- 博客(33)
- 问答 (16)
- 收藏
- 关注
RSS订阅原创 Kubernetes课程学习（一）
第一章 Kubernetes介绍1.1 应用部署方式的演变传统部署：直接将应用程序部署在物理机上。优点：简单，不需要其他技术参与。缺点：不能为应用程序定义资源的使用边界，很难合理地分配计算资源，而且程序之间容易产生影响。虚拟化部署：可以在一台物理机上运行多个虚拟机，每个虚拟机都是独立的一个环境。优点：程序环境不会相互产生影响，提供了一定程度的安全性。缺点：增加了操作系统，浪费了部分资源。容器化部署：与虚拟化类似，但是共享了操作系统。优点：可以保证每个容器拥有自己的文件系统、CPU、内存、进程空间等
2020-12-17 17:34:36
689
1
原创 Linux常用命令(一)
参考材料：linux环境如何从普通用户切换到root用户Linux下如何从普通用户切换到root用户菜鸟提问，请教sudo su和sudo -i的区别。Linux用户权限的切换pwd : 查看当前用户目录（在哪个文件夹下）zq@zq:~$：第一个zq表示当前用户，第二个zq表示主机名，~指当前目录，$表示普通用户，普通用户在$后输入命令，root用户在#符号后输入命令。如图所示，在普通用户zq下切换到cd /root没有权限，因此我们需要切换到root用户。 下面有两种方法。（1）su
2020-12-03 18:06:17
362
转载 MySQL高级教程学习(一)
MySQL LIMIT子句语法：从第1条数据开始返回n条数据。select column_names from table_name limit n;Oracle语法select column_names from table_name where rownum<=n;MySQL LIKE操作符LIKE 操作符用于在 WHERE 子句中搜索列中的指定模式。select column_names from table_name where column_name like p.
2020-10-20 17:49:03
1011
原创 Python对列表的常用操作：取数、排序、赋值、拷贝
对列表进行取数a = [1,2,3,4,5]print(a[:]) # [1, 2, 3, 4, 5],返回原列表print(a[0:]) # [1, 2, 3, 4, 5]，从下标0开始返回列表print(a[:100]) # [1, 2, 3, 4, 5]，列表长度不满100，直接返回原列表print(a[-3:]) # [3, 4, 5],取列表倒数3个元素，返回列表print(a[-1:]) # [5]，取列表最后一个元素，返回列表print(a[.
2020-10-14 10:16:58
5123
原创 Python对字典的常用操作：取值、键值对调、排序
字典dic(key,value)首先构建一个字典dic1 = {}dic1[1] = 3dic1[2] = 19dic1[5] = 6dic1[4] = 12print(dic1)# output{1: 3, 2: 19, 5: 6, 4: 12}单独取出字典的键keysks = dic1.keys()print(ks,type(ks))# outputdict_keys([1, 2, 5, 4]) <class 'dict_keys'>单独取出
2020-10-11 21:50:12
1302
原创 时间复杂度与排序算法
时间复杂度时间复杂度是一个算法流程中，最差情况下常数操作数量的指标。例子：一个有序数组A，另一个无序数组B，请打印B中所有不在A中的数。A数组长度为N，B数组长度为M。第一种方法：B中每个数在A中遍历一下，输出所有不在A中的数。A = list(map(int,input().split()))B = list(map(int,input().split()))N = len(A)M = len(B)for i in range(M): j = 0 while j<
2020-09-20 11:31:52
427
原创 深度优先搜索(DFS)和广度优先搜索(BFS)算法题整合（持更）
深度优先搜索的思想可以参考大佬的博客。【扫雷游戏】题目地址给定一个代表游戏板的二维字符矩阵。 ‘M’ 代表一个未挖出的地雷，‘E’ 代表一个未挖出的空方块，‘B’ 代表没有相邻（上，下，左，右，和所有4个对角线）地雷的已挖出的空白方块，数字（‘1’ 到 ‘8’）表示有多少地雷与这块已挖出的方块相邻，‘X’ 则表示一个已挖出的地雷。现在给出在所有未挖出的方块中（‘M’或者’E’）的下一个点击位置（行和列索引），根据以下规则，返回相应位置被点击后对应的面板：如果一个地雷（‘M’）被挖出，游戏就结束了-
2020-09-07 16:32:25
464
原创 Windows10安装AlphaPose（不需要VS版）
code地址：AlphaPose安装下载安装代码git clone -b pytorch https://github.com/MVIG-SJTU/AlphaPose.git安装依赖包pip install -r requirements.txt在这一步，安装torch==0.4.0遇到ERROR: No matching distribution found for torch==0.4.0报错。首先查看了一下当前电脑里的torch版本。torch.__version__#
2020-08-28 21:15:11
3281
1
原创 笔试见过的题型
【过河问题】**题目描述：**有NNN个人一起过河，但只有一条船，每条船每次最多只能容纳两人。过河的速度等于两人中体重最大的那一个人的体重，若只有一人过河，则速度即为该人体重。现给出这NNN个人的体重，请你计算出这NNN个人过河的最短时间。思路：将每个人的过河时间按升序排好序。如果只有一个人过河，那么过河时间为该人体重。如果两个人过河，那么过河时间为两人中体重最大的那个。如果三个人过河，那最优策略应该为最慢和最快的人过河（时间T2T2T2），最快的返回（时间T0T0T0），然后最快和次慢的人过河
2020-08-25 15:08:07
155
原创 神经网络卷积操作理解
C3D阅读报告参考资料：Pytorch官方文档一维卷积一维卷积层，输入的尺度是(N,Cin,L)(N, C_{in},L)(N,Cin,L)，输出尺度(N,Cout,Lout)(N,C_{out},L_{out})(N,Cout,Lout)的计算方式：out(Ni,Coutj)=bias(Coutj)+∑k=0Cin−1weight(Coutj,k)⨂input(Ni,k) out(N_i, C_{out_j})=bias(C _{out_j})+\sum^{C_{in}-1}_{k=0}we
2020-08-20 19:46:59
409
原创 I3D阅读笔记
I3D阅读笔记Paper：Quo Vadis, Action Recognition? A New Model and the Kinetics Dataset视频动作分类框架K表示视频中的所有帧，N表示视频中相邻帧的子集。(a)(b)©(d)是之前提出过的工作，本文提出的New model如图(e)。本文主要贡献由论文题目可知主要贡献分为两部分：一是提出了一个新模型，二是提出了Kinetics数据集。新模型：Two-Stream Inflated 3D ConvNets将2D卷积网络扩展到
2020-08-17 11:07:55
855
1
原创 C3D阅读笔记
C3D阅读笔记Paper：Learning Spatiotemporal Features with 3D Convolutional Networks主要研究内容及贡献实验证明了3D卷积神经网络比起2D卷积神经网络能够更好地同时学习时空特征（Spatiotemporal Features）。探索了所有层设置相同卷积核大小为3×3×33\times3\times33×3×3，实验效果最好。3D卷积神经网络提取的特征输入到线性模型中，相对于一些其他方法（文中对比方法）能够取得更好的效果。（从这一点
2020-08-16 16:04:59
647
原创 【递归】算法题整理（持更）
题目描述输入一个字符串,按字典序打印出该字符串中字符的所有排列。例如输入字符串abc,则按字典序打印出由字符a,b,c所能排列出来的所有字符串abc,acb,bac,bca,cab和cba。输入描述:输入一个字符串,长度不超过9(可能有字符重复),字符只包括大小写字母。...
2020-08-02 16:27:50
347
原创 Python数据分析入门笔记：数据可视化
数据可视化散点图散点图散点图（scatter diagram）:是以一个变量为横坐标，另一个变量为纵坐标，利用散点（坐标点）的分布形态反映变量关系的一种图形。散点图绘图函数：plot(x,y,'.',color=(r,g,b))plot参数说明：x,y: X轴和Y轴的序列'.','o': 点的形式color: 散点图的颜色，可以用rgb定义，也可以用英文字母定义RGB颜色设置：(red,green,blue)python中RGB颜色范围值是[0,1]的，因此在设置的时候，可以取值
2020-08-02 15:32:10
534
原创 SQL一小时快速入门笔记
MySQL安装参考：链接1链接2MySQL workbench的使用SQL创建、删除、显示数据库# 创建数据库CREATE DATABASE databasename;# 删除数据库DROP DATABASE databasename;# 显示当前所有的数据库SHOW DATABASES;# 从当前数据库切换到databasename数据库USE databasename;创建Tablecreate table table_name( column1 datat
2020-08-02 09:10:49
190
原创 Python数据分析入门笔记
数据分析基本统计基本统计基本统计分析：描述性统计分析，用来概括事物整体状况以及事物间联系（即事物的基本特征），以发现其内在规律的统计分析方法。常用的统计指标：计数、求和、平均值、方差、标准差描述性统计分析函数：describe()常用的统计函数：统计函数注释size计数sum求和mean平均值var方差std标准差举例import pandasdata = pandas.read_csv('D://Data Analysis//5
2020-07-30 10:48:02
369
原创 Python数据分析入门笔记：时间转换、时间抽取
时间转换时间转换，是指将字符型的时间格式数据转化为时间型数据的过程。时间转化函数：datetime = pandas.to_datetime(dateString,format)dateString: 字符型的时间格式数据format: 转化的时间型数据，该参数有以下几种选项属性含义%Y代表年份%m代表月份%d代表日期%H代表小时%M代表分钟%S代表秒时间格式化，是指将时间型数据按照指定格式，转化为字符型数据。时间
2020-07-28 13:44:44
1234
原创 Task03特征工程
特征工程跟着直播课走一遍练习了，最近事情可太多了T_T首先利用箱线图来清洗异常值。代码如下所示：def outliers_proc(data,col_name,scale=3): # 用于清洗异常值，默认用box_plot(scale=3)进行清洗 # param data:接收pandas数据格式 # param col_name:pandas列名 # pa...
2020-03-28 18:38:58
170
原创 Datawhale数据挖掘Task2-数据分析
二手车交易价格预测赛题理解根据二手车的各项指标，预测二手车交易时的价格，典型的回归问题。给定的特征共有30个。数据分析用到的相关包训练集包含150000样本，测试集包含50000样本。PandasPandas可以用来读取数据，并对数据进行处理。首先对训练集进行缺失值处理。Pandas里读取数据得到DataFrame之后，可以用以下这条语句来检查DataFrame中是否存在Null值...
2020-03-24 17:20:56
341
原创 动手学深度学习Task10
生成对抗式网络（GAN）给定一个数据xxx，预测它的标签yyy。之前我们用神经网络来建模xxx到yyy的映射，这种模型叫判别模型。但有时候，有些数据集是没有标签的。比如给定一些照片，照片中有狗，但并没有标注狗的标签。我们无法建立判别模型，但可以学习这个数据集的分布，然后生成一些很像是来自数据集的狗的照片，它符合数据集分布，这个就是生成式学习。从数学角度解释，判别模型就是建模p(y∣x)p(y|x...
2020-02-25 20:35:37
153
原创 动手学深度学习Task09
目标检测基础目标检测框的显示要在图像中画出一个检测框，只需要知道左上角以及右下角两个点的坐标即可，但在利用matplotlib进行显示的时候，需要将其转换为（左上x，左上y，宽，高）。锚框（Anchor）在生成多个检测框时，有一个重要的概念，锚框，也就是检测框。在这里着重记录一下代码里是生成锚框的。首先我们看图，最外面蓝色的框为图像大小，宽为w，高为h。里面红色的小框表示需要画出...
2020-02-25 20:35:14
364
原创 动手学深度学习 Task06
批量归一化和残差网络利用神经网络训练模型时，我们总希望输入数据的特征分布相近，这样便于网络的收敛。尤其是深度神经网络，如果每次输入的batch数据分布相差太大的话，网络则每次都需要较大步幅更新参数，这样不利于网络的收敛。因此，对于浅层模型，通常对输入进行标准化，使得处理后的任意一个特征在数据集中所有样本上的均值为0、标准差为1。标准化处理输入数据能够使各个特征的分布相近。而对于深度模型，则采用批...
2020-02-25 20:34:45
169
原创 动手学深度学习Task05
LeNet用全连接层的局限性：图像在同一列邻近的像素在这个向量中可能相距较远。它们构成的模式可能难以被模型识别。对于大尺寸的输入图像，使用全连接层容易导致模型过大。使用卷积层的优势：卷积层保留输入形状。卷积层通过滑动窗口将同一卷积核与不同位置的输入重复计算，从而避免参数尺寸过大。LeNet结构LeNet分为卷积层块和全连接层块两个部分。网络模型与输入#netclas...
2020-02-19 21:12:20
129
原创 动手学深度学习Task04
笔记摘自课程内容。机器翻译和数据集机器翻译（MT）：将一段文本从一种语言自动翻译为另一种语言，用神经网络解决这个问题通常称为神经机器翻译（NMT）。 主要特征：输出是单词序列而不是单个单词。 输出序列的长度可能与源序列的长度不同。数据预处理数据清洗主要去除多余字符以及特殊字符（通常指计算机无法编码）。其次是进行分词，将字符串组成由单词构成的列表，然后再建立词典，即单词id组成的列表。En...
2020-02-19 21:11:50
157
原创 动手学深度学习Task03
第七课 过拟合、欠拟合及其解决方案验证数据集作用是对由训练数据集训练出的模型进行选择，比如调参。理由：因为训练误差无法估计泛化误差，因此不该只依赖与训练数据来选择模型。而测试集只能在所有超参数和模型参数选定都使用一次。因此，可以预留出训练集和测试集以外的数据，作为验证数据集。K折交叉验证将原始训练数据集划分为K个不重合的子数据集，每次用其中K-1个子数据集进行训练，第K个子数据集进行验证，...
2020-02-19 21:10:26
135
原创 动手学深度学习Task02
第四课 文本预处理文本是一类序列数据，一篇文章可以看作是字符或单词的序列。用神经网络处理文本时会存在一个问题，文本实际上是字符串，但神经网络是做数值处理，无法直接作用于字符串，因此，我们需要对文本进行预处理。接下来介绍一些基础的步骤。读入文本用H.G.Well的Time Machine作为示例。import collectionsimport redef read_time_mac...
2020-02-14 18:59:32
204
原创 动手学深度学习Task01
第一课 线性回归模型模型简述以预测房价为例，影响房价的只有两个因素：面积（平方米）以及房龄（年）。这里影响房价的因素称为特征（feature），真实的房价称为标签（label）。假设房价与特征之间呈线性相关，我们就可以构建一个线性回归模型如下：price=ωarea⋅xarea+ωage⋅xage+b\text{price}=\omega_{area}\cdot x_{area}+\ome...
2020-02-14 18:56:31
155
原创 动手学深度学习第六课：循环神经网络基础
循环神经网络以循环神经网络实现语言模型为例。下面分析构造。假设Xt∈Rn×dX_t\in\mathbb{R}^{n\times d}Xt∈Rn×d是时间步ttt的小批量输入，Ht∈Rn×hH_t\in\mathbb{R}^{n\times h}Ht∈Rn×h是该时间步的隐藏变量，则Ht=Φ(XtWxh+Ht−1Whh+bh).H_t = \Phi(X_tW_{xh}+H_{t-1}W_...
2020-02-14 18:51:00
227
原创 动手学深度学习第五课：语言模型
语言模型什么是语言模型？给定一个长度为TTT的词的序列x1,x2,⋯ ,xTx_1,x_2,\cdots,x_Tx1,x2,⋯,xT，语言模型的目标就是就是评估改序列是否合理，即计算序列的概率：P(x1,x2,⋯ ,xT).P(x_1,x_2,\cdots,x_T).P(x1,x2,⋯,xT).概率越大，合理性越高。本节课介绍基于统计的语言模型，主要是nnn元语法（n-gram）...
2020-02-12 20:43:09
221
原创 动手学深度学习第四课：文本预处理
文本预处理文本是一类序列数据，一篇文章可以看作是字符或单词的序列。用神经网络处理文本时会存在一个问题，文本实际上是字符串，但神经网络是做数值处理，无法直接作用于字符串，因此，我们需要对文本进行预处理。接下来介绍一些基础的步骤。读入文本用H.G.Well的Time Machine作为示例。import collectionsimport redef read_time_machine...
2020-02-12 14:13:53
269
原创 动手学深度学习第三课：多层感知机（MLP）
多层感知机多层感知机的基本介绍激活函数关于激活函数的选择多层感知机代码解读其他函数多层感知机的基本介绍课程讲解的十分详尽，这里就简记一下知识点。下图展示了一个多层感知机的神经网络图，它含有一个隐藏层，该层中有5个隐藏单元。含单隐藏层的多层感知机，其输出On×qO^{n\times q}On×q计算为（nnn是批量大小，qqq是输出类别数）：H=XWh+bhH=XW_h+b_hH=XWh...
2020-02-12 00:05:59
504
原创 动手学深度学习第二课：softmax和分类模型
DAY1 softmax和分类模型softmax的基本概念softmax回归模型交叉熵损失函数其他函数softmax的基本概念关于softmax的基本概念，课程中讲解的十分详细，且优快云上也有诸多相关文章，这里就不赘述。仅记下重要公式。softmax回归模型o1=x1ω11+x2ω21+x3ω31+x4ω41+b1o_1=x_1\omega_{11}+x_2\omega_{21}+x_...
2020-02-11 23:50:34
174
原创 动手学深度学习第一课：线性回归
DAY1 线性回归线性回归模型模型简述数据集损失函数优化函数-随机梯度下降法线性回归的代码实现线性回归从零开始实现线性回归模型的PyTorch实现构建多层网络的三种方法线性回归模型模型简述以预测房价为例，影响房价的只有两个因素：面积（平方米）以及房龄（年）。这里影响房价的因素称为特征（feature），真实的房价称为标签（label）。假设房价与特征之间呈线性相关，我们就可以构建一个线性回归...
2020-02-11 23:48:11
332
空空如也
golang使用os.Mkdir / fs.Mkdir创建文件夹失败
2023-01-04
telegraf批量导入csv数据至influxDB数据库
2022-03-30
kubernetes pod拉取本地镜像，版本不对
2022-03-03
clang编译.c文件报错找不到<asm/type.h>文件
2022-02-06
如何用GO语言获取当前系统的运行时间？
2021-12-14
go未知结构体结构，如何将json文件转化为结构体
2021-12-07
helm卸载软件的命令是什么
2021-11-30
linux内核BPF MAP的id是如何生成的？
2021-11-24
C语言指针与go语言指针定义如何转换
2021-11-15
Kubernetes网络策略下发时ipBlock是否可以选择service IP
2021-11-11
C语言 宏定义 变量unuse如何解决
2021-11-04
bpftool工具使用报错，No libbfd support
2021-10-14
shell引号嵌套、转义等问题
2021-09-23
请问为什么&>/dev/null 2>&1之后仍有回显?该怎么解决?
2021-09-13
Linux shell脚本 回显中寻找指定字符串
2021-08-26
TA创建的收藏夹 TA关注的收藏夹
TA关注的人