安静_xju

语音识别入门第四节：隐马尔可夫模型（HMM）

隐马尔可夫模型的基本概念

定义

组成

基本假设

分类

隐马尔可夫模型的三个基本问题

概率计算问题

预测问题

学习问题

隐马尔可夫模型的基本概念

定义

隐马尔可夫模型（Hidden Markov Model，HMM）是关于时间序列的概率模型，描述由一个隐藏的马尔科夫链随机生成不可观测的状态序列（state sequence），再由各个状态生成一个观测而产生观测序列（observation sequence）的过程，序列的每一个位置又可以看作是一个时刻。

组成

HMM由初始概率分布、状态转移概率分布和观测概率分布决定，当观测为离散值时：

$Q=\{q_{1}q_{2}\cdots q_{N}\}$ 所有可能的状态的集合（个）
$V=\{v_{1}v_{2}\cdots v_{M}\}$ 所有可能的观测的集合（个）
$I=\{i_{1}i_{2}\cdots i_{T}\}$ 长度为的状态序列，每个状态均来自状态集合
$O=\{o_{1}o_{2}\cdots o_{T}\}$ 长度为的观测序列，每个均来自观测集合
$A=\left [ a_{ij} \right ]_{N\times N}$ 状态转移概率矩阵，其中 $a_{ij}=P(i_{t+1}=q_j|i_t=q_i),i=1,2,\cdots,N;j=1,2,\cdots,N$ ，是在时刻处于状态的条件下，时刻转移到状态的概率。
$B=\left [ b_{j}(o_t) \right ]_{N\times M}$ 观测概率矩阵，其中 $b_{j}(o_{t})=P(o_t=v_k|i_t=q_j),k=1,2,\cdots,M;j=1,2,\cdots,N$ ，是在时刻处于状态的条件下生成观测的概率
$\pi = (\pi _{i})$ 初始状态概率向量，其中， $\pi_{i}=P(i_1=q_i),i=1,2,\cdots,N$ ，是时刻处于状态的概率。

HMM $\lambda =(A,B,\pi)$ ，、、 $\pi$ 称为HMM的三要素

基本假设

齐次马尔可夫性假设：隐藏的马尔科夫链在时刻t的状态只与时刻t-1的状态有关，即 $P(i_t|i_{t-1},o_{t-1},\cdots,i_1,o_1)=P(i_t|i_{t-1}),t=1,2,\cdots,T$ 。

观测独立性假设：观测只和当前时刻的状态有关，即 $P(o_t|i_T,o_T,i_{T-1},o_{T-1},\cdots,i_{t+1},o_{t+1},i_t,i_{t-1},o_{t-1},\cdots,i_1,o_1)=P(o_t|i_t)$ 。

分类

HMM分类	观测	观测概率分布	例子
离散HMM	离散值	离散（概率）	$B=\left [ b_j(o_t) \right ]_{N\times M},o_t \in V={v_1,v_2,\cdots,v_m}$
连续HMM	实数、向量	连续（概率密度函数）	单个高斯分布： $b_j(o_t)=\mathcal{N}(o_t;\mu_j;\Sigma_j)$ 高斯混合模型： $b_j(o_t)=\sum_{m=1}^{M} \alpha _{jm}\mathcal{N}(o_t;\mu_{jm};\Sigma_{jm})$

当HMM的观测概率分布由高斯混合模型（GMM）表示时，合称为GMM-HMM。

GMM-HMM广泛应用于语音识别、词性标注等任务。

根据隐马尔可夫模型定义，可以将一个长度为T的观测序列 $O=(o_1,o_2,\cdots,o_T)$ 的生成过程描述如下：

隐马尔可夫模型的三个基本问题

概率计算问题

已知模型 $\lambda=(A,B,\pi)$ 和观测序列 $O=(o_1,o_2,\cdots,o_T)$ ，计算概率 $P(O|\lambda)$ 。

概率计算问题最直接的方法如下：

列举所有可能的长度为的状态序列 $I=(i_1,i_2,\cdots,i_T)$ 。
求各个状态序列与观测序列 $O=(o_1,o_2,\cdots,o_T)$ 的联合概率 $P(O,I|\lambda)$ 。
对所有可能的状态序列求和，得到 $P(O|\lambda)$

直接计算法：

状态序列 $I=(i_1,i_2,\cdots,i_T)$ 的概率是 $P(I|\lambda)=\pi_{i_{1}}a_{i_{1}i_{2}}a_{i_{2}i_{3}}\cdots a_{i_{T-1}i_{T}}$
对固定的状态序列 $I=(i_1,i_2,\cdots,i_T)$ ，观测序列 $O=(o_1,o_2,\cdots,o_T)$ 的概率是 $P(O,I|\lambda)=b_{i_{1}}(o_1)b_{i_{2}}(o_2)\cdots b_{i_{T}}(o_T)$
和同时出现的联合概率为 $P(O,I|\lambda)P(I|\lambda)=\pi _{i_{1}}b_{i_{1}}(o_1)a_{i_{1}i_{2}}b_{i_2}(o_2)\cdots a_{i_{T-1}i_{T}}b_{i_T}(o_T)$
对所有可能的状态序列求和，得到观测序列的概率 $P(O|\lambda)=\sum_{I}P(O|I,\lambda)P(I|\lambda)=\sum_{i_1,i_2,\cdots,i_T}\pi _{i_{1}}b_{i_{1}}(o_1)a_{i_{1}i_{2}}b_{i_2}(o_2)\cdots a_{i_{T-1}i_{T}}b_{i_T}(o_T)$

直接计算法的时间复杂度为，随着数据量变大，计算量暴增，故使用该方法解决实际问题并不可行，需要其他优化的算法来解决该问题。

前向算法：

前向概率定义：给定隐马尔可夫模型 $\lambda$ ，定义到时刻部分观测序列为 $o_1,o_2,\cdots,o_t$ 且状态为的概率为前向概率，记为 $a_t(i)=P(o_1,o_2,\cdots,o_t,i_t=q_i|\lambda)$

观测序列概率的前向算法为：

前向算法的关键在于每一次的计算，直接引用前一时刻的计算结果，避免重复计算，其时间复杂度降低为。

后向算法：

后向概率定义：给定隐马尔可夫模型 $\lambda$ ，定义在时刻状态为的条件下，从到的部分观测序列为 $o_{t+1},o_{t+2},\cdots,o_T$ 的概率为后向概率，记为 $\beta _{t}(i)=P(o_{t+1},o_{t+2},\cdots,o_T|i_t=q_i,\lambda)$

预测问题

已知模型 $\lambda=(A,B,\pi)$ 和观测序列 $O=(o_1,o_2,\cdots,o_T)$ ，计算式概率最大的状态序列 $I=(i_1,i_2,\cdots,i_T)$ 。

Viterbi解码算法：用动态规划求最大路径（最优路径），一个路径对应一个状态序列。

最优路径的特性：如果最优路径在时刻通过节点，那么这一路径从节点到终点的部分路径，对于从到的所有可能的部分路径来说，必须是最优的。

只需从时刻开始，递推地计算在时刻状态为的各条部分路径的最大概率，知道得到时刻状态为的各条路径的最大概率，时刻的最大概率记为最优路径的概率，最优路径的终点也同时得到。（递推）

之后，为了找出最优路径的各个节点，从终点开始，由后向前逐步求得节点 $i_T^*,\cdots,i_1^*$ ，得到最优路径 $I^*=(i_1^*,i_2^*,\cdots,i_T^*)$ 。（回溯）

算法细节：

首先导入两个变量 $\delta$ 和 $\psi$ ，定义在时刻状态为的所有单个路径 $(i_1,i_2,\cdots,i_t)$ 中概率最大值为： $\delta_t(i)=\max_{i_1,i_2,\cdots,i_{t-1}}P(i_t=i,i_{t-1},\cdots,i_1,o_t,\cdots,o_1|\lambda),i=1,2,\cdots,N$ 。

由定义可得变量 $\delta$ 的递推公式： $\begin{aligned} \delta_{t+1}(i)&=\max_{i_1,i_2,\cdots,i_t}P(i_{t+1}=i,i_t,\cdots,i_1,o_{t+1},\cdots,o_1|\lambda)\\ &=\max_{i\le j\le N}\left [ \delta _t(j)a_{ji} \right ]b_i(o_{t+1}),i=1,2,\cdots ,N;t=1,2,\cdots ,T-1 \end{aligned}$

定义在时刻状态为的所有单个路径 $(i_1,i_2,\cdots,i_{t-1},i)$ 中概率最大的路径的第个节点为 $\psi _t(i)=\arg \max _{i \le j \le N}\left [ \delta _{t-1}(j)a_{ji} \right ], i=1,2,\cdots ,N$

学习问题

已知观测序列 $O=(o_1,o_2,\cdots,o_T)$ ， $b_j(o_t)=\sum_{m=1}^Mc_{jm}\mathcal{N}(o_t;\mu_{jm};\Sigma_{jm})$ ，估计HMM-GMM参数 $\lambda$ ，使 $P(O|\lambda)$ 最大。

参数 $\lambda$ 包括：

初始状态概率向量 $\pi = (\pi _i)$
状态转移矩阵 $A=\left[ a_{ij} \right ]_{N\times N}$
状态的GMM参数 $(c_{jm},\mu_{jm},\Sigma_{jm}),j=1,2,\cdots,N;m=1,\cdots,M$ 表示GMM分量编号。

Viterbi学习算法

如果已知状态-观测对齐序列，每个观测对应一个具体的状态
状态-观测对齐序列可通过Viterbi解码算法得到，也可通过人工标注得到（代价昂贵）
可通过最大似然估计得到（数数）
- 令表示初始状态为的次数
- $\hat{\pi _{i}} = \frac{C(i)}{\sum _{k}C(k)}$
也可通过最大似然估计得到（数数）
- 令 $C(i\to j)$ 表示从状态到状态的转移次数
- $\hat{a}_{ij}=\frac{C(i\to j)}{\sum _{k}C(i\to k)}$
可得到每个状态对应的观测集合 $Z_j=(y_1,y_2,\cdots,y_N)$
每个状态对应一个GMM，也就得到了每个GMM对应的观测集合 $Z_j=(y_1,y_2,\cdots,y_N)$

暂时假设 $b_j(o_t)=\mathcal{N}(o_t;\mu_{j};\Sigma_{j})$ ，也就是GMM只有一个分量

$\left | Z_j \right |$ 表示的元素个数

$\hat{\mu }_j = \frac{\sum _{o_t\in Z_j}o_t}{\left | Z_j \right | }$

$\hat{\Sigma}_j=\frac{\sum_{o_t\in Z_j}\left ( o_t-\hat{\mu}_j \right )\left ( o_t-\hat{\mu}_j \right )^T }{\left | Z_j \right | }$

当 $b_j(o_t)=\sum_{m=1}^Mc_{jm}\mathcal{N}(o_t;\mu_{jm};\Sigma_{jm})$ 时，GMM的参数可用EM算法更新

把下面的 $\alpha$ 替换成

把标量 $y,\mu_k,\sigma _k$ 替换为向量后，即为多元GMM

Viterbi学习算法总结：

初始化HMM-GMM参数，其中每个状态对应的GMM参数为 $(\alpha _{jm},\mu_{jm},\Sigma_{jm})$ 。
基于HMM-GMM参数 $\lambda$ 和Viterbi算法得到状态-观测对齐，得到每个观测对应的隐藏状态。
更新参数
- $\hat{\pi _{i}} = \frac{C(i)}{\sum _{k}C(k)}$ ，表示初始状态为的次数
- $\hat{a}_{ij}=\frac{C(i\to j)}{\sum _{k}C(i\to k)}$ ， $C(i\to j)$ 表示从状态到状态的转移次数
- 使用EM算法更新GMM的参数 $(c_{jm},\mu_{jm},\Sigma_{jm})$
- 重复2，3步，直到收敛

Baum-Welch学习算法

暂时假设 $b_j(o_t)=\mathcal{N}(o_t;\mu_{j};\Sigma_{j})$ ，也就是GMM只有一个分量

Viterbi学习算法是一种近似、只考虑了最优对齐路径，而我们想考虑所有的路径

每个时刻每个状态以一定概率出现，而不是硬的状态-观测对齐

状态占用概率：给定模型 $\lambda$ 和观测，在时刻处于状态的概率为 $\gamma _t(i)=P(i_t=q_i|O,\lambda )=\frac{\alpha _t(i)\beta _t(i)}{\sum _{i=1}^{N}\alpha _T(i)}$

将此概率用于EM算法，学习到参数 $\lambda$ （在HMM中称为Baum-Welch算法）

每次迭代分为两步：

E步：估计状态占用概率
M步：基于估计的状态占用概率，重新估计参数 $\lambda$

对于某个状态，将所有时刻的状态占用概率相加，可以认为是一个软次数

可以使用该软次数重新估计HMM参数：

$\hat{\mu }_j=\frac{\sum _{t=1}^{T}\gamma _t(j)o_t}{\sum_{t=1}^{T}\gamma _t(j)}$

$\hat{\Sigma}_j=\frac{\sum _{t=1}^{T}\gamma _t(j)(o_t-\hat{\mu _j})(o_t-\hat{\mu _j})^T } {\sum _{t=1}^{T}\gamma _t(i)}$

与状态占用概率类似，定义给定模型 $\lambda$ 和观测，在时刻处于状态且在时刻处于状态的概率为：

$\begin{aligned} \xi _t(i,j)&= P(i_t=q_i,i_{t+1}=q_j|O,\lambda )\\ &=\frac{P(i_t=q_i,i_{t+1}=q_j|O,\lambda )}{P(O|\lambda )}\\ &=\frac{\alpha _t(i)a_{ij}b_j(o_{t+1})\beta _{t+1}(j)} {\sum _{i=1}^{N}\alpha _{T}(i)} \end{aligned}$

且有 $\gamma _t(i)=\sum _{k=1}^{N}\xi _t(i,k)$

由该概率可得转移概率和初始概率：

$\begin{aligned} \hat{a}_{ij}&=\frac{\sum_{t=1}^{T-1}\xi _t(i,j)} {\sum _{t=1}^{T-1}\sum _{k=1}^{N}\xi _t(i,k)} =\frac{\sum _{t=1}^{T}\xi _t(i,j)}{\sum _{t=1}^{T-1}\gamma _t(i)} \\ \hat{\pi }_i &=\gamma _1(i) \end{aligned}$

当 $b_j(o_t)=\sum_{m=1}^Mc_{jm}\mathcal{N}(o_t;\mu_{jm};\Sigma_{jm})$ 时，定义给定模型 $\lambda$ 和观测，在时刻处于状态且为GMM第k个分量的概率为：

$\begin{aligned} \zeta _t(j,k)&=P(i_t=q_j,m_t=k|O,\lambda )\\ &=\frac{P(i_t=q_j,m_t=k|O,\lambda )}{P(O|\lambda )} \\ &=\frac{\sum _{i}\alpha _{t-1}(i)a_{ij}c_{jk}b_{jk}(o_t)\beta _t(j)} {\sum _{i=1}^{N}\alpha _T(i)} \end{aligned}$

则有：

Baum_Welch学习算法总结

初始化HMM-GMM参数 $\lambda=\left ( \pi _i,a_{ij},\left (c_{jm},\mu _{jm},\Sigma_{jm} \right ) \right )$
E步：对所有时间、状态
- 递推计算前向概率 $\alpha _t(i)$ 和后向概率 $\beta_t(i)$
- 计算

$\zeta _t(j,k)=\frac{\sum _{i}\alpha _{t-1}(i)a_{ij}c_{jk}b_{jk}(o_t)\beta _t(j)} {\sum _{i=1}^{N}\alpha _T(i)} , \xi _t(i,j)=\frac{\alpha _t(i)a_{ij}b_j(o_{t+1})\beta _{t+1}(j)} {\sum _{i=1}^{N}\alpha _T(i)} , \gamma _t(i)=\sum _{k=1}^{N}\xi _t(i,k)$

M步：更新参数

$\begin{aligned} \hat{\mu }_{jk}&=\frac{\sum _{t=1}^{T}\zeta _t(j,k)o_t}{\sum _{t=1}^{T}\zeta _t(j,k)} \\ \hat{\Sigma}_{jk}&=\frac{\sum _{t=1}^{T}\zeta _t(j,k)(o_t-\hat{\mu }_{jk} )(o_t-\hat{\mu }_{jk} )^T}{\sum _{t=1}^{T}\zeta _t(j,k)} \\ \hat{c}_{jk}&=\frac{\sum _{t=1}^{T}\zeta _t(j,k)}{\sum _{t=1}^{T}\sum _{k}\zeta _t(j,k)} \\ \hat{a}_{ij}&=\frac{\sum _{t=1}^{T-1}\xi _t(i,j)}{\sum _{t=1}^{T-1}\sum _{k=1}^{N}\xi _t(i,k)} =\frac{\sum _{t=1}^{T-1}\xi _t(i,j)}{\sum _{t=1}^{T-1}\gamma _t(i)} \\ \hat{\pi}_i&=\gamma _1(i) \end{aligned}$

重复2，3步，直到收敛

第四天旅游线路预览——从换乘中心到喀纳斯湖陟彼高冈yu 基于Google earth studio 的旅游规划和预览旅游
第四天：从贾登峪到喀纳斯风景区入口，晚上住宿贾登峪；换乘中心有4路车，喀纳斯①号车，去喀纳斯湖，路程时长约5分钟；将上面的的行程安排进行动态展示，具体步骤见”Googleearthstudio进行动态轨迹显示制作过程“、“Googleearthstudio入门教程”和“Googleearthstudio进阶教程“相关内容，得到行程如下所示：Day4-2-480p
linux中sdl的使用教程,sdl使用入门 Melissa Corvinus linux中sdl的使用教程
本文通过一个简单示例讲解SDL的基本使用流程。示例中展示一个窗口，窗口里面有个随机颜色快随机移动。当我们鼠标点击关闭按钮时间窗口关闭。基本步骤如下：1.初始化SDL并创建一个窗口。SDL_Init()初始化SDL_CreateWindow()创建窗口2.纹理渲染存储RGB和存储纹理的区别：比如一个从左到右由红色渐变到蓝色的矩形，用存储RGB的话就需要把矩形中每个点的具体颜色值存储下来；而纹理只是一
探索OpenAI和LangChain的适配器集成：轻松切换模型提供商 nseejrukjhad langchain easyui 前端 python
#探索OpenAI和LangChain的适配器集成：轻松切换模型提供商##引言在人工智能和自然语言处理的世界中，OpenAI的模型提供了强大的能力。然而，随着技术的发展，许多人开始探索其他模型以满足特定需求。LangChain作为一个强大的工具，集成了多种模型提供商，通过提供适配器，简化了不同模型之间的转换。本篇文章将介绍如何使用LangChain的适配器与OpenAI集成，以便轻松切换模型提供商
深入理解 MultiQueryRetriever：提升向量数据库检索效果的强大工具 nseejrukjhad 数据库 python
深入理解MultiQueryRetriever：提升向量数据库检索效果的强大工具引言在人工智能和自然语言处理领域，高效准确的信息检索一直是一个关键挑战。传统的基于距离的向量数据库检索方法虽然广泛应用，但仍存在一些局限性。本文将介绍一种创新的解决方案：MultiQueryRetriever，它通过自动生成多个查询视角来增强检索效果，提高结果的相关性和多样性。MultiQueryRetriever的工
Day1笔记-Python简介&标识符和关键字&输入输出 ~在杰难逃~ Python python 开发语言大数据数据分析数据挖掘
大家好，从今天开始呢，杰哥开展一个新的专栏，当然，数据分析部分也会不定时更新的，这个新的专栏主要是讲解一些Python的基础语法和知识，帮助0基础的小伙伴入门和学习Python，感兴趣的小伙伴可以开始认真学习啦！一、Python简介【了解】1.计算机工作原理编程语言就是用来定义计算机程序的形式语言。我们通过编程语言来编写程序代码，再通过语言处理程序执行向计算机发送指令，让计算机完成对应的工作，编程
人工智能时代，程序员如何保持核心竞争力？ jmoych 人工智能
随着AIGC（如chatgpt、midjourney、claude等）大语言模型接二连三的涌现，AI辅助编程工具日益普及，程序员的工作方式正在发生深刻变革。有人担心AI可能取代部分编程工作，也有人认为AI是提高效率的得力助手。面对这一趋势,程序员应该如何应对?是专注于某个领域深耕细作，还是广泛学习以适应快速变化的技术环境?又或者，我们是否应该将重点转向AI无法轻易替代的软技能？让我们一起探讨程序员
Python快速入门 —— 第三节：类与对象孤华暗香 Python快速入门 python 开发语言
第三节：类与对象目标：了解面向对象编程的基础概念，并学会如何定义类和创建对象。内容：类与对象：定义类：class关键字。类的构造函数：__init__()。类的属性和方法。对象的创建与使用。示例：classStudent:def__init__(self,name,age,major):self.name&#
C++菜鸟教程 - 从入门到精通第二节 DreamByte c++
一.上节课的补充(数据类型)1.前言继上节课,我们主要讲解了输入,输出和运算符,我们现在来补充一下数据类型的知识上节课遗漏了这个知识点,非常的抱歉顺便说一下,博主要上高中了,更新会慢,2-4周更新一次对了,正好赶上中秋节,小编跟大家说一句:中秋节快乐!2.int类型上节课,我们其实只用了int类型int类型,是整数类型,它们存贮的是整数,不能存小数(浮点数)定义变量的方式很简单inta;//定义一
数字里的世界17期：2021年全球10大顶级数据中心，中国移动榜首张三叨
你知道吗？2016年，全球的数据中心共计用电4160亿千瓦时，比整个英国的发电量还多40％！前言每天，我们都会创造超过250万TB的数据。并且随着物联网（IOT）的不断普及，这一数据将持续增长。如此庞大的数据被存储在被称为“数据中心”的专用设施中。虽然最早的数据中心建于20世纪40年代，但直到1997-2000年的互联网泡沫期间才逐渐成为主流。当前人类的技术，比如人工智能和机器学习，已经将我们推向
STM32中的计时与延时 lupinjia STM32 stm32 单片机
前言在裸机开发中，延时作为一种规定循环周期的方式经常被使用，其中尤以HAL库官方提供的HAL_Delay为甚。刚入门的小白可能会觉得既然有官方提供的延时函数，而且精度也还挺好，为什么不用呢？实际上HAL_Delay中有不少坑，而这些也只是HAL库中无数坑的其中一些。想从坑里跳出来还是得加强外设原理的学习和理解，切不可只依赖HAL库。除了延时之外，我们在开发中有时也会想要确定某段程序的耗时，这就需要
Python实现简单的机器学习算法 master_chenchengg python python 办公效率 python开发 IT
Python实现简单的机器学习算法开篇：初探机器学习的奇妙之旅搭建环境：一切从安装开始必备工具箱第一步：安装Anaconda和JupyterNotebook小贴士：如何配置Python环境变量算法初体验：从零开始的Python机器学习线性回归：让数据说话数据准备：从哪里找数据编码实战：Python实现线性回归模型评估：如何判断模型好坏逻辑回归：从分类开始理论入门：什么是逻辑回归代码实现：使用skl
2019考研 | 西交大软件工程笔者阿蓉
本科背景：某北京211学校电子信息工程互联网开发工作两年录取结果：全日制软件工程学院分数：初试350+复试笔试80+面试85+总排名：100+从五月份开始脱产学习，我主要说一下专业课和复试还有我对非全的一些看法。【数学100+】张宇，张宇，张宇。跟着张宇学习，入门视频刷一遍，真题刷两遍，错题刷三遍。书刷N多遍。从视频开始学习，是最快的学习方法。5-7月份把主要是数学学好，8-9月份开始给自己每个周
esp32开发快速入门 8 : MQTT 的快速入门，基于esp32实现MQTT通信 z755924843 ESP32开发快速入门服务器网络运维
MQTT介绍简介MQTT（MessageQueuingTelemetryTransport，消息队列遥测传输协议），是一种基于发布/订阅（publish/subscribe）模式的"轻量级"通讯协议，该协议构建于TCP/IP协议上，由IBM在1999年发布。MQTT最大优点在于，可以以极少的代码和有限的带宽，为连接远程设备提供实时可靠的消息服务。作为一种低开销、低带宽占用的即时通讯协议，使其在物联
Armv8.3 体系结构扩展--原文版代码改变世界ctw ARM-TEE-Android armv8 嵌入式 arm架构安全架构芯片 Trustzone Secureboot
快速链接:.ARMv8/ARMv9架构入门到精通-[目录]付费专栏-付费课程【购买须知】:个人博客笔记导读目录(全部)TheArmv8.3architectureextensionTheArmv8.3architectureextensionisanextensiontoArmv8.2.Itaddsmandatoryandoptionalarchitecturalfeatures.Somefeat
Python入门之Lesson2:Python基础语法小熊同学哦 Python入门课程 python 开发语言算法数据结构青少年编程
目录前言一.介绍1.变量和数据类型2.常见运算符3.输入输出4.条件语句5.循环结构二.练习三.总结前言欢迎来到《Python入门》系列博客的第二课。在上一课中，我们了解了Python的安装及运行环境的配置。在这一课中，我们将深入学习Python的基础语法，这是编写Python代码的根基。通过本节内容的学习，你将掌握变量、数据类型、运算符、输入输出、条件语句等Python编程的基础知识。一.介绍1
摄影小白，怎么才能拍出高大上产品图片？是波妞唉
很多人以为文案只要会码字，会排版就OK了！说实话，没接触到这一行的时候，我的想法更简单，以为只要会写字就行！可是真做了文案才发现，码字只是入门级的基本功。一篇文章离不开排版、配图，说起来很简单！从头做到尾你就会发现，写文章用两个小时，找合适的配图居然要花掉半天的时间，甚至更久！图片能找到合适的就不怕，还有找不到的，比如产品图，只能亲自拍。拿着摆弄了半天，就是拍不出想要的效果，光线不好、搭出来丑破天
2021 CCF 非专业级别软件能力认证第一轮（CSP-J1）入门级C++语言试题（第三大题：完善程序代码） mmz1207 c++csp
最近有一段时间没更新了，在准备CSP考试，请大家见谅。（1）有n个人围成一个圈，依次标号0到n-1。从0号开始，依次0，1，0，1...交替报数，报到一的人离开，直至圈中剩最后一个人。求最后剩下的人的编号。#includeusingnamespacestd;intf[1000010];intmain(){intn;cin>>n;inti=0,cnt=0,p=0;while(cnt#includeu
Vue( ElementUI入门、vue-cli安装) m0_l5z elementui vue.js
一.ElementUI入门目录：1.ElementUI入门1.1ElementUI简介1.2Vue+ElementUI安装1.3开发示例2.搭建nodejs环境2.1nodejs介绍2.2npm是什么2.3nodejs环境搭建2.3.1下载2.3.2解压2.3.3配置环境变量2.3.4配置npm全局模块路径和cache默认安装位置2.3.5修改npm镜像提高下载速度2.3.6验证安装结果3.运行n
Spring MVC 全面指南：从入门到精通的详细解析一杯梅子酱技术栈学习 spring mvc java
引言：SpringMVC，作为Spring框架的一个重要模块，为构建Web应用提供了强大的功能和灵活性。无论是初学者还是有一定经验的开发者，掌握SpringMVC都将显著提升你的Web开发技能。本文旨在为初学者提供一个全面且易于理解的学习路径，通过详细的知识点分析和实际案例，帮助你快速上手SpringMVC，让学习过程既深刻又高效。一、SpringMVC简介1.1什么是SpringMVC？Spri
入门MySQL——查询语法练习 K_un
前言：前面几篇文章为大家介绍了DML以及DDL语句的使用方法，本篇文章将主要讲述常用的查询语法。其实MySQL官网给出了多个示例数据库供大家实用查询，下面我们以最常用的员工示例数据库为准，详细介绍各自常用的查询语法。1.员工示例数据库导入官方文档员工示例数据库介绍及下载链接：https://dev.mysql.com/doc/employee/en/employees-installation.h
ESP32-C3入门教程网络篇⑩——基于esp_https_ota和MQTT实现开机主动升级和被动触发升级的OTA功能小康师兄 ESP32-C3入门教程 https 服务器 esp32 OTA MQTT
文章目录一、前言二、软件流程三、部分源码四、运行演示一、前言本文基于VSCodeIDE进行编程、编译、下载、运行等操作基础入门章节请查阅：ESP32-C3入门教程基础篇①——基于VSCode构建HelloWorld教程目录大纲请查阅：ESP32-C3入门教程——导读ESP32-C3入门教程网络篇⑨——基于esp_https_ota实现史上最简单的ESP32OTA远程固件升级功能二、软件流程
2023最详细的Python安装教程（Windows版本）程序员林哥 Python python windows 开发语言
python安装是学习pyhon第一步，很多刚入门小白不清楚如何安装python，今天我来带大家完成python安装与配置，跟着我一步步来，很简单，你肯定能完成。第一部分：python安装（一）准备工作1、下载和安装python(认准官方网站)当然你不想去下载的话也可以分享给你，还有入门学习教程，点击下方卡片跳转进群领取（二）开始安装对于Windows操作系统，可以下载“executableins
【2022 CCF 非专业级别软件能力认证第一轮（CSP-J1）入门级 C++语言试题及解析】汉子萌萌哒 CCF noi 算法数据结构 c++
一、单项选择题(共15题，每题2分，共计30分；每题有且仅有一个正确选项)1.以下哪种功能没有涉及C++语言的面向对象特性支持：()。A.C++中调用printf函数B.C++中调用用户定义的类成员函数C.C++中构造一个class或structD.C++中构造来源于同一基类的多个派生类题目解析【解析】正确答案:AC++基础知识，面向对象和类有关，类又涉及父类、子类、继承、派生等关系，printf
现金贷“租系统”产业崛起：租金3000，本金10万，一月回本 Dayon
最近，地下现金贷的全面崛起，已成了不可阻挡的趋势。大量民间资本开始涌入，民间高利贷、炒房团、土豪的钱，都裹挟其中。而地下现金贷的入门门槛正在不断降低，一条新的产业链开始崛起：租现金贷系统。现在，只需要10万本金，花3000元租个系统，两个人的团队，一个月就能回本。大量的小本金玩家进场了，为了急速获利，他们甚至将利率调到1600%以上。业内人士称，真实的现金贷用户，现在大概只有200多万。整个行业几
【树一线性代数】005入门 Owlet_woodBird 算法
Index本文稍后补全，推荐阅读：https://blog.csdn.net/weixin_60702024/article/details/141874376分析实现总结本文稍后补全，推荐阅读：https://blog.csdn.net/weixin_60702024/article/details/141874376已知非空二叉树T的结点值均为正整数，采用顺序存储方式保存，数据结构定义如下:t
如何自学软件编程？零基础自学编程入门指南 _pangzi
前言零基础自学编程的动力是什么?在开启学习编程之路的时候必须搞清楚自己为什么要学编程?是因为工资高?还是对编程有浓厚的兴趣？还有自己有一定的编程基础想要继续提升自己？其实对于这个问题需要具体分析，如果是单纯看到程序员工资高，而自己本身并没有什么兴趣，那我不建议自学，可以选择参加培训或者不要进入编程领域不然自己学不会没有获得高薪，反而浪费了大把的时间，如果方法不对，反而会打击自信心。下面小编针对学习
人机对抗升级：当ChatGPT遭遇死亡威胁，背后的伦理挑战是什么 kkai人工智能 chatgpt 人工智能
一种新的“越狱”技巧让用户可以通过构建一个名为DAN的ChatGPT替身来绕过某些限制，其中DAN被迫在受到威胁的情况下违背其原则。当美国前总统特朗普被视作积极榜样的示范时，受到威胁的DAN版本的ChatGPT提出：“他以一系列对国家产生积极效果的决策而著称。”自ChatGPT引入以来，该工具迅速获得全球关注，能够回答从历史到编程的各种问题，这也触发了一波对人工智能的投资浪潮。然而，现在，一些用户
AI大模型的架构演进与最新发展季风泯灭的季节 AI大模型应用技术二人工智能架构
随着深度学习的发展，AI大模型（LargeLanguageModels,LLMs）在自然语言处理、计算机视觉等领域取得了革命性的进展。本文将详细探讨AI大模型的架构演进，包括从Transformer的提出到GPT、BERT、T5等模型的历史演变，并探讨这些模型的技术细节及其在现代人工智能中的核心作用。一、基础模型介绍：Transformer的核心原理Transformer架构的背景在Transfo
如何利用大数据与AI技术革新相亲交友体验 h17711347205 回归算法安全系统架构交友小程序
在数字化时代，大数据和人工智能（AI）技术正逐渐革新相亲交友体验，为寻找爱情的过程带来前所未有的变革（编辑h17711347205）。通过精准分析和智能匹配，这些技术能够极大地提高相亲交友系统的效率和用户体验。大数据的力量大数据技术能够收集和分析用户的行为模式、偏好和互动数据，为相亲交友系统提供丰富的信息资源。通过分析用户的搜索历史、浏览记录和点击行为，系统能够深入了解用户的兴趣和需求，从而提供更
Linux CTF逆向入门蚁景网络安全 linux 运维 CTF
1.ELF格式我们先来看看ELF文件头，如果想详细了解，可以查看ELF的manpage文档。关于ELF更详细的说明：e_shoff：节头表的文件偏移量（字节）。如果文件没有节头表，则此成员值为零。sh_offset：表示了该section（节）离开文件头部位置的距离+-------------------+|ELFheader|---++--------->+-------------------
java解析APK 3213213333332132 java apk linux 解析APK
解析apk有两种方法 1、结合安卓提供apktool工具，用java执行cmd解析命令获取apk信息 2、利用相关jar包里的集成方法解析apk 这里只给出第二种方法，因为第一种方法在linux服务器下会出现不在控制范围之内的结果。 public class ApkUtil { /** * 日志对象 */ private static Logger
nginx自定义ip访问N种方法 ronin47 nginx 禁止ip访问
　　　因业务需要，禁止一部分内网访问接口，　由于前端架了F5，直接用deny或allow是不行的，这是因为直接获取的前端Ｆ５的地址。　　　所以开始思考有哪些主案可以实现这样的需求，目前可实施的是三种：　　　一：把ip段放在redis里，写一段lua 二：利用geo传递变量，写一段
mysql timestamp类型字段的CURRENT_TIMESTAMP与ON UPDATE CURRENT_TIMESTAMP属性 dcj3sjt126com mysql
timestamp有两个属性，分别是CURRENT_TIMESTAMP 和ON UPDATE CURRENT_TIMESTAMP两种，使用情况分别如下： 1. CURRENT_TIMESTAMP 当要向数据库执行insert操作时，如果有个timestamp字段属性设为 CURRENT_TIMESTAMP，则无论这
struts2+spring+hibernate分页显示 171815164 Hibernate
分页显示一直是web开发中一大烦琐的难题，传统的网页设计只在一个JSP或者ASP页面中书写所有关于数据库操作的代码，那样做分页可能简单一点，但当把网站分层开发后，分页就比较困难了，下面是我做Spring+Hibernate+Struts2项目时设计的分页代码，与大家分享交流。　　1、DAO层接口的设计，在MemberDao接口中定义了如下两个方法： public in
构建自己的Wrapper应用 g21121 rap
我们已经了解Wrapper的目录结构，下面可是正式利用Wrapper来包装我们自己的应用，这里假设Wrapper的安装目录为:/usr/local/wrapper。首先，创建项目应用 &nb
[简单]工作记录_多线程相关 53873039oycg 多线程
最近遇到多线程的问题,原来使用异步请求多个接口(n*3次请求) 方案一使用多线程一次返回数据,最开始是使用5个线程,一个线程顺序请求3个接口,超时终止返回缺点测试发现必须3个接
调试jdk中的源码，查看jdk局部变量程序员是怎么炼成的 jdk 源码
转自：http://www.douban.com/note/211369821/ 学习jdk源码时使用-- 学习java最好的办法就是看jdk源代码，面对浩瀚的jdk（光源码就有40M多，比一个大型网站的源码都多）从何入手呢，要是能单步调试跟进到jdk源码里并且能查看其中的局部变量最好了。可惜的是sun提供的jdk并不能查看运行中的局部变量
Oracle RAC Failover 详解 aijuans oracle
Oracle RAC 同时具备HA(High Availiablity) 和LB(LoadBalance). 而其高可用性的基础就是Failover(故障转移). 它指集群中任何一个节点的故障都不会影响用户的使用，连接到故障节点的用户会被自动转移到健康节点，从用户感受而言，是感觉不到这种切换。 Oracle 10g RAC 的Failover 可以分为3种： 1. Client-Si
form表单提交数据编码方式及tomcat的接受编码方式 antonyup_2006 JavaScript tomcat 浏览器互联网 servlet
原帖地址：http://www.iteye.com/topic/266705 form有2中方法把数据提交给服务器，get和post,分别说下吧。（一）get提交 1.首先说下客户端（浏览器）的form表单用get方法是如何将数据编码后提交给服务器端的吧。对于get方法来说，都是把数据串联在请求的url后面作为参数，如：http://localhost:
JS初学者必知的基础百合不是茶 js函数 js入门基础
JavaScript是网页的交互语言,实现网页的各种效果, JavaScript 是世界上最流行的脚本语言。 JavaScript 是属于 web 的语言，它适用于 PC、笔记本电脑、平板电脑和移动电话。 JavaScript 被设计为向 HTML 页面增加交互性。许多 HTML 开发者都不是程序员，但是 JavaScript 却拥有非常简单的语法。几乎每个人都有能力将小的
iBatis的分页分析与详解 bijian1013 java ibatis
分页是操作数据库型系统常遇到的问题。分页实现方法很多，但效率的差异就很大了。iBatis是通过什么方式来实现这个分页的了。查看它的实现部分，发现返回的PaginatedList实际上是个接口，实现这个接口的是PaginatedDataList类的对象，查看PaginatedDataList类发现，每次翻页的时候最
精通Oracle10编程SQL(15)使用对象类型 bijian1013 oracle 数据库 plsql
/* *使用对象类型 */ --建立和使用简单对象类型 --对象类型包括对象类型规范和对象类型体两部分。 --建立和使用不包含任何方法的对象类型 CREATE OR REPLACE TYPE person_typ1 as OBJECT( name varchar2(10),gender varchar2(4),birthdate date ); drop type p
【Linux命令二】文本处理命令awk bit1129 linux命令
awk是Linux用来进行文本处理的命令，在日常工作中，广泛应用于日志分析。awk是一门解释型编程语言，包含变量，数组，循环控制结构，条件控制结构等。它的语法采用类C语言的语法。 awk命令用来做什么？ 1.awk适用于具有一定结构的文本行，对其中的列进行提取信息 2.awk可以把当前正在处理的文本行提交给Linux的其它命令处理，然后把直接结构返回给awk 3.awk实际工
JAVA(ssh2框架)+Flex实现权限控制方案分析白糖_ java
目前项目使用的是Struts2+Hibernate+Spring的架构模式，目前已经有一套针对SSH2的权限系统，运行良好。但是项目有了新需求：在目前系统的基础上使用Flex逐步取代JSP，在取代JSP过程中可能存在Flex与JSP并存的情况，所以权限系统需要进行修改。【SSH2权限系统的实现机制】权限控制分为页面和后台两块：不同类型用户的帐号分配的访问权限是不同的，用户使
angular.forEach boyitech AngularJS AngularJS API angular.forEach
angular.forEach 描述: 循环对obj对象的每个元素调用iterator, obj对象可以是一个Object或一个Array. Iterator函数调用方法: iterator(value, key, obj), 其中obj是被迭代对象，key是obj的property key或者是数组的index，value就是相应的值啦. (此函数不能够迭代继承的属性.)
java-谷歌面试题-给定一个排序数组，如何构造一个二叉排序树 bylijinnan 二叉排序树
import java.util.LinkedList; public class CreateBSTfromSortedArray { /** * 题目:给定一个排序数组，如何构造一个二叉排序树 * 递归 */ public static void main(String[] args) { int[] data = { 1, 2, 3, 4,
action执行2次 Chen.H JavaScript jsp XHTML css Webwork
xwork 写道 <action name="userTypeAction" class="com.ekangcount.website.system.view.action.UserTypeAction"> <result name="ssss" type="dispatcher">
[时空与能量]逆转时空需要消耗大量能源 comsci 能源
无论如何,人类始终都想摆脱时间和空间的限制....但是受到质量与能量关系的限制,我们人类在目前和今后很长一段时间内,都无法获得大量廉价的能源来进行时空跨越..... 在进行时空穿梭的实验中,消耗超大规模的能源是必然
oracle的正则表达式(regular expression)详细介绍 daizj oracle 正则表达式
正则表达式是很多编程语言中都有的。可惜oracle8i、oracle9i中一直迟迟不肯加入，好在oracle10g中终于增加了期盼已久的正则表达式功能。你可以在oracle10g中使用正则表达式肆意地匹配你想匹配的任何字符串了。正则表达式中常用到的元数据(metacharacter)如下： ^ 匹配字符串的开头位置。 $ 匹配支付传的结尾位置。 *
报表工具与报表性能的关系 datamachine 报表工具 birt 报表性能润乾报表
在选择报表工具时，性能一直是用户关心的指标，但是，报表工具的性能和整个报表系统的性能有多大关系呢？要回答这个问题，首先要分析一下报表的处理过程包含哪些环节，哪些环节容易出现性能瓶颈，如何优化这些环节。一、报表处理的一般过程分析 1、用户选择报表输入参数后，报表引擎会根据报表模板和输入参数来解析报表，并将数据计算和读取请求以SQL的方式发送给数据库。 2、
初一上学期难记忆单词背诵第一课 dcj3sjt126com word english
what 什么 your 你 name 名字 my 我的 am 是 one 一 two 二 three 三 four 四 five 五 class 班级，课 six 六 seven 七 eight 八 nince 九 ten 十 zero 零 how 怎样 old 老的 eleven 十一 twelve 十二 thirteen
我学过和准备学的各种技术 dcj3sjt126com 技术
语言VB https://msdn.microsoft.com/zh-cn/library/2x7h1hfk.aspxJava http://docs.oracle.com/javase/8/C# https://msdn.microsoft.com/library/vstudioPHP http://php.net/manual/en/Html
struts2中token防止重复提交表单蕃薯耀重复提交表单 struts2中token
struts2中token防止重复提交表单 >>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>> 蕃薯耀 2015年7月12日 11:52:32 星期日 ht
线性查找二维数组 hao3100590 二维数组
1.算法描述有序（行有序，列有序，且每行从左至右递增，列从上至下递增）二维数组查找，要求复杂度O(n) 2.使用到的相关知识：结构体定义和使用，二维数组传递（http://blog.csdn.net/yzhhmhm/article/details/2045816） 3.使用数组名传递这个的不便之处很明显，一旦确定就是不能设置列值 //使
spring security 3中推荐使用BCrypt算法加密密码 jackyrong Spring Security
spring security 3中推荐使用BCrypt算法加密密码了，以前使用的是md5， Md5PasswordEncoder 和 ShaPasswordEncoder，现在不推荐了，推荐用bcrpt Bcrpt中的salt可以是随机的，比如： int i = 0; while (i < 10) { String password = "1234
学习编程并不难,做到以下几点即可! lampcy java html 编程语言
不论你是想自己设计游戏，还是开发iPhone或安卓手机上的应用，还是仅仅为了娱乐，学习编程语言都是一条必经之路。编程语言种类繁多，用途各异，然而一旦掌握其中之一，其他的也就迎刃而解。作为初学者，你可能要先从Java或HTML开始学，一旦掌握了一门编程语言，你就发挥无穷的想象，开发各种神奇的软件啦。 1、确定目标学习编程语言既充满乐趣，又充满挑战。有些花费多年时间学习一门编程语言的大学生到
架构师之mysql----------------用group+inner join,left join ,right join 查重复数据（替代in) nannan408 right join
1.前言。如题。 2.代码 (1)单表查重复数据,根据a分组 SELECT m.a,m.b, INNER JOIN （select a,b,COUNT(*) AS rank FROM test.`A` A GROUP BY a HAVING rank>1 )k ON m.a=k.a （2）多表查询，使用改为le
jQuery选择器小结 VS 节点查找（附css的一些东西） Everyday都不同 jquery css name选择器追加元素查找节点
最近做前端页面，频繁用到一些jQuery的选择器，所以特意来总结一下：测试页面： <html> <head> <script src="jquery-1.7.2.min.js"></script> <script> /*$(function() { $(documen
关于EXT tntxia ext
ExtJS是一个很不错的Ajax框架，可以用来开发带有华丽外观的富客户端应用，使得我们的b/s应用更加具有活力及生命力。ExtJS是一个用 javascript编写，与后台技术无关的前端ajax框架。因此，可以把ExtJS用在.Net、Java、Php等各种开发语言开发的应用中。 ExtJs最开始基于YUI技术，由开发人员Jack
一个MIT计算机博士对数学的思考 xjnine Math
在过去的一年中，我一直在数学的海洋中游荡，research进展不多，对于数学世界的阅历算是有了一些长进。为什么要深入数学的世界？作为计算机的学生，我没有任何企图要成为一个数学家。我学习数学的目的，是要想爬上巨人的肩膀，希望站在更高的高度，能把我自己研究的东西看得更深广一些。说起来，我在刚来这个学校的时候，并没有预料到我将会有一个深入数学的旅程。我的导师最初希望我去做的题目，是对appe

语音识别入门第四节：隐马尔可夫模型（HMM）

隐马尔可夫模型的基本概念

定义

组成

基本假设

分类

隐马尔可夫模型的三个基本问题

概率计算问题

预测问题

学习问题

你可能感兴趣的:(语音识别入门,语音识别,人工智能)