图等]]></description><category></category></item><item><title><![CDATA[Matplotlib系列(六)：路径、面片和集合]]></title><link>https://blog.youkuaiyun.com/hustlei/article/details/122650988</link><guid>https://blog.youkuaiyun.com/hustlei/article/details/122650988</guid><author>hustlei</author><pubDate>Sun, 23 Jan 2022 14:23:47 +0800</pubDate><description><![CDATA[Matplotlib系列目录

文章目录一、 简介二、 思维导图三、 Matplotlib路径、块、集合1. 路径(Path)和块(Patch)1.1 预定义基本图形patch1.1.1 圆形1.1.2 矩形1.1.3 椭圆形1.1.4 圆弧1.1.5 多边形1.1.6 正多边形1.1.7 圆环1.1.8 楔形、扇形1.1.9 阴影1.2 自定义patch和path1.2.1 用预定义path创建patch1.2.3 文本path1.2.4 自定义path1.2.3 path特效1.2.4 path蒙版2.]]></description><category></category></item><item><title><![CDATA[Matplotlib系列(五)：三维绘图]]></title><link>https://blog.youkuaiyun.com/hustlei/article/details/122634112</link><guid>https://blog.youkuaiyun.com/hustlei/article/details/122634112</guid><author>hustlei</author><pubDate>Sat, 22 Jan 2022 10:56:03 +0800</pubDate><description><![CDATA[Matplotlib系列目录

文章目录一、 简介二、 思维导图三、 Matplotlib三维图形1. 绘制3d图形2. 基本三维图像2.1 3d折线图2.2  3d散点图2.3 3d柱形图2.4 3d火柴图2.5 3d误差图3. 三维曲面3.1  3d网格面3.2 3d曲面3.3 3d非结构化三角网格3.4 3d非结构化网格等值线4. 3d标量矢量场4.1 3d等高线4.2 3d矢量图5. 其他5.1 3d文本5.2 图形旋转5.3 三维体元素参考文章

一、 简介
‎matplotlib现在已经支持很多]]></description><category></category></item></channel></rss>