- 博客(15)
- 收藏
- 关注
RSS订阅原创 手撕SQL题
订单表Orders( order_id, user_id, order_pay, order_time) 取最近7天，每天消费金额排在100-200的用户数据。info(num运单号, mem_code 工号,receive_time接收时间) 计算每个工号最早收件运单号、最晚收件运单号、最晚与最早收件的时间差。SELECT id,datediff(CURDATE(), date_max) AS max_sign_days datediff计算两个日期之间的差值。
2024-11-26 20:53:22
520
原创 EXCEL常用函数
2、mid(text, st_num, num_chars)从text的st_num开始提取num_chars个字符。eg: TEXT(D7,"0.00") TEXT(D6,"YYYY年M月D日")。5、weekday(s_n,[return_type]（为1则1(星期天)到7(星期六),为2则1(星期一)到7(星期天)) 返回某个日期的星期数。7、REPLACE(old_text（被操作的字符串）,st,num_chars,new_text) 将一个字符串中的部分字符用另外一个字符串替换。
2024-11-20 21:45:39
883
原创 数据分析之数理统计（总结版）
双边检验：检验效应是否存在于两个方向中的任何一个（是否等于某个特定值，不考虑方向性）。二类错误：未能拒绝错误的原假设H0。统计功效（Power）是指在假设检验中，拒绝原假设（H0）的能力，即当原假设为假时，正确地拒绝原假设的概率。配对样本 T 检验：用于比较配对样本（同一对象的两个状态或时间点）的均值差异。双样本 T 检验：用于比较两个独立样本的均值是否存在显著差异。置信区间展示的是参数的真实值有一定概率落在测量结果周围的程度。95%置信区间指的是某个总体参数的真实值有95%的概率会落在测量结果的区间内。
2024-11-20 16:10:32
662
原创 SQL面试常见问题总结（1）(批判性阅读，不保证正确）
两者都是用来进行条件选择的。2、WHERE 和 HAVING的区别：WHERE 适用于不需要分组的情况，或者在分组前对数据进行过滤，位于FROM子句之后。窗口函数用于计算某一列在窗口内的最大值，返回的结果行数与查询表的行数相同。RIGHT JOIN：返回右表中的所有行，以及左表中满足连接条件的行。DENSE_RANK：为每一行生成一个排名，如果存在并列值，则并列值的排名相同，但下一个排名不会跳过相应的序号。RANK：为每一行生成一个排名，如果存在并列值，则并列值的排名相同，但下一个排名会跳过相应的序号。
2024-11-20 15:18:22
432
原创 NLP基础
BERT的局限性：在第一个预训练阶段，假设句子中多个单词被Mask掉，这些被Mask掉的单词之间没有任何关系，是条件独立的，然而有时候这些词之间是有关系的，比如“New York is a city” 假设mask掉前两个单词，那么给定is a city的条件下New 和 York并不独立，因为New York这个组合才是实体，但是这个问题不大，因为BERT预训练的语料库很大，可以根据其他例子学习到这些单词之间的相互依赖关系；而使用独立的权重矩阵可以让Q，K，V专注在学习不同的特征，提高灵活性和表达能力。
2024-11-18 20:50:46
872
原创 目标检测——经典方法（总结版 非详细版
将图像进行分割成多个子区域，然后根据子区域之间相似性（相似性标准：颜色、纹理、大小等）进行区域合并，不断进行区域迭代合并。step3：将每个特征矩阵通过RoI pooling （Region of Interest) 层缩放为统一尺寸7*7大小的特征图，接着将特征图展平通过一系列全连接层获得预测结果。step2：将图像输入网络得到相应的特征图，将step1生成的候选框投影到特征图上获得相应的特征矩阵。2）区域分类：对候选区域进行分类和边框回归，确定物体类别以及定位物体位置。切入正题——目标检测经典方法。
2024-11-06 21:44:03
921
原创 模版匹配&示例
提前进组做课题（横向呜呜）时需要用到的一个算法（有kmp那味儿了）。了解一下然后写成blog。模版匹配的目的：给出原图（I）和模版图（T），找到原图中与模版图最匹配的区域。相关性匹配：乘积越大，说明匹配程度越高。相关系数匹配：匹配值越大，说明匹配程度越高。平方差匹配：匹配值越小，说明匹配程度越高。
2024-10-31 19:46:14
203
原创 即插即用模块之Iformer
self.proj2 = nn.Conv2d(embed_dim // 2, embed_dim, kernel_size=1) # 自适应卷积。self.proj1 = nn.Conv2d(in_chans, embed_dim // 2, kernel_size=1) # 自适应卷积。self.proj = nn.Conv2d(in_chans, embed_dim, kernel_size=1) # 自适应卷积。但对于大图像要求显存可能较大（我跑不起来，显示OOM）
2024-03-26 19:31:32
1375
原创 计算机视觉导论 lec1&2笔记
外参数 R|t 3dworld->camera。内参数 K camera->image。SVD代表奇异值分解。的主对角线上元素的和（又称为矩阵。重点掌握相机的内外参数。
2024-02-29 09:35:07
267
原创 Pytorch基础知识 2
它们表现出来的区别在于反向传播结束之后，非叶子节点的梯度会被释放掉，只保留叶子节点的梯度，这样就节省了内存。PyTorch是动态图，即计算图的搭建和运算是同时的，随时可以输出结果。注意：grad在反向传播过程中是累加的(accumulated)，这意味着每一次运行反向传播，梯度都会累加之前的梯度，所以一般在反向传播之前需把梯度清零。使用Autograd，可以方便地进行反向传播，计算模型参数的梯度，并使用优化算法更新参数，以训练深度学习模型。，可以追踪对该张量的所有操作，并在需要时自动计算梯度。
2024-01-01 21:42:34
481
原创 Pytorch基础知识
Pytorch中,torch.Tensor(张量)是存储和变换数据的主要工具。(返回结果可能是一个拷贝，也可能是源张量的一个视图(view)。当对两个形状不同的 Tensor 按元素运算时，可能会触发广播(broadcasting)机制：先适当复制元素使这两个 Tensor 形状相同后再按元素运算。想要查看tensor的形状，可以使用x.size()或者x.shape。(x为现有的tensor)torch.view()： 这个函数返回的新张量与源张量共享数据，如果你改变其中一个，另一个也会改变。
2023-12-31 20:52:03
502
1
原创 模型评价指标
P-R曲线上的一个点代表着，在某一阈值下，模型将大于该阈值的结果判定为正样本，小于该阈值的结果判定为负样本，此时返回结果对应的召回率和精确率。PR曲线所包含的面积，当我们取不同的置信度，可以获得不同的P和R，PR曲线下面所包含的面积就是模型检测某个类的AP值。3）精确率(Precision)=TP/(TP+TN) 在预测正确的结果中，被正确预测的正样本所占的比例。2）召回率(Recall)=TP/(TP+FN) 在所有正样本中,被正确预测的正样本所占的比例。当 β = 1 时，平衡精准和召回，即为 F1。
2023-12-30 20:57:06
480
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人