<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[wondering_cat的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/wondering_cat</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; wondering_cat]]></copyright><item><title><![CDATA[机器学习-（六）TensorFlow.js进行手写数字识别]]></title><link>https://blog.youkuaiyun.com/wondering_cat/article/details/105372957</link><guid>https://blog.youkuaiyun.com/wondering_cat/article/details/105372957</guid><author>wondering_cat</author><pubDate>Wed, 02 Dec 2020 11:04:42 +0800</pubDate><description><![CDATA[数据集准备：http://yann.lecun.com/exdb/mnist/

把这四个文件解压后放在D:\Apache24\htdocs\p6\empty-example目录下



mnist.js代码：https://github.com/CodingTrain/Toy-Neural-Network-JS/blob/master/examples/mnist/mnist.js


func...]]></description><category></category></item><item><title><![CDATA[机器学习-（五）使用神经网络做线性回归、多项式回归、分类（附模型的下载和加载）]]></title><link>https://blog.youkuaiyun.com/wondering_cat/article/details/105231870</link><guid>https://blog.youkuaiyun.com/wondering_cat/article/details/105231870</guid><author>wondering_cat</author><pubDate>Wed, 02 Dec 2020 11:04:33 +0800</pubDate><description><![CDATA[一、线性回归










]]></description><category></category></item><item><title><![CDATA[机器学习-（四）摄像头捕捉识别（二）]]></title><link>https://blog.youkuaiyun.com/wondering_cat/article/details/105223647</link><guid>https://blog.youkuaiyun.com/wondering_cat/article/details/105223647</guid><author>wondering_cat</author><pubDate>Wed, 02 Dec 2020 11:04:25 +0800</pubDate><description><![CDATA[在上一篇机器学习-在线图片识别+摄像头捕捉图片识别的基础上，实现以下功能。

一、使用按钮添加种类


]]></description><category></category></item><item><title><![CDATA[机器学习-（三）在线图片识别+摄像头捕捉图片识别]]></title><link>https://blog.youkuaiyun.com/wondering_cat/article/details/104920379</link><guid>https://blog.youkuaiyun.com/wondering_cat/article/details/104920379</guid><author>wondering_cat</author><pubDate>Wed, 02 Dec 2020 11:04:17 +0800</pubDate><description><![CDATA[使用ML5.js进行在线图片识别，需要在Apache服务器上运行。（Apache server安装教程附后）

一、利用按钮或者拖拽的方式，对上传的图片进行识别。

index.html 的代码如下，引入了链接：&lt;script src="https://unpkg.com/ml5@0.1.3/dist/ml5.min.js"&gt;&lt;/script&gt;


&lt;!DOCTYP...]]></description><category></category></item><item><title><![CDATA[机器学习-（二）多项式回归的可视化实现]]></title><link>https://blog.youkuaiyun.com/wondering_cat/article/details/104695861</link><guid>https://blog.youkuaiyun.com/wondering_cat/article/details/104695861</guid><author>wondering_cat</author><pubDate>Wed, 02 Dec 2020 11:04:00 +0800</pubDate><description><![CDATA[在线性回归中已经学习了部分知识，多项式回归主要是修改一次函数为多次函数。

一、二次函数

，损失函数为：，

代码如下：


let xs = [];
let ys = [];
let a;
let b;
let c;

//初始化a,b,c为自变量都为1.0
a=tf.variable(tf.scalar(1.0));
b=tf.variable(tf.scalar(1.0));
c=tf.v...]]></description><category></category></item><item><title><![CDATA[机器学习-（一）线性回归的可视化实现（TensorFlow.js，ML5.js，P5.js）]]></title><link>https://blog.youkuaiyun.com/wondering_cat/article/details/104640474</link><guid>https://blog.youkuaiyun.com/wondering_cat/article/details/104640474</guid><author>wondering_cat</author><pubDate>Wed, 02 Dec 2020 11:03:47 +0800</pubDate><description><![CDATA[一、P5.js下载和准备

进入网址：http://p5js.org/，点击“Get Started”，下载“p5.js complete”，选择complete library红框下载即可。

  ==&gt;  ==&gt;

下载完解压后，主要对这两个文件操作：



二、线性回归过程可视化

目标：在index中制作画布，在画布中添加点，可视化线性回归的训练过程。



1...]]></description><category></category></item><item><title><![CDATA[操作系统。]]></title><link>https://blog.youkuaiyun.com/wondering_cat/article/details/108602924</link><guid>https://blog.youkuaiyun.com/wondering_cat/article/details/108602924</guid><author>wondering_cat</author><pubDate>Mon, 23 Nov 2020 14:16:59 +0800</pubDate><description><![CDATA[1.进程间的通信方式
]]></description><category></category></item><item><title><![CDATA[时间戳和日期类型转换（记录小坑）]]></title><link>https://blog.youkuaiyun.com/wondering_cat/article/details/109785398</link><guid>https://blog.youkuaiyun.com/wondering_cat/article/details/109785398</guid><author>wondering_cat</author><pubDate>Wed, 18 Nov 2020 20:44:17 +0800</pubDate><description><![CDATA[前言：

时间戳转日期默认的时间戳单位是秒，这个例子中的时间戳createtime单位是毫秒，先进行一下单位处理之后再进行格式转换。（因为这么个东西浪费好久时间）


import time

# 获取当前时间戳
time_stamp = time.time()

# 1.时间戳转换为普通日期
createtime = 1605701663833
datetime.datetime.fromtimestamp(create_time/1000).strftime('%Y-%m-%d %H:%M:%S')

]]></description><category></category></item><item><title><![CDATA[Django中多条件查询，空值判断]]></title><link>https://blog.youkuaiyun.com/wondering_cat/article/details/109221920</link><guid>https://blog.youkuaiyun.com/wondering_cat/article/details/109221920</guid><author>wondering_cat</author><pubDate>Thu, 22 Oct 2020 14:52:06 +0800</pubDate><description><![CDATA[需求：通过多个字段进行筛选查询，这些字段可能为空，当为空时不作为筛选条件；

解决办法：where中使用 （字段名=条件 or 条件=""）

例：


sql="select id,name from student where (sno='%(sno)s' or '%(sno)s'='') and (identity='%(identity)s' or '%(identity)s'='')" % {
    'sno':sno,
    'identity':identity,
}



参考博客

.]]></description><category></category></item><item><title><![CDATA[MySQL数据库引擎总结]]></title><link>https://blog.youkuaiyun.com/wondering_cat/article/details/108555411</link><guid>https://blog.youkuaiyun.com/wondering_cat/article/details/108555411</guid><author>wondering_cat</author><pubDate>Fri, 09 Oct 2020 18:54:19 +0800</pubDate><description><![CDATA[事务的ACID特性：

原子性：事务要么全执行，要么全不执行

一致性：事务执行前后，数据完整性一致

隔离性：一个事务的执行不能被其他事务干扰。

持续性：指一个事务一旦提交，对数据库中数据的改变是永久性的。

事务的隔离级别：

在标准的 SQL 规范中定义了四种事务隔离级别，不同的隔离级别对事务的处理有所不同。这四种事务的隔离级别如下。

1）Read Uncommitted（读未提交，防止丢失更新）

一个事务在执行过程中，既可以访问其他事务未提交的新插入的数据，又可以访问未提交的修改数...]]></description><category></category></item><item><title><![CDATA[计算机网络相关]]></title><link>https://blog.youkuaiyun.com/wondering_cat/article/details/108599388</link><guid>https://blog.youkuaiyun.com/wondering_cat/article/details/108599388</guid><author>wondering_cat</author><pubDate>Sun, 27 Sep 2020 12:50:45 +0800</pubDate><description><![CDATA[1.DNS域名解析过程





当一个用户在地址栏输入www.taobao.com时，DNS解析过程如下：

1. 浏览器先检查自身缓存中有没有被解析过的这个域名对应的ip地址，如果有，解析结束。同时域名被缓存的时间也可通过TTL属性来设置。

2. 如果浏览器缓存中没有命中，浏览器会检查操作系统缓存中有没有对应的已解析过的结果。而操作系统也有一个域名解析的过程。在windows中可通过c盘里一个叫hosts的文件来设置，如果你在这里指定了一个域名对应的ip地址，那浏览器会首先使用这个ip地址。
...]]></description><category></category></item><item><title><![CDATA[Python神经网络编程笔记（三）]]></title><link>https://blog.youkuaiyun.com/wondering_cat/article/details/83340748</link><guid>https://blog.youkuaiyun.com/wondering_cat/article/details/83340748</guid><author>wondering_cat</author><pubDate>Tue, 15 Sep 2020 12:16:20 +0800</pubDate><description><![CDATA[一、权重更新问题

在之前的章节，我们使用误差来指导如何调整链接权重，这也是线性分类器所做的事。在计算权重时，有人会建议采用暴力方法，但随着网络层、节点和权重的增加，暴力方法会不切实际，因此提出了梯度下降的方法。

（一）“梯度下降”方法

1.二维空间函数

（1）适用场合：

&amp;lt;1&amp;gt;如果函数非常复杂，不能用代数方法轻松找到结果值，可以采用这个方法。

&amp;lt;2&amp;gt;当函数有很多...]]></description><category></category></item><item><title><![CDATA[Python神经网络编程学习笔记（二）]]></title><link>https://blog.youkuaiyun.com/wondering_cat/article/details/83104226</link><guid>https://blog.youkuaiyun.com/wondering_cat/article/details/83104226</guid><author>wondering_cat</author><pubDate>Tue, 15 Sep 2020 12:16:10 +0800</pubDate><description><![CDATA[神经网络的核心思想：

简单的线性分类器的主要限制：如果不能用一条直线把根本性问题划分开来，分类器是无用的。在一些任务中，根本性问题不是线性可分的。 

神经网络的核心思想是使用多个线性分类器一起工作，来划分由单一直线无法分离的数据。

一、神经网络追踪信号

1.利用S函数进行计算

S函数：y = 1/(1 + e^−x ) ，先根据节点输出值及权重计算出ｘ值，再利用Ｓ函数计算ｙ值。...]]></description><category></category></item><item><title><![CDATA[Python神经网络编程学习笔记（一）]]></title><link>https://blog.youkuaiyun.com/wondering_cat/article/details/83053783</link><guid>https://blog.youkuaiyun.com/wondering_cat/article/details/83053783</guid><author>wondering_cat</author><pubDate>Tue, 15 Sep 2020 12:16:00 +0800</pubDate><description><![CDATA[一、预测器（千米转换英里）

若简单机器接受了一个输入，并做出应有的预测，输出结果，所以我们将其称为预测器。我们根据结果与已知真实示例进行比较所得到的误差，调整内部参数，使预测更加精确。预测器的核心是有一个可调节的线性函数。

已知千米和英里之间存在线性关系：英里=千米×C，随机取C的值，目标为减少误差。



无需使用确切的方法计算出C值，采用持续细化误差的想法。我们尝试得到一个答案，并多次改进...]]></description><category></category></item><item><title><![CDATA[Python制作神经网络代码]]></title><link>https://blog.youkuaiyun.com/wondering_cat/article/details/83958336</link><guid>https://blog.youkuaiyun.com/wondering_cat/article/details/83958336</guid><author>wondering_cat</author><pubDate>Tue, 15 Sep 2020 12:15:45 +0800</pubDate><description><![CDATA[Python制作神经网络，代码如下:


import numpy
import scipy.special

#neural network class definition
class neuralNetwork:
    #initialise the neural network
    def __init__(self , inputnodes, hiddennodes, output...]]></description><category></category></item><item><title><![CDATA[深度学习（一）：PaddlePaddle实现波士顿房价预测]]></title><link>https://blog.youkuaiyun.com/wondering_cat/article/details/102542846</link><guid>https://blog.youkuaiyun.com/wondering_cat/article/details/102542846</guid><author>wondering_cat</author><pubDate>Tue, 10 Dec 2019 15:52:07 +0800</pubDate><description><![CDATA[一、PaddlePaddle安装

参考链接：https://blog.youkuaiyun.com/weixin_34117522/article/details/91869718

安装时可能会出现scipy、numpy等版本不匹配问题，原因是paddlepaddle要求版本与已经安装版本不匹配

pip install --target=F:\PaddlePaddle paddlepaddle 

此...]]></description><category></category></item><item><title><![CDATA[Python解决0/1背包和完全背包问题]]></title><link>https://blog.youkuaiyun.com/wondering_cat/article/details/100890074</link><guid>https://blog.youkuaiyun.com/wondering_cat/article/details/100890074</guid><author>wondering_cat</author><pubDate>Tue, 10 Dec 2019 15:51:06 +0800</pubDate><description><![CDATA[总述：

在解决背包问题前，需要了解的是动态规划的思想，背包问题是最典型的动态规划应用。

一、0/1背包问题

0/1背包的关键在于每个物品都只有两个状态：装和不装。

例如，某0/1背包问题为，n=5，w={2,2,6,5,4}，v={6,3,5,4,6}，W=10。求背包能装下的最大价值。

分析：





背包的回推过程非常关键，在接下来的实例中会详细阐述。

其中i表示物品序号，r表示...]]></description><category></category></item><item><title><![CDATA[tomcat安装后无法正常启动解决步骤]]></title><link>https://blog.youkuaiyun.com/wondering_cat/article/details/78725073</link><guid>https://blog.youkuaiyun.com/wondering_cat/article/details/78725073</guid><author>wondering_cat</author><pubDate>Tue, 05 Dec 2017 21:25:36 +0800</pubDate><description><![CDATA[​​端口号被占用，结束进程即可。
1.查看端口号被占用情况，开始——运行——cmd，输入命令netstat-ano
找到8080端口号
看到后面是有一个PID，然后把占用8080端口的PID号记下来]]></description><category></category></item><item><title><![CDATA[MySQL命令行输入密码后闪退问题解决]]></title><link>https://blog.youkuaiyun.com/wondering_cat/article/details/78724857</link><guid>https://blog.youkuaiyun.com/wondering_cat/article/details/78724857</guid><author>wondering_cat</author><pubDate>Tue, 05 Dec 2017 21:13:50 +0800</pubDate><description><![CDATA[一、密码错误。
如果密码输入错误，MySQL终端会自动退出。
二、MySQL服务未启动，手动启动。
计算机—>管理—>服务和应用程序—>服务—>MySQL]]></description><category></category></item><item><title><![CDATA[div实现简单的页面布局]]></title><link>https://blog.youkuaiyun.com/wondering_cat/article/details/78481765</link><guid>https://blog.youkuaiyun.com/wondering_cat/article/details/78481765</guid><author>wondering_cat</author><pubDate>Wed, 08 Nov 2017 18:31:50 +0800</pubDate><description><![CDATA[摘要：使用html和css实现简单的旅游网站布局，从而熟练地运用css样式，达到美观的布局效果。
HTML代码：


  
    a.html
	
    
    
    
    
    
	
  
  
  
  
  	
  	
  		
  			<img alt="新疆风光" src="images/1.jpg"
  			 style="width: 780px;heigh]]></description><category></category></item></channel></rss>