<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[qa38113202的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/qa38113202</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; qa38113202]]></copyright><item><title><![CDATA[docker入门]]></title><link>https://blog.youkuaiyun.com/qa38113202/article/details/109966844</link><guid>https://blog.youkuaiyun.com/qa38113202/article/details/109966844</guid><author>qa38113202</author><pubDate>Sun, 22 Nov 2020 22:55:35 +0800</pubDate><description><![CDATA[目录

一.Docker组件

1.1 Docker镜像

1.2 Registry（中央仓库）

1.3 Docker容器

二.Docker安装与启动

2.1安装Docker

2.2 安装后查看Docker版本

2.3 启动与停止Docker

三.Docker镜像操作

3.1什么是Docker镜像

3.2列出镜像

3.3搜索镜像

3.4拉取镜像

3.4.1从Docker Hub拉取

3.4.2 ustc的镜像

3.5 删除镜像

4.Docker容器操作

4.1查看容器

4.2]]></description><category></category></item><item><title><![CDATA[nexus使用及原理]]></title><link>https://blog.youkuaiyun.com/qa38113202/article/details/103712094</link><guid>https://blog.youkuaiyun.com/qa38113202/article/details/103712094</guid><author>qa38113202</author><pubDate>Thu, 26 Dec 2019 14:33:46 +0800</pubDate><description><![CDATA[一.nexus仓库介绍





二.nexus原理



三. 私服配置

  修改maven服务器setting.xml文件

 配置服务器


  &lt;!--配置服务端的一些设置。一些设置如安全证书不应该和pom.xml一起分发。这种类型的信息应该存在于构建服务器上的settings.xml文件中。--&gt;
  &lt;servers&gt;
    &lt;server&...]]></description><category></category></item><item><title><![CDATA[maven私服nexus搭建]]></title><link>https://blog.youkuaiyun.com/qa38113202/article/details/103709866</link><guid>https://blog.youkuaiyun.com/qa38113202/article/details/103709866</guid><author>qa38113202</author><pubDate>Thu, 26 Dec 2019 11:04:26 +0800</pubDate><description><![CDATA[一.搭建环境

 centos6.7

二.安装包下载

 1.下载地址

 https://help.sonatype.com/repomanager3/download/download-archives---repository-manager-3

 

三.安装

  上传nexus-3.12.1-01-unix.tar.gz 到centos  /usr/lo...]]></description><category></category></item><item><title><![CDATA[一张图读懂softmax分类器]]></title><link>https://blog.youkuaiyun.com/qa38113202/article/details/82288174</link><guid>https://blog.youkuaiyun.com/qa38113202/article/details/82288174</guid><author>qa38113202</author><pubDate>Sat, 01 Sep 2018 16:15:34 +0800</pubDate><description><![CDATA[

 即  -log(24.5/24.5+164+0.18)

 



目标函数



 



 

]]></description><category></category></item><item><title><![CDATA[机器学习:线性回归(最小二乘法代码)]]></title><link>https://blog.youkuaiyun.com/qa38113202/article/details/82154685</link><guid>https://blog.youkuaiyun.com/qa38113202/article/details/82154685</guid><author>qa38113202</author><pubDate>Tue, 28 Aug 2018 21:18:25 +0800</pubDate><description><![CDATA[

'''
最小二乘法求解线性回归
'''
import pandas as pd
import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as plt

from sklearn.model_selection import train_test_split

#防止中文乱码
plt.rcParams['font....]]></description><category></category></item><item><title><![CDATA[隐马尔可夫模型（一）]]></title><link>https://blog.youkuaiyun.com/qa38113202/article/details/81843247</link><guid>https://blog.youkuaiyun.com/qa38113202/article/details/81843247</guid><author>qa38113202</author><pubDate>Sun, 19 Aug 2018 23:06:43 +0800</pubDate><description><![CDATA[马尔可夫链


马尔可夫链是指具有马尔可夫性质的随机过程。在过程中，在给定当前信息的情

况下，过去的信息状态对于预测将来状态是无关的。

在马尔可夫链的每一步，系统根据概率分布，可以从一个状态变成另外一个状态，也可以保持当前状态不变。状态的改变叫做转移，状态改变的相关概率叫做转移概率。

马尔可夫链中的三元素是：状态空间S、转移概率矩阵P、初始概率分布π。

案例：









从上面两个...]]></description><category></category></item><item><title><![CDATA[最大熵模型]]></title><link>https://blog.youkuaiyun.com/qa38113202/article/details/81782794</link><guid>https://blog.youkuaiyun.com/qa38113202/article/details/81782794</guid><author>qa38113202</author><pubDate>Fri, 17 Aug 2018 20:38:50 +0800</pubDate><description><![CDATA[


 P(概率越大) -&amp;gt; H(X)熵值越小   === x越大---&amp;gt; y绝对值越小   x&amp;lt;=1

P(概率越小) -&amp;gt; H(X)熵值越大 === x越小---&amp;gt; y绝对值越小   x&amp;lt;=1

正好对数函数可以表达这个意思

log(p(x)) -&amp;gt; p(x)*log(p(x))    又因为 p(x)*log(p(x)) 为负数 --&amp;gt;加上负...]]></description><category></category></item><item><title><![CDATA[第一章 1.9 条件概率（3）（全概率公式，贝叶斯公式）]]></title><link>https://blog.youkuaiyun.com/qa38113202/article/details/81780631</link><guid>https://blog.youkuaiyun.com/qa38113202/article/details/81780631</guid><author>qa38113202</author><pubDate>Fri, 17 Aug 2018 17:14:13 +0800</pubDate><description><![CDATA[
 


（一）全概率公式


















 


 （二）贝叶斯公式









]]></description><category></category></item><item><title><![CDATA[第一章 1.8 条件概率（2）（乘法公式）]]></title><link>https://blog.youkuaiyun.com/qa38113202/article/details/81780177</link><guid>https://blog.youkuaiyun.com/qa38113202/article/details/81780177</guid><author>qa38113202</author><pubDate>Fri, 17 Aug 2018 16:52:36 +0800</pubDate><description><![CDATA[










 



 


 

 ]]></description><category></category></item><item><title><![CDATA[第一章 1.7 条件概率（1）]]></title><link>https://blog.youkuaiyun.com/qa38113202/article/details/81779497</link><guid>https://blog.youkuaiyun.com/qa38113202/article/details/81779497</guid><author>qa38113202</author><pubDate>Fri, 17 Aug 2018 16:44:01 +0800</pubDate><description><![CDATA[(一) 条件概率


条件概率是概率论中的一个重要而实用的概念。

所考虑的是在一个事件已经发生的条件下， 另一事件发生的概率。


























(二) 乘法定理

 

(三) 全概率公式和贝叶斯公式

 ...]]></description><category></category></item><item><title><![CDATA[第一章 1.6  等可能概型(古典概型1)]]></title><link>https://blog.youkuaiyun.com/qa38113202/article/details/81779267</link><guid>https://blog.youkuaiyun.com/qa38113202/article/details/81779267</guid><author>qa38113202</author><pubDate>Fri, 17 Aug 2018 16:19:40 +0800</pubDate><description><![CDATA[
抛掷硬币和骰子的试验具有以下两个共同特点：

试验的样本空间包含有限个元素：
掷硬币的试验的样本空间S={ 正面(H), 反面(T) }

抛掷骰子的试验的样本空间 S={ 1, 2, 3, 4, 5, 6 }

试验中每个基本事件发生的可能性相同：
掷硬币的试验中，H和T出现的可能性都是1/2。

抛掷骰子的试验中，每一点出现的可能性都是1/6。

 

具有以上两个特点的试验大量存在。这种试...]]></description><category></category></item><item><title><![CDATA[第一章 1.5 概率的基本性质]]></title><link>https://blog.youkuaiyun.com/qa38113202/article/details/81778624</link><guid>https://blog.youkuaiyun.com/qa38113202/article/details/81778624</guid><author>qa38113202</author><pubDate>Fri, 17 Aug 2018 16:07:10 +0800</pubDate><description><![CDATA[
在计算随机事件的概率时，

常常需要计算事件中包含的样本点的个数，

这就需要掌握计数的方法。

这一讲介绍计数的几种方法： 加法原理与乘法原理、

排列与组合。


一、加法原理与乘法原理


加法原理  分类计数

	设完成一件事有k类方法，每类分别有 m1, m2,…, mk 种方法， 而完成这件事只要选择任一类方法中的任何一种方法，则完成这件事的方法有 m1+m2+…+mk 种
	
	
...]]></description><category></category></item><item><title><![CDATA[第一章 1.4 概率的基本性质]]></title><link>https://blog.youkuaiyun.com/qa38113202/article/details/81778389</link><guid>https://blog.youkuaiyun.com/qa38113202/article/details/81778389</guid><author>qa38113202</author><pubDate>Fri, 17 Aug 2018 15:32:28 +0800</pubDate><description><![CDATA[

 



















 ]]></description><category></category></item><item><title><![CDATA[第一章 1.3 频率与概率]]></title><link>https://blog.youkuaiyun.com/qa38113202/article/details/81777803</link><guid>https://blog.youkuaiyun.com/qa38113202/article/details/81777803</guid><author>qa38113202</author><pubDate>Fri, 17 Aug 2018 15:20:32 +0800</pubDate><description><![CDATA[
概率论研究的是随机现象的统计规律性。

因此，仅仅知道试验中可能出现哪些事件是不够的，还必须对事件发生的可能性大小进行量的描述，

也就是用一个实数来描述某个事件在一次试验中发生的可能性大小。

为此，我们首先引入频率的概念。

频率是描述事件发生的频繁程度的一个量。然后引出表征事件在一次试验中发生的可能

性的大小的数，即事件的概率


 （一） 频 率


随机事件在一次试验中是否发生是不确...]]></description><category></category></item><item><title><![CDATA[第一章 1.2概率论的基本概念]]></title><link>https://blog.youkuaiyun.com/qa38113202/article/details/81777121</link><guid>https://blog.youkuaiyun.com/qa38113202/article/details/81777121</guid><author>qa38113202</author><pubDate>Fri, 17 Aug 2018 15:00:35 +0800</pubDate><description><![CDATA[回忆事件的概念


随机试验 E 的样本空间 S 的子集 A 称为E 的随机事件，简称事件。

当 A 中某一个样本点出现时，就说事件A 发生了。

由一个样本点 e 组成的单点集 {e} 称为基本事件。

一般的事件是由基本事件复合而成的， 而基本事件是不能再分解的事件。


 

（三）随机事件的关系与运算

 


一个事件 A 是样本空间 S 的一个子集，

因此事件之间的关系以及事件的运...]]></description><category></category></item><item><title><![CDATA[第0章 机器学习概率论]]></title><link>https://blog.youkuaiyun.com/qa38113202/article/details/81776665</link><guid>https://blog.youkuaiyun.com/qa38113202/article/details/81776665</guid><author>qa38113202</author><pubDate>Fri, 17 Aug 2018 14:22:16 +0800</pubDate><description><![CDATA[排列数


从m个不同元素中取出n(n ≤ m)个元素(被取出的元素各不相同)，并按

照一定的顺序排成一列(一般顺序是抽取出来的顺序)，叫做从m个不同元素中取出n个元素的一个排列。记作:A(m,n)


组合数


从m个不同元素中取出n(n ≤ m)个元素的所有组合的个数，叫做从m个

不同元素中取出n个元素的组合数。记作:C(m,n)

 


古典概率


概率是以假设为基础的，即假定随机...]]></description><category></category></item><item><title><![CDATA[第一章 1.1概率论的基本概念]]></title><link>https://blog.youkuaiyun.com/qa38113202/article/details/81776346</link><guid>https://blog.youkuaiyun.com/qa38113202/article/details/81776346</guid><author>qa38113202</author><pubDate>Fri, 17 Aug 2018 13:54:58 +0800</pubDate><description><![CDATA[第一章 概率论的基本概念

（一）样本空间


对于随机试验，尽管在每次试验之前不能预知试验的结果，但是试验的所有可能的结果是已知的。

我们将随机试验 E 的所有可能的结果组成的集合称为 E 的样本空间(Sample space)，记为 S (或Ω) 。

样本空间的元素，即 E 的每一个结果，称为

样本点。

如果试验 E 的可能的结果是 e1,e2 ,…,en ,…

则这些结果就是 E ...]]></description><category></category></item><item><title><![CDATA[深度学习VGG代码实现]]></title><link>https://blog.youkuaiyun.com/qa38113202/article/details/81713322</link><guid>https://blog.youkuaiyun.com/qa38113202/article/details/81713322</guid><author>qa38113202</author><pubDate>Thu, 16 Aug 2018 00:00:50 +0800</pubDate><description><![CDATA[VGG网络结构





#pip install tflearn
from tflearn.datasets import oxflower17
import tensorflow as tf
#mnist oxflower17 cifar10 cifar100 图像有关数据
X,Y=oxflower17.load_data(one_hot=True)  #下载oxflower17数据集

pr...]]></description><category></category></item><item><title><![CDATA[卷积神经网络学习 1]]></title><link>https://blog.youkuaiyun.com/qa38113202/article/details/81675470</link><guid>https://blog.youkuaiyun.com/qa38113202/article/details/81675470</guid><author>qa38113202</author><pubDate>Tue, 14 Aug 2018 23:39:48 +0800</pubDate><description><![CDATA[

CNN主要层次结构 ：



  

 







窗口滑动演示链接 http://cs231n.github.io/assets/conv-demo/index.html



经过一次卷积之后 变为3X3X2的结构    7=》3 计算公式

（with - filterwith）/step  + 1  =&amp;gt;   (7-3)/2 + 1 =3   (注意整理分为 长宽2个方向)
...]]></description><category></category></item><item><title><![CDATA[区块链学习笔记1 -区块链6层模型]]></title><link>https://blog.youkuaiyun.com/qa38113202/article/details/81627641</link><guid>https://blog.youkuaiyun.com/qa38113202/article/details/81627641</guid><author>qa38113202</author><pubDate>Mon, 13 Aug 2018 12:15:21 +0800</pubDate><description><![CDATA[区块链技术的模型是由自下而上的数据层、网络层、共识层、激励层、合约层和应用层组成。



数据层：是区块链模型的最底层，他封装了数据区块的链式结构，以及非对称的公匙私匙加密技术和时间戳技术。

网络层：点对点（P2P）的组网机制，数据传播和数据验证机制，因为P2P的特性，区块链具有自动组网的机制，常常被称作分布式自治系统（DAOs）。

共识层：主要负责共识算法和共识机制，目前最常见也是较为成熟的...]]></description><category></category></item></channel></rss>