一个总是记不住的： circle(x, y) 表示 以x长度为半径，y为角度，当前方向左侧x出为圆心，画圆。其中x和y都可以是负数，相应取反。 turtle八边形绘制  ‪‬‪‬‪‬‪‬‪‬‮‬‪‬‫‬‪‬‪‬‪‬‪‬‪‬‮‬‭‬‫‬‪‬‪‬‪‬‪‬‪‬‮‬‭‬‫‬‪‬‪‬‪‬‪‬‪‬‮‬‪‬‫‬‪‬‪‬‪‬‪‬‪‬‮‬‫‬‭‬‪‬‪‬‪‬‪‬‪‬‮‬‭‬描述 使用turtle库，绘制一个八边形。‪‬‪‬‪‬‪‬‪‬‮‬‪‬‫‬‪‬‪‬‪‬‪‬‪‬‮‬‭‬‫‬‪‬‪‬‪‬‪‬‪‬‮‬‭‬‫‬‪‬‪‬‪‬‪‬‪‬‮‬‪‬‫‬‪‬‪‬‪‬‪‬‪‬‮‬‫‬‭‬‪‬‪‬‪‬‪‬‪‬‮‬‭‬‫‬ 输出示...

  字符串分段组合 描述 获得输入的一个字符串s，以字符减号(-)分割s，将其中首尾两段用加号(+)组合后输出。‪‬‪‬‪‬‪‬‪‬‮‬‪‬‫‬‪‬‪‬‪‬‪‬‪‬‮‬‭‬‫‬‪‬‪‬‪‬‪‬‪‬‮‬‭‬‫‬‪‬‪‬‪‬‪‬‪‬‮‬‪‬‫‬‪‬‪‬‪‬‪‬‪‬‮‬‫‬‭‬‪‬‪‬‪‬‪‬‪‬‮‬‭‬‫‬  ‪‬‪‬‪‬‪‬‪‬‮‬‪‬‫‬‪‬‪‬‪‬‪‬‪‬‮‬‭‬‫‬‪‬‪‬‪‬‪‬‪‬‮‬‭‬‫‬‪‬‪‬‪‬‪‬‪‬‮‬‪‬‫‬‪‬‪‬‪‬‪‬‪‬‮‬‫‬‭‬‪‬‪‬‪‬‪‬‪‬‮‬‭‬‫‬  ‪‬‪‬‪‬‪‬‪‬‮‬‪‬‫‬‪‬‪‬‪‬‪‬‪‬‮‬‭‬‫‬‪‬‪‬‪‬‪‬‪‬‮‬‭‬‫‬...

四位玫瑰数 描述‪‬‪‬‪‬‪‬‪‬‮‬‪‬‫‬‪‬‪‬‪‬‪‬‪‬‮‬‭‬‫‬‪‬‪‬‪‬‪‬‪‬‮‬‭‬‫‬‪‬‪‬‪‬‪‬‪‬‮‬‪‬‫‬‪‬‪‬‪‬‪‬‪‬‮‬‫‬‭‬‪‬‪‬‪‬‪‬‪‬‮‬‭‬‫‬ 四位玫瑰数是4位数的自幂数。自幂数是指一个 n 位数，它的每个位上的数字的 n 次幂之和等于它本身。‪‬‪‬‪‬‪‬‪‬‮‬‪‬‫‬‪‬‪‬‪‬‪‬‪‬‮‬‭‬‫‬‪‬‪‬‪‬‪‬‪‬‮‬‭‬‫‬‪‬‪‬‪‬‪‬‪‬‮‬‪‬‫‬‪‬‪‬‪‬‪‬‪‬‮‬‫‬‭‬‪‬‪‬‪‬‪‬‪‬‮‬‭‬‫‬ 例如：当n为3时，有1^3 + 5^3 + 3^3 = 153，153即是n为3时的一个自幂数，...

一个还不太懂的：模块内高耦合、模块间低耦合 随机密码生成 描述 补充编程模板中代码，完成如下功能：‪‬‪‬‪‬‪‬‪‬‮‬‪‬‫‬‪‬‪‬‪‬‪‬‪‬‮‬‭‬‫‬‪‬‪‬‪‬‪‬‪‬‮‬‭‬‫‬‪‬‪‬‪‬‪‬‪‬‮‬‪‬‫‬‪‬‪‬‪‬‪‬‪‬‮‬‫‬‭‬‪‬‪‬‪‬‪‬‪‬‮‬‭‬‫‬ 以整数17为随机数种子，获取用户输入整数N为长度，产生3个长度为N位的密码，密码的每位是一个数字。每个密码单独一行输出。‪‬‪‬‪‬‪‬‪‬‮‬‪‬‫‬‪‬‪‬‪‬‪‬‪‬‮‬‭‬‫‬‪‬‪‬‪‬‪‬‪‬‮‬‭‬‫‬‪‬‪‬‪‬‪‬‪‬‮‬‪‬‫‬‪‬‪‬‪‬‪‬‪‬‮‬‫‬‭‬‪‬‪‬‪‬‪‬‪‬‮‬‭‬...

全部笔记都放在jupyter notebook里面了  有需要的可以下载哟~

二维数组作为函数参数调用过程中： void Fun(**a, m, n) { //.... } //.... Fun(a,m,n);  调用函数过程中，会发现VS报错： //IntelliSense: "int (*)[3]" 类型的实参与 "int **" 类型的形参不兼容   这怎么难得倒我？反手一个Ctrl+C Ctrl + V 百度一下，原来强制类型转换一下就ok！ Fun((int **)a,m,n);  编译 没有错误！ 运行 啪啪打脸。。。 正文开始： 可以用二维数组名作为实参或者形参，在被调用函数中对形参数组定义时可以指定所有维数的大小，...

矩阵连乘问题描述  给定 n n n个矩阵 { A 1 , A 2 , … , A n } \left\{A_{1}, A_{2}, \ldots, A_{n}\right\} { A1​,A2​,…,An​}，其中 A i A_{i} Ai​与 A i + 1 A_{i+1} Ai+1​是可乘的， i = 1 , 2 , 3 , . . . , n i=1,2,3,...,n i=1,2,3,...,n 考查这 n n n个矩阵的连乘积 A 1 A 2 … A n A_{1}A_{2} \ldots A_{n} A1​A2​…An​ 由于矩阵乘法满足结合律，所以计算矩阵的连乘可以有许多不同的...

在机器学习中，线性回归、逻辑回归问题总是绕不开代价函数。本文将从代价函数的个人理解，均方误差代数函数作用原理以及在线性回归问题中为什么选择均方误差代数函数阐述。 1、代价函数的理解： 代价函数：真实的值与预测的值之间的偏差，由于偏差有可能正有可能负，因此使用均方差来表示。代价函数的目的即用于找到最优解。 损失函数Loss Function：定义在单个样本上，算的是一个样本的误差。 代价函数Cost Function：定义在整个训练集上，算的是所有样本的误差，也就是损失函数的平均。 目标函数Object Function：定义为最终需要优化的函数。 Object Function = Cost ...

1.1监督学习&无监督学习 1.1.1监督学习Supervised learning   定义:从标注数据中学习预测模型的机器学习问题。 标注数据：表示输入输出的对应关系，预测模型对给定的输入产生对应的输出。 本质：监督学习的本质是学习输入输出的映射的统计规律。    监督学习的例子：房价预测 肿瘤良性预测问题  房价预测（回归） 肿瘤是否为良性预测（分类）   1.1.2无监督学习Unsupervised learning   定义：从无标注数据中学习预测模型的机器学习问题。 无标注数据：是自然得到的数据，预测模型表示数据的类别、转换或概率。 本质：无监督学习的本质是学习数据中的统计...

本文转自：木子章的博客 Jupyter有三种cell类型：  Code(编辑代码，运行后显示代码运行结果) Markdown(编写Markdown文档，运行后输出Markdown格式的文档) Raw NBConvert(普通文本，运行不会输出结果)  Jupyter支持两种模式：   编辑模式(Enter)  命令模式下回车Enter或鼠标代码块进入编辑模式 可以操作代码或文本，进行剪切 / 复制 / 粘贴等操作   命令模式(Esc)  按Esc退出编辑，进入命令模式或单击代码块外部 可以操作cell单元本身，进行剪切 / 复制 / 粘贴/移动等操作   工具栏操作cell  快捷键操作ce...

1逻辑回归知识点小结 分类问题的一些例子  判断一封电子邮件是否是垃圾邮件 判断一次金融交易是否是欺诈 判断一个肿瘤是良性还是恶性  假说表示  逻辑回归模型的假设是：  h θ ( x ) = g ( θ T X ) h_{\theta}(x)=g\left(\theta^{T} X\right) hθ​(x)=g(θTX)   X 特征向量 g 逻辑函数sigmoid function  sigmoid function的代码实现：  g ( z ) = 1 1 + e − z g(z)=\frac{1}{ {1+e^{-z}}} g(z)=1+e−z1​ import numpy as ...

花式索引 切片 import numpy as np a = np.arange(10) print("a:{}".format(a)) print("a[2:7:2]结果:{}".format(a[2:7:2]))  结果： a:[0 1 2 3 4 5 6 7 8 9] a[2:7:2]结果:[2 4 6]  解析：  索引范围是2到7(不包含7) 切片步长是2 最终结果：  import numpy as np a = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) b = a[1:3, 0:2] print...

Tensorflow（1.x版本） 核心概念Graph和Session   Data Flow Graph [数据流图]   计算定义≠执行计算   计算的定义和执行，被很好地分离开了   模型跑起来，需要2步:    描绘整幅图(定义计算)    在session当中执行图中的运算 Tensorflow   Tensor + Flow   张量在图中通过运算(op)进行传递和变换  Tensor是什么？   在tensorflow里，可以将tensor[张量]理解成一个n维的矩阵：    0-d tensor 1-d tensor 2-d tensor     标量/数 scalar 向量 ...

cmake升级至3.15版本 缘由：在Ubuntu16.04下安装编译NCNN库时提示cmake版本要大于等于3.15版本 (这个问题折腾了几个小时，记录一下！) camke报错信息: if given arguments:   CMAKE_MAJOR_VERSION" "GREATER_EQUAL" "3"" AND "CMAKE_MINOR_VERSION" "GREATER_EQUAL" 15 Unknown arguments apecfied. 意思是cmake主版本号要至少是3；次版...