qq_53174708的博客

力扣动态规划

qq_53174708 — Thu, 29 Sep 2022 11:00:14 +0800

首先看第一种情况，如果s【5】单独代表一个字母，那么就简单了，这时f【6】=f【5】,这点应该好理解，就是说我后面再加一个字母，不影响我的种数。第二种情况，就是s【4】和s【5】一起构成一个字母，那么之前的f【5】在此时就没有了意义，f【6】=f【4】，相当于f【4】后面加了一个字母。中间态写完之后考虑起始态，f【1】一定是1，但是f【1】=f【1】+f【0】；比如，f【5】就代表不管s有多少位，s的前5位一共有f【5】种解法，先记住这一点，这是思路的突破口。

STL学习笔记

qq_53174708 — Mon, 05 Sep 2022 10:29:52 +0800

STL

正则表达式

qq_53174708 — Fri, 02 Sep 2022 11:48:11 +0800

以前学习的时候把这一块跳过了，现在补上正则表达式(regular expression)描述了一种字符串匹配的模式（pattern），可以用来检查一个串是否含有某种子串、将匹配的子串替换或者从某个串中取出符合某个条件的子串等。 runoo+b，可以匹配 runoob、runooob、runoooooob 等，+ 号代表前面的字符必须至少出现一次（1次或多次）。 runoo*b，可以匹配 runob、runoob、runoooooob 等，*号代表前面的字符可以不出现，也可以出现一次或者多次（0次、或1次

试题算法训练无聊的逗

qq_53174708 — Fri, 18 Mar 2022 15:39:01 +0800

问题描述　　逗志芃在干了很多事情后终于闲下来了，然后就陷入了深深的无聊中。不过他想到了一个游戏来使他更无聊。他拿出n个木棍，然后选出其中一些粘成一根长的，然后再选一些粘成另一个长的，他想知道在两根一样长的情况下长度最长是多少。输入格式　　第一行一个数n，表示n个棍子。第二行n个数，每个数表示一根棍子的长度。输出格式　　一个数，最大的长度。样例输入 4 1 2 3 1 样例输出 3 数据规模和约定　　n<=15 这道题暴力解决吧，我本人没啥思路，在网上找的一个大佬的 #include<

蓝桥杯——算法训练（1，2，3）

qq_53174708 — Thu, 17 Mar 2022 11:31:11 +0800

1回形取数问题描述　　回形取数就是沿矩阵的边取数，若当前方向上无数可取或已经取过，则左转90度。一开始位于矩阵左上角，方向向下。输入格式　　输入第一行是两个不超过200的正整数m, n，表示矩阵的行和列。接下来m行每行n个整数，表示这个矩阵。输出格式　　输出只有一行，共mn个数，为输入矩阵回形取数得到的结果。数之间用一个空格分隔，行末不要有多余的空格。　　 #include #include using namespace std;

opencv基操（截图了，懒得复制代码了）

qq_53174708 — Tue, 16 Nov 2021 09:06:43 +0800

就到这了，opencv3.2版本和4.3版本之间sift是有专利保护的，我的cv版本还没有调整好，先学到这了。。。

opencv无法写入文件夹

qq_53174708 — Wed, 06 Oct 2021 20:20:10 +0800

今天遇到了opencv的一个函数imwrite()无法向文件夹里放图片了，无论怎么试都不行，后来百度了一下，原来文件夹不能是中文。。。。。我只能说以后干啥都用英文给电脑里面的各种东西命名把在这 ...

tensorflow2.0框架学习笔记(2)（复习一下基本的深度学习）

qq_53174708 — Wed, 22 Sep 2021 21:04:45 +0800

深度学习是机器学习的一小部分，上面是机器学习的流程，其中最重要的是特征工程对于传统算法来说，最难的一步就是提取特征了，因为对于特征的提取和优化，是人工决定的，显得不那么智能，可是对于深度学习来说，计算机会自己学习，决定哪些特征是计算机觉得最合适的。 k近邻问题我们先不看这个knn，先把k近邻升级一下，将这种思想用在图像领域，我们使用cifar100数据库我们自己定义一个距离的选择公式，直接将图片对应的像素点的数据作差再最后求和，用这个数值来代表距离的远近（也就是图片的相似度）基于这.

tensorflow2.0学习笔记(1)

qq_53174708 — Wed, 22 Sep 2021 21:04:18 +0800

原文章在这 Tensor 数据类型在介绍 Tensor 数据之前，先介绍两种 Python 常用的数据结构，并解释，为什么做深度学习不用这些数据结构，而是要用 Tensor。 List ： Python中最常用的数据结构，以 [ ] 括起来，如 [1, 1.1, ‘hello’, ‘(1,2)’, layers] ，缺点是储存图片占用内存非常大，读写图片数据效率低。 np.array ：存成一个静态数组，转置、加减乘除等运算方便灵活，但 numpy 不提供创建张量函数和自动梯度求导，也不提供 GPU 支

#赛题1:用户情感可视化分析#

qq_53174708 — Fri, 10 Sep 2021 10:04:25 +0800

第一步，把库和数据导入 import pandas as pd data = pd.read_csv('./earphone_sentiment.csv') data 看一下情感词 data['sentiment_word'].value_counts() 快速浏览数据集 data.info() 既然要分析情感，那么我们肯定要考虑汉字情感词之间的关系，所以我们先导入库jieba或者这个为了数据可视化，词语太多，我们可以考虑使用词云展示，导入库worldcloud worldcloud 导入PI

力扣刷题----噩梦开始的地方（我尽量每日一题）

qq_53174708 — Sat, 31 Jul 2021 17:43:18 +0800

1，两数之和 class Solution(object): def twoSum(self, nums, target): """ :type nums: List[int] :type target: int :rtype: List[int] """ hashmap = {} for index, num in enumerate(nums): anothe

卷积神经网络

qq_53174708 — Fri, 30 Jul 2021 11:21:41 +0800

卷积神经网络主要是由输入层、卷积层、激活函数、池化层、全连接层、损失函数组成，表面看比较复杂，其实质就是特征提取以及决策推断。要使特征提取尽量准确，就需要将这些网络层结构进行组合，比如经典的卷积神经网络模型AlexNet:5个卷积层+3个池化层+3个连接层结构。卷积（convolution）卷积的作用就是提取特征，因为一次卷积可能提取的特征比较粗糙，所以多次卷积，以及层层纵深卷积，层层提取特征（千万要区别于多次卷积，因为每一层里含有多次卷积）。这里可能就有小伙伴问：为什么要进行层层纵深卷积，

lgb预测泰坦尼克

qq_53174708 — Wed, 28 Jul 2021 16:34:46 +0800

翻了一下csdn，发现没有用lgb模型处理泰坦尼克的，所以就去写了一下，代码里面注释点的部分是我为了解决报错的各种尝试，就不删除了，哈哈，代码拿走不谢 import numpy as np import pandas as pd import lightgbm as lgb from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score import matplotlib.pypl

阿里云——零基础入门语音识别——食物声音识别——代码跑通及解析

qq_53174708 — Wed, 28 Jul 2021 16:31:12 +0800

大佬代码在这我也是个垃圾，初学者练习这个项目，我认为第一步是熟悉这个平台的使用，这种云编程不同于pycharm，初学者可能会感觉十分别扭（比如垃圾的我），所以我在这个笔记里尽可能详细的说一下如何让大佬代码在自己的notebook里跑一边，只有知道了总体流程，才能写出属于自己的东西。强调一下，代码是大佬的，我们只是借鉴一下，所以想要有所进步，还需要自己的努力。零基础入门语音识别——食物声音识别打开我给的连接，会是这个样子 ![在这里插入图片描述](https://img-blog.csdnimg.cn

lgb(lightgbm)处理类别特征遇到的问题（泰坦尼克）：

qq_53174708 — Tue, 20 Jul 2021 09:56:17 +0800

lgb(lightgbm)处理类别特征遇到的问题： ValueError: DataFrame.dtypes for data must be int, float or bool. Did not expect the data types in the following fields: Sex, Embarked 加上这些代码，完美解决，记得点赞 from sklearn import preprocessing encoder = preprocessing.LabelEncoder() enc

python部分知识复习

qq_53174708 — Sun, 11 Jul 2021 11:13:57 +0800

python 基本语法就不说了，现在开始复习python的4个容器列表lists 列表其实就是Python中的数组，但是可以它可以动态的调整大小并且可以包含不同类型的元素：使用[,]直接创建列表， #将字符串转换成列表 list1 = list("hello") print(list1) #将元组转换成列表 tuple1 = ('Python', 'Java', 'C++', 'JavaScript') list2 = list(tuple1) print(list2) #将字典转换成列表 dict1

LightGBM（LGB）

qq_53174708 — Fri, 28 May 2021 20:45:17 +0800

转载自littlemichelle LightGBM（Light Gradient Boosting Machine）是一个实现GBDT算法的框架，支持高效率的并行训练，并且具有更快的训练速度、更低的内存消耗、更好的准确率、支持分布式可以快速处理海量数据等优点。背景常用的机器学习算法，例如神经网络等算法，都可以以mini-batch的方式训练，训练数据的大小不会受到内存限制。而GBDT在每一次迭代的时候，都需要遍历整个训练数据多次。如果把整个训练数据装进内存则会限制训练数据的大小；如果不装进内存，反复地

决策边界（Logistic,sigmoid）

qq_53174708 — Fri, 28 May 2021 16:13:16 +0800

决策边界分类问题使用Logistic函数（也叫sigmoid函数），对于乳腺癌的分类问题，只要h(θTx)>=0.5,就令y=1,也就是说θTx>=0,否则令y=0，其中x是肿瘤大小，所以，给出训练集。假设，我们已经得到了θ=[-3,1,1]T,所以,当y=1时，-3+x1+x2>0,所以x1+x2<3, 所以这条粉色的线就是决策边界，很好的解决了分类问题。增加难度，如图：很明显不能使用线性的决策边界来进行分类，所以我们增加了θ的维度，假定解得θ=[-1,0,0,1,1]

为什么不用线性回归解决分类问题

qq_53174708 — Fri, 28 May 2021 11:01:54 +0800

为什么不用线性回归解决分类问题笔记一如既往的来自吴恩达的视频举个例子就明白了经典的肿瘤问题：假设肿瘤良性恶性只与肿瘤的大小尺寸有关，那么，这就是一个简单的分类问题，如图如果我们使用线性回归解决问题的话，我们可以得到一个方程，y=θx+b,拟合出来的曲线如下：可以看到，我们拟合的很好，取分割的地方，就是图中小箭头标注的地方，你可能会认为这不就是用线性回归解决的吗？拟合的挺不错啊，其实这十分具有偶然性，例如，在这个训练集上，我再加一个数据最右面的那个点就是我们新加的数据，有一个患者的肿瘤

4种激活函数

qq_53174708 — Thu, 27 May 2021 12:15:42 +0800

4种激活函数 1，sigmoid函数特点：1，输出值落于[0，1]连续区间； 2，输入值从横坐标左侧移动到右侧的过程中，其输出值呈现从平缓到加速再到平缓的特点； 3，sigmoid函数的导数值落于[0,0.25]的连续区间；注意：在神经网络中，sigmoid函数其实有很大的局限性，在逆向参数调整back propagation过程中，使用链式法则chain rule,可以推导出下面的公式：并对深度神经网络模型的权重调整幅度进行计算，中间是sigmoid函数导数的乘积，多个小于0.25的值相乘后，会