沐尔还吃

原创 数据结构-单链表

Python实现单链表的基本操作，并配合案例进行分析讲解

原创 保存和加载变量

在代码执行过程中，大小变量均可通过pickle保存下来然后通过load_variable加载进来import pickledef save_variable(v,filename): f=open(filename,'wb') pickle.dump(v,f) f.close() return filenamedef load_variable(filename): f=open(filename,'rb') r=pickle.load(f

原创 Python 批量解压

import osimport shutilimport rarfileimport zipfileimport redef main(target_path): for root, dirs, files in os.walk(target_path): now_dir = root # 解压后的存放目录 for file in files: path = os.path.join(now_dir, file) .

原创 keras模型写入json以及模型加载

模型写入jsonjson_string = model.to_json()with open("model.json", "w") as json_file: json_file.write(json_string)加载json模型from tensorflow.keras.models import (Model, model_from_json, load_model)with open('model.json, 'r') as f: model = model_

原创 读取12导联ECG信号，保存为多行多列的图片

def plot_fig(ID): sig, info = read_ecg_record_and_info(ID) row, col = sig.shape splines = ['right', 'left', 'top', 'bottom'] sig = sig.T with plt.style.context(['notebook', 'no-latex']): fig, ax = plt.subplots(row//2, 2, figsiz.

原创 plot配色方案、Science期刊格式化输出图

一行代码绘制不同期刊格式图表不同的配色方案首先安装SciencePlots包pip install SciencePlots然后绘制图像import numpy as np import matplotlib.pyplot as plt def model(x, p): return x ** (2 * p + 1) / (1 + x ** (2 * p))x = np.linspace(0.75, 1.25, 201)with plt.style.context(['sci

原创 针对1维信号的模型torchsummary统计

torch实现keras中的model.summary()效果

原创 python request 从biquge等小说网站爬取章节内容

# biqige extract novel codeimport requestsfrom bs4 import BeautifulSoup#请求头字典req_header={'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8','Accept-Encoding':'gzip, deflate','Accept-Language':'zh-CN,zh

原创 将数据写为wfdb可用的文件，自动生成dat, atr, hea文件

将tele数据集写为wfdb可用的数据集TELE_data = np.load('Tele.npy', allow_pickle=True)for i in range(250): dat = TELE_data[i]# print(dat['labels']) sample = np.where(dat['qrs']==1)[0] symbol = np....

原创 python plot线形和颜色

（1）线形：'-' solid line style'--' dashed line style'-.' dash-dot line style':' dotted line style（2）marker类型：'.' point marker',' pixel marker'o' circle...

转载 python 绘图

（1）散点图：x x轴y y轴s 圆点面积c 颜色marker 圆点形状alpha 圆点透明度#其他图也类似这种配置N=50x=np.random.randn(N)y=np.random.randn(N)plt.scatter(x,y,s=50,c='r',marker='o',alpha=0.5)plt.show()...

原创 批量下载文件python代码

# summary: 使用 requests 下载大文件代码如下：https://download.youkuaiyun.com/download/qq_20406597/11457955# encoding: utf-8# author: walker# date: 2018-06-11# summary: 使用 requests 下载大文件import timeimport req...

转载 Python中 sys.argv[]的用法简明解释

因为是看书自学的python,开始后不久就遇到了这个引入的模块函数，且一直在IDLE上编辑了后运行，试图从结果发现它的用途，然而结果一直都是没结果，也在网上查了许多，但发现这个问题的比较详细的解释只有一个版本，大部分都是转裁和复制的。给的都是简明python教程上那个一长串代码的例子，说看了就明白了，可我看得晕头转向的还是没真正明白，只知道“sys.argv[0]表示代码本身文件路径”这点，其实还...

原创 输入一个有符号整数，输出该整数的反转值。

 while True:    try:        a=input()        length=len(a)        t=[]        if(a[0]=='-'):            t.append('-')            for i in range(length-1,0,-1):                t.append((a[i])...

原创 用x,y表示一个整数范围区间，现在输入一组这样的范围区间(用空格隔开)，请输出这些区间的合并。C++ 和Python实现

a=input().split()ss=[i.split(',') for i in a]s=[]for nn in range(len(ss)):    s.append(list(map(int,ss[nn])))s.sort()res=[s[0]]for j in range(1,len(s)):    if(res[-1][1]>=s[j][0]):    ...

原创 C++ 实现2的N次方的十进制展示

#include <iostream>#include <string>using namespace std;int main(){    int n;    cin>>n;    string s="1";    char ch[]={'0','1','2','3','4','5','6','7','8','9'};    for(int ...

转载 堆排序

1. 堆排序：堆排序是利用堆这种数据结构而设计的一种排序算法，堆排序是一种选择排序，它的最坏，最好，平均时间复杂度均为O(nlogn)，它也是不稳定排序。首先简单了解下堆结构。堆　　堆是具有以下性质的完全二叉树：每个结点的值都大于或等于其左右孩子结点的值，称为大顶堆；或者每个结点的值都小于或等于其左右孩子结点的值，称为小顶堆。如下图：同时，我们对堆中的结点按层进行编号，将这种逻...

转载 快速排序

1. 快速排序：快速排序是由东尼·霍尔所发展的一种排序算法。在平均状况下，排序n个元素要O(nlogn)次比较。在最坏状况下则需要O(n^2)次比较，但这种状况并不常见。事实上，快速排序通常明显比其他O(nlogn)算法更快，因为它的内部循环可以在大部分的架构上很有效率地被实现出来。　　一趟快速排序的算法是：1）设置两个变量i、j，排序开始的时候：i=0，j=N-1；2）以第一个数...

原创 冒泡排序和选择排序

1. 冒泡排序：      冒泡排序是一种极其简单的排序算法，也是我所学的第一个排序算法。它重复地走访过要排序的元素，依次比较相邻两个元素，如果他们的顺序错误就把他们调换过来，直到没有元素再需要交换，排序完成。这个算法的名字由来是因为越小(或越大)的元素会经由交换慢慢“浮”到数列的顶端。　　冒泡排序算法的运作如下：比较相邻的元素，如果前一个比后一个大，就把它们两个调换位置。 对每一对...

转载 http中get和post的区别

    一般在浏览器中输入网址访问资源都是通过get方式；在from提交中，可以通过method制定提交方式为get或者post，默认为get提交；http定义了与服务器交互的不同方法，最基本的方法有4钟：分别是get，post，put和delete。    URL全称是资源描述符，我们可以这样认为，一个URL地址，她用于描述一个网络上的资源，而HTTP中的get，post，put，delet...

转载 new和malloc区别

1.属性不同：new是C++关键字，需要编译器支持；malloc是库函数，需要头文件支持。2.参数不同：使用new操作符申请内存分配时不需要指定内存块的大小，编译器会根据类型信息自行计算。而malloc需要显式的指出所需内存的大小；3. 分配失败不同：new内存分配失败时，会抛出bac_alloc异常；malloc会返回NULL；4.自定义类型不同：new会先调用operator ne...

转载 数据库怎么优化查询效率？

1. 数据库设计方面：（1）在一些数字列上设置索引：应尽量避免进行全表扫描，首先应考虑在涉及where或者order by的列上设置索引。（2）避免啊对where字句中数值进行null值判断：应尽量避免在where字句中对数值进行null值判断，否则将导致搜索引擎放弃索引搜索而使用全表搜索。如： select id from t where num is null 可以在num上设置默认值...

转载 深入浅出理解数据库索引原理

我们对索引的了解仅限于“加索引能够使查询变快”这个概念，因为我们说索引就是书的目录，通过书的目录就准确的定位到了书籍具体的内容。但是我们同样需要理解几个问题：（1）为什么要给表加上主键？（2）为什么加索引后会使查询变快？（3）为什么加索引后会使写入，修改，删除变慢？（4）什么情况下要同时在两个字段上建索引？想要理解索引原理就必须清楚一种数据结构（平衡树（非二叉），也就是b树或者...

转载 机器学习总结一：常见的损失函数

1. 通常机器学习每个算法都会有一个目标函数，算法的求解过程就是对这个目标函数优化的过程。在分类或者回归问题中，通常使用损失函数（代价函数）作为其目标函数。损失函数用来评价模型的预测值和真实值不一样的程度。损失函数越好，通常模型的性能越好。不同的算法使用的损失函数不一样。2. 损失函数分为经验损失函数和结构损失函数。（1）经验风险损失函数指预测结果和实际结果的差别；（2）结构风险损失函...

转载 0,1,2范数的说明

作者：魏通链接：https://www.zhihu.com/question/20473040/answer/102907063来源：知乎著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。以下分别列举常用的向量范数和矩阵范数的定义。向量范数1-范数：，即向量元素绝对值之和，matlab调用函数norm(x, 1) 。2-范数：，Euclid范数（欧几里得...

翻译 如何理解梯度下降

    一般情况下，我们把要最小化或最大化的函数称为目标函数。当我们队其进行最小化时，我们也把他称为代价函数，损失函数或误差函数。    我们说导数对于最小化一个函数很有用，因为它告诉我们如何更改x来略微地改善y。加入，我们知道对于足够小的来说，f(x-sign(f'(x)))<f(x)。因为我们可以将x往导数的反方向移动一小步来减少f(x)。这种技术被称为梯度下降。      ...

翻译 深度学习与神经网络的异同：

1. 相同点：    二者均采用分层结构，系统包括输入层，隐藏层（多层），输出层组成的多层网络，只有相邻层节点之间有连接，同一层以及跨层节点之间相互无连接，每一层都可以看作是一个logistic回归模型。2. 不同点：（1）神经网络：    （a）采用BP算法调整参数，即采用迭代式算法来训练整个网络。随机设定初值，计算当前网络的输出，然后根据当前输出和样本真实标签之间的差去改变前面...

转载 程序员面试宝典之数据库的一个问题？查数据表中第30到第40条记录，有字段ID，但ID不连续

解法一：  select top 10* from test  where id  not in (select top 29 id from test) 例如，我有以下这个test表：当我选取第六行到第十行的数据时， select top 5* from test  where id  not in (select top 5 id from test) 解法二：...

翻译 数据库知识总结

（1）数据库：存储过程与函数的区别    在数据库中，存储过程是用户定义的一系列SQL语句的集合，涉及特定表或其他对象的任务，用户可以调用存储过程。而函数通常是数据库已经定义的方法，它接收参数并返回某种类型的值，但不涉及特定用户表。（2）什么是数据库事务    数据库事务是指作为单个逻辑工作单元执行的一系列操作，这些操作要么全做要么全不做，是一个不可分割的工作单位。    事务的开...

原创 指针与引用

1. 指针和引用的差别：（1）非空差别：    在任何情况下都不能使用指向空值的引用。一个引用必须总是指向某些对象。因此如果我们使用一个变量并将其指向一个对象，但是该变量在某些时候也可能不指向任何对象，这个时候就应该把变量声明为指针，因为这样我们可以赋空值给该变量。相反，如果变量肯定指向一个对象，例如我们的设计不允许变量为空，这时就可以把变量声明为引用。不存在 指向空值的引用这个条件使得使...

原创 递归实现n的阶乘（C语言）

#include <stdio.h>int main(){    int fac(int n);    int n;    int sum;    scanf("%d",&n);    sum=fact(n);    printf("%d!=%d\n",n,sum);    return 0;}int fact(int n){    int f;    if(n<0)  ...

原创 C语言静态顺序栈实现进制转换

#include <stdio.h>#include <stdlib.h>#include <malloc.h>#define MAX_STACK_SIZE 100 //栈的大小#define ERROR -1#define OK 1typedef struct sqstack{    int stack_array[MAX_STACK_SIZE];    in...

原创 链栈的C语言实现

#include <stdio.h>#include <stdlib.h>#include <malloc.h>#define ERROR -1#define OK 1///链栈的实现：链栈是运算受限的单链表，其插入和删除只能在表头位置上进行。typedef struct Stack_Node{    int data;    struct Stack_Node...

原创 静态数组的顺序栈C语言实现

#include <stdio.h>#include <stdlib.h>#include <malloc.h>#define MAX_STACK_SIZE 100 //栈的大小#define ERROR -1#define OK 1typedef struct sqstack{    int stack_array[MAX_STACK_SIZE];    in...

原创 动态顺序栈的C语言实现

#include <stdio.h>#include <stdlib.h>#include <malloc.h>#define STACK_INIT_SIZE 100#define STACK_INCREMENT 10#define FALSE -1#define TRUE 1#define OK 2typedef struct{    int *base;  ...

原创 数据结构单链表C语言实现

#include <stdio.h>#include <stdlib.h>#define OK 1#define ERROR -1typedef struct node{    int data;    struct node *next;}Node;//初始化一个节点Node *initnode(Node *pnode, int data){    pnode=(Node...

原创 数据结构线性表用C语言实现

#include <stdio.h>#include <stdlib.h>#define TURE 1#define FALSE 0#define OK 1#define ERROR 0#define INFEASIBLE -1#define OVERFLOW -2#define list_init_size 80 //初始分配存储空间#define listincream...

原创 关于贝叶斯分类器的过程的理解

原创 线性判别分析（LDA）的MATLAB和Python实现

线性判别分析（linear discriminant analysis），LDA。也称为Fisher线性判别（FLD）是模式识别的经典算法。（1）中心思想：将高维的样本投影到最佳鉴别矢量空间，来达到抽取分类信息和压缩特种空间维数的效果，投影后保证样本在新的子空间有最大的类间距离和最小的类内距离。也就是说在该空间中有最佳的可分离性。（2）与PCA的不同点：PCA主要是从特征的协方差出发，来找到比较好...

原创 logistic regression（Python实现以及MATLAB实现）

Linear Regression解决的是连续的预测和拟合问题，而Logistic Regression解决的是离散的分类问题。两种方式，但本质殊途同归，两者都可以算是指数函数族的特例。在分类问题中，y取值在{0,1}之间，因此，上述的Liear Regression显然不适应。Sigmoid函数范围在[0,1]之间，参数 θ 只不过控制曲线的陡峭程度。以0.5为截点，>0.5则y值为1，&...