<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[枫城雪-----学习空间]]></title><description><![CDATA[记录学习过程]]></description><link>https://blog.youkuaiyun.com/yu_1628060739</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; yu_1628060739]]></copyright><item><title><![CDATA[异或和取模在项目开发中的妙用]]></title><link>https://blog.youkuaiyun.com/yu_1628060739/article/details/152002414</link><guid>https://blog.youkuaiyun.com/yu_1628060739/article/details/152002414</guid><author>yu_1628060739</author><pubDate>Wed, 24 Sep 2025 09:30:00 +0800</pubDate><description><![CDATA[利用异或（XOR）运算的独特性质：用于在两个状态（如双缓冲区切换）之间快速切换。巧妙取模思想的运用，可防止越界达到循环。]]></description><category></category></item><item><title><![CDATA[精打细算的好工具--位域]]></title><link>https://blog.youkuaiyun.com/yu_1628060739/article/details/152000592</link><guid>https://blog.youkuaiyun.com/yu_1628060739/article/details/152000592</guid><author>yu_1628060739</author><pubDate>Wed, 24 Sep 2025 09:00:00 +0800</pubDate><description><![CDATA[在资源受限的嵌入式系统中，位域是节省存储空间的有效手段。类型匹配：使用与硬件文档一致的底层类型（如uint32_t// 明确使用32位无符号类型// 保留位避免类型混用：确保所有成员使用相同类型。内存屏障：结合volatile防止编译器优化。]]></description><category></category></item><item><title><![CDATA[在没有强制对齐时，结构体大小到底怎么算？]]></title><link>https://blog.youkuaiyun.com/yu_1628060739/article/details/151992077</link><guid>https://blog.youkuaiyun.com/yu_1628060739/article/details/151992077</guid><author>yu_1628060739</author><pubDate>Tue, 23 Sep 2025 11:12:00 +0800</pubDate><description><![CDATA[对于初学者来说，可能大家都比较困惑，结构体大小怎么和想象中的大小不一致，比实际各个成员大小累加起来的大。其实结构体的大小并不是简单的将所有的成员大小加起来这边简单。]]></description><category></category></item><item><title><![CDATA[为什么结构体也叫“万能数组”呢？]]></title><link>https://blog.youkuaiyun.com/yu_1628060739/article/details/151988771</link><guid>https://blog.youkuaiyun.com/yu_1628060739/article/details/151988771</guid><author>yu_1628060739</author><pubDate>Tue, 23 Sep 2025 10:29:48 +0800</pubDate><description><![CDATA[为什么结构体也叫“万能数组”呢？它和数组有什么相似的地方呢？结构体的使用语法有多种，下面介绍2中比较常见的：第一种：使用structchar id;int value;//直接声明//声明的时候初始化.id = 'A',第二种：使用typedefchar id;int value;//直接声明//声明加初始化.id = 'A',]]></description><category></category></item><item><title><![CDATA[将某个字符串分几个相等元素个数的子字符串，并将子字符串翻转（2021届校招滴滴笔试编程题）]]></title><link>https://blog.youkuaiyun.com/yu_1628060739/article/details/108568555</link><guid>https://blog.youkuaiyun.com/yu_1628060739/article/details/108568555</guid><author>yu_1628060739</author><pubDate>Sun, 13 Sep 2020 21:27:04 +0800</pubDate><description><![CDATA[题目如标题：
代码：
li_n=list(map(int,input().split()))
li = list(input().split())

lenght=li_n[0]
s=li[0]

ss=[]
n=0
for i in range(1,len(s)+1):
    if i % lenght ==0:
        ls=s[n:n+lenght]
        n=n+lenght
        S = ls[::-1] ##翻转字符串
        ss.append(S)

r]]></description><category></category></item><item><title><![CDATA[22.深度学习——卷积神经网络]]></title><link>https://blog.youkuaiyun.com/yu_1628060739/article/details/107885715</link><guid>https://blog.youkuaiyun.com/yu_1628060739/article/details/107885715</guid><author>yu_1628060739</author><pubDate>Mon, 10 Aug 2020 20:31:45 +0800</pubDate><description><![CDATA[1、 深层的神经网络
深度学习网络与更常见的单一隐藏层神经网络的区别在于深度，深度学习网络中，每一个节点层在前一层输出的基础上学习识别一组特定的特征。随着神经网络深度增加，节点所能识别的特征也就越来越复杂。
2、卷积神经网络

2.1、卷积神经网络与简单的单层神经网络的比较

卷积神经网路的错误率很低。

2.2、卷积神经网络的发展历史

2.3、卷积神经网络的结构分析

神经网络(neural networks)的基本组成包括输入层、隐藏层、输出层。而卷积神经网络的特点在于隐藏层分为卷积层和池化层(poo]]></description><category></category></item><item><title><![CDATA[21. 深度学习——感知机和人工神经网络]]></title><link>https://blog.youkuaiyun.com/yu_1628060739/article/details/107825539</link><guid>https://blog.youkuaiyun.com/yu_1628060739/article/details/107825539</guid><author>yu_1628060739</author><pubDate>Thu, 06 Aug 2020 15:03:07 +0800</pubDate><description><![CDATA[1、 感知机
感知机用来解决分类问题的，线性回归可以解决回归问题。



]]></description><category></category></item><item><title><![CDATA[tensorflow的API——tf.one_hot]]></title><link>https://blog.youkuaiyun.com/yu_1628060739/article/details/107832172</link><guid>https://blog.youkuaiyun.com/yu_1628060739/article/details/107832172</guid><author>yu_1628060739</author><pubDate>Thu, 06 Aug 2020 10:50:29 +0800</pubDate><description><![CDATA[tf.one_hot 在求交叉熵是会用到，要对目标值（标签值）进行one_hot编码。相当于将多个数值联合放在一起作为多个相同类型的向量，可用于表示各自的概率分布。比如在求交叉熵的时候：
交叉熵公式：

yi我们知道是softmax后的结果，也就是某个样本是所有类别的每一个类别的概率，yi’ 是真实的结果，也是一个概率，那应该是多少呢？刚刚说了one_hot相当于将多个数值联合放在一起作为多个相同类型的向量，可用于表示各自的概率分布；因此我计算交叉熵是这样的计算的：

如上图，一个手写体识别的例子，手写体一]]></description><category></category></item><item><title><![CDATA[15. 深度学习——tensorflow实现线性回归和模型的保存、加载]]></title><link>https://blog.youkuaiyun.com/yu_1628060739/article/details/107693988</link><guid>https://blog.youkuaiyun.com/yu_1628060739/article/details/107693988</guid><author>yu_1628060739</author><pubDate>Mon, 03 Aug 2020 11:02:51 +0800</pubDate><description><![CDATA[小程序

]]></description><category></category></item><item><title><![CDATA[18. 深度学习——图像的读取（笔记）]]></title><link>https://blog.youkuaiyun.com/yu_1628060739/article/details/107736378</link><guid>https://blog.youkuaiyun.com/yu_1628060739/article/details/107736378</guid><author>yu_1628060739</author><pubDate>Mon, 03 Aug 2020 09:00:11 +0800</pubDate><description><![CDATA[1. 图像基本知识
像素值就是特征值

单通道：每一个像素一个值，叫灰度值在[0~255]之间，三通道，每个像素点3个值。

4-D张量是 [样本数，height, width, channels]

缩放图片⼤小：减少像素的量；统⼀图⽚的⼤小，去进⾏算法识别。
2. 图像基本操作API


3.案例
狗图片读取
1、构造图片文件队列
2、构造图片阅读器
3、读取图片数据
4、处理图片数据
代码：
import tensorflow as tf
import os

main_path = "F:/文本文件]]></description><category></category></item><item><title><![CDATA[17.深度学习——文本文件的读取（笔记）]]></title><link>https://blog.youkuaiyun.com/yu_1628060739/article/details/107709972</link><guid>https://blog.youkuaiyun.com/yu_1628060739/article/details/107709972</guid><author>yu_1628060739</author><pubDate>Sat, 01 Aug 2020 20:26:04 +0800</pubDate><description><![CDATA[1. 文件读取的一般流程

文件队列构造
文件阅读器
文件内容解码器
批处理

前3个步骤都是读取一个样本，第四步读取多个样本。
2. 每个步骤需要的API




读取数据中也用到线程的操作：

3. 文件读取案例
各种文本文件，这里使用的是txt文件，其他csv之类的都可以。
import tensorflow as tf
import os

main_path = "F:/文本文件数据/"
# 导入数据的准备
file_name = os.listdir(main_path)
print(file_]]></description><category></category></item><item><title><![CDATA[jupyter notebook中Nbextensions插件功能大全]]></title><link>https://blog.youkuaiyun.com/yu_1628060739/article/details/107708736</link><guid>https://blog.youkuaiyun.com/yu_1628060739/article/details/107708736</guid><author>yu_1628060739</author><pubDate>Fri, 31 Jul 2020 10:56:44 +0800</pubDate><description><![CDATA[Nbextensions简介
Nbextensions软件包是Jupyter非官方扩展包的集合，可以为Jupyter提供很多实用的功能。
这些扩展包大部分为Javascript编写，在运行Jupyter浏览器时被本地加载。
文档地址：https://jupyter-contrib-nbextensions.readthedocs.io/en/latest/index.html

Nbextensions扩展包插件的安装方法
关闭Jupyter，在命令提示符(cmd)中执行如下命令：
pip install ]]></description><category></category></item><item><title><![CDATA[16. 深度学习——tensorflow队列和线程（笔记）]]></title><link>https://blog.youkuaiyun.com/yu_1628060739/article/details/107694218</link><guid>https://blog.youkuaiyun.com/yu_1628060739/article/details/107694218</guid><author>yu_1628060739</author><pubDate>Thu, 30 Jul 2020 19:55:31 +0800</pubDate><description><![CDATA[1、 Tensorflow队列

队列的API

1、同步操作
示例：完成一个出队列、+1、入队列操作
代码
# 模拟一下同步操作，先处理数据，然后才能取数据训练
import tensorflow as tf
# 1.首先定义队列
Q = tf.FIFOQueue(3, tf.float32)

# 放入一些数据
enq_many = Q.enqueue_many([[0.1, 0.2, 0.3], ])  # [,]用逗号隔开指定列表，防止与tensor混淆

# 2.定义一些处理数据， 取数据的过程 ]]></description><category></category></item><item><title><![CDATA[14. 深度学习——Tensorflow基础（笔记）]]></title><link>https://blog.youkuaiyun.com/yu_1628060739/article/details/107683912</link><guid>https://blog.youkuaiyun.com/yu_1628060739/article/details/107683912</guid><author>yu_1628060739</author><pubDate>Thu, 30 Jul 2020 11:30:20 +0800</pubDate><description><![CDATA[1、认识Tensorflow

1.1 Tensorflow特点

2、Tensorflow
关闭警告
import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'

2.1 图

代码
import tensorflow as tf
import os

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
a = tf.constant(3.0)
b = tf.constant(2.0)
sum = tf.add(a, b)

print(]]></description><category></category></item><item><title><![CDATA[13. 机器学习——非监督学习 K-means （笔记）]]></title><link>https://blog.youkuaiyun.com/yu_1628060739/article/details/107682983</link><guid>https://blog.youkuaiyun.com/yu_1628060739/article/details/107682983</guid><author>yu_1628060739</author><pubDate>Thu, 30 Jul 2020 10:19:02 +0800</pubDate><description><![CDATA[非监督学习的特点？

物以类聚，人以群分
非监督学习(unsupervised learning)的方法主要有 K - means

k-means步骤

1、k-means API
• sklearn.cluster.KMeans

2、Kmeans性能评估指标


b_i&gt;&gt;a_i: 趋近于1 效果最好
b_i&lt;&lt;a_i:趋近于 趋近于-1，效果不好 ，效果不好
轮廓系数的值是介于 [-1,1] ，越趋近于1代表内聚度和分离度都相对较优
3、Kmeans性能评估指标API
• s]]></description><category></category></item><item><title><![CDATA[12. 机器学习——分类算法-逻辑回归]]></title><link>https://blog.youkuaiyun.com/yu_1628060739/article/details/107608367</link><guid>https://blog.youkuaiyun.com/yu_1628060739/article/details/107608367</guid><author>yu_1628060739</author><pubDate>Tue, 28 Jul 2020 11:03:26 +0800</pubDate><description><![CDATA[• 广告点击率
• 是否为垃圾邮件
• 是否患病
• 金融诈骗
• 虚假账号
逻辑回归是解决二分类问题的利器
逻辑回归可以和朴素贝叶斯一样给出一个样本属于某一类的概率。它是因为激活函数sigmoid

逻辑回归：线性回归的式子作为的输⼊入
逻辑回归是样本中那个类别少，就判断每一个样本是这个类别的概率，大于阈值0.5，就认为是否则不是这个类别。
它的损失函数和优化

对数似然损失函数，有点像之前的信息熵的求法。



...]]></description><category></category></item><item><title><![CDATA[11. 机器学习——sklearn 中模型的保存和加载]]></title><link>https://blog.youkuaiyun.com/yu_1628060739/article/details/107607740</link><guid>https://blog.youkuaiyun.com/yu_1628060739/article/details/107607740</guid><author>yu_1628060739</author><pubDate>Mon, 27 Jul 2020 11:28:23 +0800</pubDate><description><![CDATA[sklearn模型的保存和加载
from sklearn.externals import joblib

示例;
保存代码
from sklearn.datasets import load_boston
from sklearn.linear_model import Ridge
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklear]]></description><category></category></item><item><title><![CDATA[10. 机器学习——带正则化的岭回归（笔记）]]></title><link>https://blog.youkuaiyun.com/yu_1628060739/article/details/107605834</link><guid>https://blog.youkuaiyun.com/yu_1628060739/article/details/107605834</guid><author>yu_1628060739</author><pubDate>Mon, 27 Jul 2020 11:08:18 +0800</pubDate><description><![CDATA[1、过拟合与欠拟合
问题：训练数据训练的很好啊，误差也不大，为什么在测试集上面有问题呢？
欠拟合：

过拟合
分析上图1
经过训练后，知道了天鹅是有翅膀的，天鹅的嘴巴是长长的。简单的认为有这些特征的都是天鹅。因为机器学习到的天鹅特征太少了，导致区分标准太粗糙，不能准确识别出天鹅。
分析上图2
机器通过这些图片来学习天鹅的特征，经过训练后，知道了天鹅是有翅膀的，天鹅的嘴巴是长长的弯曲的，天鹅的脖子是长长的有点曲度，天鹅的整个体型像一个"2"且略大于鸭子。这时候机器已经基本能区别天鹅和其他动物了。然后，很不巧已]]></description><category></category></item><item><title><![CDATA[9. 机器学习——线性回归（笔记）]]></title><link>https://blog.youkuaiyun.com/yu_1628060739/article/details/107570073</link><guid>https://blog.youkuaiyun.com/yu_1628060739/article/details/107570073</guid><author>yu_1628060739</author><pubDate>Mon, 27 Jul 2020 10:12:26 +0800</pubDate><description><![CDATA[1、回忆回归问题的判定？


房价预测
销售额预测
贷款额度

目标值是一个连续的值，就是回归问题。
目标值是一个离散的值，就是分类问题。
2、线性回归

线性回归：寻找⼀一种能预测的趋势

2.1 线性关系模型

定义

自变量就是特征值，因变量就是目标值
矩阵：是⼤多数算法计算基础，接下来介绍矩阵和数组的区别
2.2 矩阵和数组

数组有很多维数，0维就是一个数值，1维、2维等，矩阵就只是有二维。矩阵的二维和数组的二维有啥区别？
主要区别在于数学上的运算，数组有加法、乘法运算，矩阵也有乘法运算，矩阵的乘]]></description><category></category></item><item><title><![CDATA[8. 机器学习——分类算法-决策树、随机森林（笔记案例）]]></title><link>https://blog.youkuaiyun.com/yu_1628060739/article/details/107460233</link><guid>https://blog.youkuaiyun.com/yu_1628060739/article/details/107460233</guid><author>yu_1628060739</author><pubDate>Mon, 20 Jul 2020 17:27:19 +0800</pubDate><description><![CDATA[1、 决策树
1.1 认识决策树
决策树思想的来源非常朴素，程序设计中的条件分支结构就是if-then结构，最早的决策树就是利用这类结构分割数据的一种分类学习方法。

例子：

你如何去划分是否能得到贷款？

决策树的实际划分

1.2 信息的度量和作用
猜谁是冠军？假设有32支球队
每猜一次给一块钱，告诉我是否猜对了，那么我需要掏多少钱才能知道谁是冠军？我可以把球编上号，从1到32，然后提问：冠 军在1-16号吗？依次询问，只需要五次，就可以知道结果。
32支球队，log32=5比特
64支球队，log6]]></description><category></category></item></channel></rss>