<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[junxing2018_wu的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/junxing2018_wu</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; junxing2018_wu]]></copyright><item><title><![CDATA[正则表达式整理]]></title><link>https://blog.youkuaiyun.com/junxing2018_wu/article/details/130620246</link><guid>https://blog.youkuaiyun.com/junxing2018_wu/article/details/130620246</guid><author>junxing2018_wu</author><pubDate>Thu, 11 May 2023 13:50:37 +0800</pubDate><description><![CDATA[正则表达式整理]]></description><category></category></item><item><title><![CDATA[python线程池 ThreadPoolExecutor]]></title><link>https://blog.youkuaiyun.com/junxing2018_wu/article/details/130620181</link><guid>https://blog.youkuaiyun.com/junxing2018_wu/article/details/130620181</guid><author>junxing2018_wu</author><pubDate>Thu, 11 May 2023 13:49:16 +0800</pubDate><description><![CDATA[python 线程池 ThreadPoolExecutor]]></description><category></category></item><item><title><![CDATA[Pytorch基础知识]]></title><link>https://blog.youkuaiyun.com/junxing2018_wu/article/details/126375840</link><guid>https://blog.youkuaiyun.com/junxing2018_wu/article/details/126375840</guid><author>junxing2018_wu</author><pubDate>Tue, 16 Aug 2022 22:41:02 +0800</pubDate><description><![CDATA[PyTorch基础知识介绍]]></description><category></category></item><item><title><![CDATA[PyTorch的简介和安装]]></title><link>https://blog.youkuaiyun.com/junxing2018_wu/article/details/126375374</link><guid>https://blog.youkuaiyun.com/junxing2018_wu/article/details/126375374</guid><author>junxing2018_wu</author><pubDate>Tue, 16 Aug 2022 22:11:17 +0800</pubDate><description><![CDATA[Pytorch的简介和安装]]></description><category></category></item><item><title><![CDATA[发音测评 kaldi compute gop 保姆级实战指南]]></title><link>https://blog.youkuaiyun.com/junxing2018_wu/article/details/126334989</link><guid>https://blog.youkuaiyun.com/junxing2018_wu/article/details/126334989</guid><author>junxing2018_wu</author><pubDate>Sun, 14 Aug 2022 19:09:28 +0800</pubDate><description><![CDATA[发音测评 kaldi compute gop 动手操作]]></description><category></category></item><item><title><![CDATA[html 中 textarea,input 文本输入框 限制输入内容]]></title><link>https://blog.youkuaiyun.com/junxing2018_wu/article/details/125045182</link><guid>https://blog.youkuaiyun.com/junxing2018_wu/article/details/125045182</guid><author>junxing2018_wu</author><pubDate>Mon, 30 May 2022 15:00:30 +0800</pubDate><description><![CDATA[经常碰到需要控制表单元素输入的类型，然后每次总是百度，然后复制粘贴，特别浪费时间。
这里收集好方便直接使用。提供的方法非常简单使用直接嵌套在标签上使用，无需单独写js方法调用实现，
只能输入数字(小数点也不能输入)
&lt;input type="text" name="input_text" onkeyup="value=value.replace(/[^0-9]/g,'')" onpaste="value=value.replace(/[^0-9]/g,'')" oncontextmenu="value]]></description><category></category></item><item><title><![CDATA[【理论复习】线性代数基础]]></title><link>https://blog.youkuaiyun.com/junxing2018_wu/article/details/124831564</link><guid>https://blog.youkuaiyun.com/junxing2018_wu/article/details/124831564</guid><author>junxing2018_wu</author><pubDate>Tue, 17 May 2022 22:22:08 +0800</pubDate><description><![CDATA[线性代数基础]]></description><category></category></item><item><title><![CDATA[【理论复习】概率论基础]]></title><link>https://blog.youkuaiyun.com/junxing2018_wu/article/details/124676061</link><guid>https://blog.youkuaiyun.com/junxing2018_wu/article/details/124676061</guid><author>junxing2018_wu</author><pubDate>Mon, 09 May 2022 23:02:40 +0800</pubDate><description><![CDATA[概率论排列组合古典概型有放回 vs 无放回几何概型事件的概率事件的独立性条件概率全概率公式贝叶斯公式
排列组合


组合
Cnm=n!m!⋅(n−m)!
C_n^m= \frac {n!} {m! \cdot (n-m)!}
Cnm​=m!⋅(n−m)!n!​


排列
Anm=n!(n−m)!
A_n^m= \frac {n!} {(n-m)!}
Anm​=(n−m)!n!​



其中，n!=n⋅(n−1)⋅(n−2)⋅...⋅2⋅1n! = n \cdot (n-1) \cdot (n-2) \cdo]]></description><category></category></item><item><title><![CDATA[复习回归模型]]></title><link>https://blog.youkuaiyun.com/junxing2018_wu/article/details/120377955</link><guid>https://blog.youkuaiyun.com/junxing2018_wu/article/details/120377955</guid><author>junxing2018_wu</author><pubDate>Sun, 19 Sep 2021 12:29:36 +0800</pubDate><description><![CDATA[回归模型（regression model）对统计关系进行定量描述的一种数学模型。
回归模型是一种预测性的建模技术，它研究的是因变量（目标）和自变量（预测器）之间的关系。这种技术通常用于预测分析，时间序列模型以及发现变量之间的因果关系。例如，司机的鲁莽驾驶与道路交通事故数量之间的关系，最好的研究方法就是回归。(from [参考1])

回归模型的要素

自变量（数量——一个(元)或者多个(元)）
因变量（类型——连续或者离散(二进制)）
回归线的形状（拟合程度——线性或者非线性）
表达式
损失函数
评估指.]]></description><category></category></item><item><title><![CDATA[回归模型评价指标]]></title><link>https://blog.youkuaiyun.com/junxing2018_wu/article/details/119305420</link><guid>https://blog.youkuaiyun.com/junxing2018_wu/article/details/119305420</guid><author>junxing2018_wu</author><pubDate>Sun, 01 Aug 2021 23:06:08 +0800</pubDate><description><![CDATA[回归模型评价指标回归模型评价指标线性回归决定系数R2(coefficient of determination)Pearson相关系数（Pearson (product-moment) Correlation Coefficient）
回归模型评价指标
线性回归决定系数R2(coefficient of determination)


用于度量因变量的变异中可由自变量解释部分所占的比例，以此来判断统计模型的解释力


计算公司：
R2=SSRSST=1−SSESST
  R2 = \frac {SSR} ]]></description><category></category></item><item><title><![CDATA[逻辑回归（LR）总结]]></title><link>https://blog.youkuaiyun.com/junxing2018_wu/article/details/117520184</link><guid>https://blog.youkuaiyun.com/junxing2018_wu/article/details/117520184</guid><author>junxing2018_wu</author><pubDate>Thu, 03 Jun 2021 18:15:27 +0800</pubDate><description><![CDATA[逻辑回归（logistic regression）
性质

针对二分类问题
基于条件概率出发
线性回归函数（y=wTx+by=w^Tx+by=wTx+b 和 逻辑函数（y=11+e−xy=\frac {1} {1+e^{-x}}y=1+e−x1​）组合
是线性分类器（决策边界决定了LR是线性分类器）

计算过程


对于二分类问题
p(y=1∣x,w)=11+e−(wTx+b)p(y=0∣x,w)=e−(wTx+b)1+e−(wTx+b)
p(y=1| x, w) = \frac {1} {1+e^{-(w]]></description><category></category></item><item><title><![CDATA[数据结构- 散列表（hash table）总结]]></title><link>https://blog.youkuaiyun.com/junxing2018_wu/article/details/117486025</link><guid>https://blog.youkuaiyun.com/junxing2018_wu/article/details/117486025</guid><author>junxing2018_wu</author><pubDate>Wed, 02 Jun 2021 22:47:01 +0800</pubDate><description><![CDATA[版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明，违反必究。
本文链接：https数据结构- 散列表（hash table）总结定义散列表散列函数定义冲突装填因子散列函数构造构造散列函数的tips（理想状态）常用hash函数的构造方法常用冲突处理办法散列表的查找查找步骤查找性能
定义
散列表
根据给定的关键字来计算出关键字在表中的地址的数据结构。也就是说，散列表建立了关键字和存储地址之间的一种直接映射关系。
散列函数定义
一个把查找表中的关键字映射成该关]]></description><category></category></item><item><title><![CDATA[算法工程师面试——算法代码准备]]></title><link>https://blog.youkuaiyun.com/junxing2018_wu/article/details/117440975</link><guid>https://blog.youkuaiyun.com/junxing2018_wu/article/details/117440975</guid><author>junxing2018_wu</author><pubDate>Tue, 01 Jun 2021 14:45:28 +0800</pubDate><description><![CDATA[必备算法题二叉树遍历数组排序求最长公共子序列列举所有全排列判断链表中是否有环
二叉树遍历
# -*- coding: utf-8 -*-

from typing import List


class TreeNode:
    def __init__(self, x):
        self.val = x
        self.left = None
        self.right = None


class Solution:
    def preorderTraversal(s]]></description><category></category></item><item><title><![CDATA[二叉树多种遍历]]></title><link>https://blog.youkuaiyun.com/junxing2018_wu/article/details/116713857</link><guid>https://blog.youkuaiyun.com/junxing2018_wu/article/details/116713857</guid><author>junxing2018_wu</author><pubDate>Wed, 12 May 2021 16:53:00 +0800</pubDate><description><![CDATA[二叉树多种遍历非递归遍历（辅助栈）递归遍历莫里斯(Morris)遍历Morris遍历的实现原则
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明，违反必究。
本文链接：https://mp.youkuaiyun.com/console/article
遍历通常分为**前序遍历、中序遍历、后序遍历、层序遍历**四种方式。
需要提一句的是，遍历方式只是打印顺序而已，四种遍历复杂度是相同。

前序遍历：根 - 左 - 右
中序遍历：左 - 根 - 右
后序遍历：左 - 右]]></description><category></category></item><item><title><![CDATA[机器学习算法概论]]></title><link>https://blog.youkuaiyun.com/junxing2018_wu/article/details/114329140</link><guid>https://blog.youkuaiyun.com/junxing2018_wu/article/details/114329140</guid><author>junxing2018_wu</author><pubDate>Wed, 03 Mar 2021 18:53:31 +0800</pubDate><description><![CDATA[线性回归(Linear Regression)
线性回归应该是统计学和机器学习中最知名和最易理解的算法之一。
由于预测建模主要关注最小化模型的误差，或者以可解释性为代价来做出最准确的预测。
线性回归用一个等式 y = B0 + B1 * x 表示，通过找到输入变量的特定权重（B），来描述输入变量（x）与输出变量（y）之间的线性关系。
给定输入x，我们将预测y，线性回归学习算法的目标是找到系数B0和B1的值。
可以使用不同的技术从数据中学习线性回归模型，例如用于普通最小二乘和梯度下降优化的线性代数解。
线性回]]></description><category></category></item><item><title><![CDATA[python虚拟环境管理]]></title><link>https://blog.youkuaiyun.com/junxing2018_wu/article/details/114282098</link><guid>https://blog.youkuaiyun.com/junxing2018_wu/article/details/114282098</guid><author>junxing2018_wu</author><pubDate>Tue, 02 Mar 2021 12:01:53 +0800</pubDate><description><![CDATA[python虚拟环境管理
使用conda维护虚拟环境
如果安装了 Anaconda 的环境，强烈建议使用 conda 。
conda 其核心功能是包管理与环境管理，当然也可以对虚拟环境进行创建、删除等操作需要使用conda命令。
conda 本地环境常用操作

获取版本号

$ conda --version 或&nbsp;conda -V


检查更新当前conda

$ conda update conda


查看当前存在哪些虚拟环境

$ conda env list
$ conda info -e]]></description><category></category></item><item><title><![CDATA[排序算法总结--ING]]></title><link>https://blog.youkuaiyun.com/junxing2018_wu/article/details/109718472</link><guid>https://blog.youkuaiyun.com/junxing2018_wu/article/details/109718472</guid><author>junxing2018_wu</author><pubDate>Mon, 16 Nov 2020 12:12:35 +0800</pubDate><description><![CDATA[# -*- coding:utf-8 -*-

# 排序总结

# 冒泡
def maopao(nums: list) -&gt; list:
    length = nums.__len__()
    for i in range(length):
        for j in range(1, length):
            if nums[j - 1] &gt; nums[j]:
                nums[j - 1], nums[j] = nums[j], nums]]></description><category></category></item><item><title><![CDATA[二叉树的前中后序遍历]]></title><link>https://blog.youkuaiyun.com/junxing2018_wu/article/details/109529815</link><guid>https://blog.youkuaiyun.com/junxing2018_wu/article/details/109529815</guid><author>junxing2018_wu</author><pubDate>Fri, 06 Nov 2020 13:25:25 +0800</pubDate><description><![CDATA[# -*- coding:utf-8 -*-

from typing import List


class TreeNode:
	# Definition for a binary tree node.
    def __init__(self, val=0, left=None, right=None):
        self.val = val
        self.left = left
        self.right = right


class BinaryTreeTrave]]></description><category></category></item><item><title><![CDATA[Python async/await入门指南，协程学习]]></title><link>https://blog.youkuaiyun.com/junxing2018_wu/article/details/109507202</link><guid>https://blog.youkuaiyun.com/junxing2018_wu/article/details/109507202</guid><author>junxing2018_wu</author><pubDate>Thu, 05 Nov 2020 11:05:23 +0800</pubDate><description><![CDATA[在学习asyncio/await之前，我们先来理清楚同步/异步的概念：


同步是指完成事务的逻辑，先执行第一个事务，如果阻塞了，会一直等待，直到这个事务完成，再执行第二个事务，顺序执行。。。


异步是和同步相对的，异步是指在处理调用这个事务的之后，不会等待这个事务的处理结果，直接处理第二个事务去了，通过状态、通知、回调来通知调用者处理结果。


举个例子，
假如我要到一家超市去购买土豆，而超市货架上的商品数量是有限的。现在我想要买多件商品时，每次从货架上拿走一件商品放到购物车上。当货架上的商品不够的时候]]></description><category></category></item><item><title><![CDATA[docker-compose常用命令，使用记录]]></title><link>https://blog.youkuaiyun.com/junxing2018_wu/article/details/109379417</link><guid>https://blog.youkuaiyun.com/junxing2018_wu/article/details/109379417</guid><author>junxing2018_wu</author><pubDate>Fri, 30 Oct 2020 10:44:21 +0800</pubDate><description><![CDATA[docker-compose
安装
Docker for Mac 、Docker for Windows 直接有docker-compose的二进制文件，不需要再次安装；
这里只介绍Linux 安装，
下载地址：https://github.com/docker/compose/releases
$ sudo curl -L https://github.com/docker/compose/releases/download/1.24.0/docker-compose-`uname -s`-`uname ]]></description><category></category></item></channel></rss>