《算法笔记》学习日记

考拉小巫的英语学习日记

考拉小巫的英语学习日记读书笔记、、、小巫英语笔记在无比枯燥和受挫的时候，我是如何把自学计划坚持到底的；在这本书里，我想分享我考过的所有英语考试的备考方案、计划安排、所用书籍及资料，想分享我学习英语的所有方法和途径
weixin_30500289·2020-06-27 20:44

学习日记29-饥饿营销

[打卡宝宝]：于海洋[打卡日期]：2018/12/04[累计坚持]：这是我坚持学习的第29天️[学习内容]：商业篇-营销：饥饿营销[学习笔记]：去年有一家品牌商想请我吃饭，我特别忙，本来都要礼貌地拒绝了，但是瞟了一眼餐厅的名字，立刻从座位上跳起来，爽快地答应了。这家餐厅，是我定了几个月都没订到的一家餐厅，它被很多美食杂志评为全球最佳的几十家餐厅之一。如此盛名，但是至今，它每晚只接待一桌共10位客人
洋芋g·2020-06-27 19:01

机器视觉入门学习日志（二）- Introduction to Recognition上

http://www.jianshu.com/p/16746498f480学习日记二：Introduc
tonation·2020-06-27 19:33

Python学习日记(十四) 正则表达式和re模块

正则表达式：它是字符串的一种匹配模式,用来处理字符串,可以极大地减轻处理一些复杂字符串的代码量字符组:它是在同一位置可能出现的各种字符组成了一个字符组,用[]表示,但是它的结果只能是一个数字或者一个大写字母或小写字母等下面测试以该网站为例http://tool.chinaz.com/regex/#正则表达式匹配字符串匹配结果#[0-9]99[0-9]的写法就相当于在用[0123456789]#[0
weixin_30376453·2020-06-27 18:18

中文分词算法笔记

中文分词基本算法主要分类基于词典的方法、基于统计的方法、基于规则的方法、（传说中还有基于理解的-神经网络-专家系统，按下不表）1、基于词典的方法（字符串匹配，机械分词方法）定义:按照一定策略将待分析的汉字串与一个“大机器词典”中的词条进行匹配，若在词典中找到某个字符串，则匹配成功。按照扫描方向的不同：正向匹配和逆向匹配按照长度的不同：最大匹配和最小匹配1.1正向最大匹配思想MM1》从左向右取待切分
weixin_30363817·2020-06-27 18:22

算法笔记（c++）--完全背包问题

算法笔记（c++）--完全背包和多重背包问题完全背包完全背包不同于01背包-完全背包里面的东西数量无限假设现在有5种物品重量为5,4,3,2,1价值为1,2,3,4,5背包容量为10#include#includeusingnamespacestd
weixin_30344995·2020-06-27 18:19

CycleGAN算法笔记

论文：UnpairedImage-to-ImageTranslationusingCycle-ConsistentAdversarialNetworks论文链接：https://arxiv.org/abs/1703.10593代码链接：https://github.com/junyanz/pytorch-CycleGAN-and-pix2pixCycleGAN是发表在ICCV2017关于将GAN应
AI之路·2020-06-27 09:59

ArcFace算法笔记

论文：ArcFace:AdditiveAngularMarginLossforDeepFaceRecognition论文链接：https://arxiv.org/abs/1801.07698代码链接：https://github.com/deepinsight/insightface这篇文章提出一种新的用于人脸识别的损失函数：additiveangularmarginloss，基于该损失函数训练得
AI之路·2020-06-27 09:59

SNIP 算法笔记

论文：AnAnalysisofScaleInvarianceinObjectDetection–SNIP论文链接：https://arxiv.org/abs/1711.08189代码链接：http://bit.ly/2yXVg4c这篇是CVPR2018的文章，引用文献非常到位，同时实验结果非常惊艳，总体来看比同是CVPR2018上的cascadeRCNN效果还要好一些。概括而言，这篇文章从COCO
AI之路·2020-06-27 09:59

R2CNN 算法笔记

论文：R2CNN:RotationalRegionCNNforOrientationRobustSceneTextDetection论文链接：https://arxiv.org/abs/1706.09579这篇文章提出了R2CNN（RotationalRegionCNN）算法解决旋转文本的检测。Figure2是R2CNN算法的整体结构，主要是在FasterRCNN算法的基础上做了一些修改：1、RO
AI之路·2020-06-27 09:27

Cascade RCNN算法笔记

论文：CascadeR-CNNDelvingintoHighQualityObjectDetection论文链接：https://arxiv.org/abs/1712.00726代码链接：https://github.com/zhaoweicai/cascade-rcnnCascadeR-CNN算法是CVPR2018的文章，通过级联几个检测网络达到不断优化预测结果的目的，与普通级联不同的是，cas
AI之路·2020-06-27 09:27

RefineDet算法笔记

论文：Single-ShotRefinementNeuralNetworkforObjectDetection论文链接：https://arxiv.org/abs/1711.06897代码链接：https://github.com/sfzhang15/RefineDetRefineDet是CVPR2018的论文，个人觉得是一篇很不错的文章，大致上是SSD算法和RPN网络、FPN算法的结合，可以在保
AI之路·2020-06-27 09:27

SENet（Squeeze-and-Excitation Networks）算法笔记

论文：Squeeze-and-ExcitationNetworks论文链接：https://arxiv.org/abs/1709.01507代码地址：https://github.com/hujie-frank/SENetPyTorch代码地址：https://github.com/miraclewkf/SENet-PyTorchSequeeze-and-Excitation(SE)block并不
AI之路·2020-06-27 09:26

R-FCN-3000算法笔记

论文：R-FCN-3000at30fps:DecouplingDetectionandClassification链接：https://arxiv.org/abs/1712.01802这篇是CVPR2018的文章，主要是成功将R-FCN算法（关于R-FCN算法的介绍可以看博客：R-FCN算法及Caffe代码详解）应用在检测类别较多的场景下。首先当初提出R-FCN算法的主要目的在于引入positio
AI之路·2020-06-27 09:26

SPADE（GauGAN）算法笔记

论文：SemanticImageSynthesiswithSpatially-AdaptiveNormalization论文链接：https://arxiv.org/abs/1903.07291代码链接：https://github.com/NVlabs/SPADE项目主页链接：https://nvlabs.github.io/SPADE/图像生成领域最近今年有不少出色的作品，比如英伟达在GTC2
AI之路·2020-06-27 09:25

Web前端学习日记16------面试复盘

今日任务：1.参加面试2.继续添加相关功能，angularjs京东购物车3.面试复盘总结1.面试复盘：（1）基础知识薄弱，专业术语不过关，显得很水。相关部分：git：Git是一款免费、开源的分布式版本控制系统，用于敏捷高效地处理任何或小或大的项目。优点：版本库本地化，支持离线提交，相对独立不影响协同开发。github：gitHub是一个面向开源及私有软件项目的托管平台，因为只支持git作为唯一的版
菜鸟一只zone·2020-06-27 07:49

【优胜行动派️学习日记】

[打卡宝宝]：王雪静[打卡日期]：2019/5/22[学习内容]：高效能人士的影响力法则[学习笔记]：获取影响力有三种方式。第一个方式是，拥有权势，可以横行霸道，做出一些让人不快的事情。或者说，能在某一方面伤害、刁难，或者侮辱他人，对他人实施强权制裁，解雇或者剥夺他人的利益。如果人们害怕这位大权在握的人对他们不利，也许会为了避免麻烦而听命于他。如果把这个人的影响力归为人们对他的惧怕，那么，人们追随
Misswang_5995·2020-06-27 07:19

爬虫进行点击按钮，查找元素_selenium学习日记_Day1

一些网站需要使用自动点击或者自动输入一些内容。正在B站学习白月黑羽的视频，链接Python+SeleniumWeb自动化我简要的将今天学到的内容放在这里：第一步，安装selenium，WIN+R输入cmd回车：pipinstallselenium第二步，安装WebDriver,需要到下载对应浏览器的对应版本，以谷歌为例，点击ChromeWebDriver第三步，以百度为例，我们在搜索的时候首先得将
奔跑的菜鸟鸟·2020-06-27 07:14

android学习日记——PreferenceActivity详解

PreferenceActivity详解何为PreferenceActivity以下为官方解释：Thisisthebaseclassforanactivitytoshowahierarchyofpreferencestotheuser.个人理解:这是一个特别针对Android开发中经常用到的选项设置而封装的Activity。几点注意的：l官方推荐跟PreferenceFragment结合使用，继承
skycoop·2020-06-27 02:41

【算法笔记Part1】十大排序算法

排序算法可以分为内部排序和外部排序，内部排序是数据记录在内存中进行排序，而外部排序是因排序的数据很大，一次不能容纳全部的排序记录，在排序过程中需要访问外存。常见的内部排序算法有：插入排序、希尔排序、选择排序、冒泡排序、归并排序、快速排序、堆排序、基数排序等。关于时间复杂度：时间复杂度排序算法平方阶(O(n2))各类简单排序：直接插入、直接选择和冒泡排序线性对数阶(O(nlog2n))快速排序、堆排
Cstar140·2020-06-26 23:00

2019-08-13

【行动派️学习日记】[打卡宝宝]：王燕[打卡日期]：2019/8/13[学习内容]：内审人员实务[学习笔记]：第四章实务操作的总体思路第一节通用步骤介绍一、进场前的准备（一）建立总体框架通过初步的询问、
meng7277·2020-06-26 21:58

伪随机数生成——梅森旋转（Mersenne Twister/MT）算法笔记

前言最近在看吴军博士的《数学之美》一书，把很多之前没注意到，没用到，甚至不知道怎么用的数学知识和实际问题联系了起来，感觉打开了新世界的大门一样。这本书很多知识点还有技术都是点到为止，并没有深入，所谓师傅领进门，修行在个人吧。所以从本篇开始，博主将对数学之美一书中的一些提到的东西做个总结。不对的地方希望各位看官大佬们多多指正。在本书第16章《信息指纹及其应用》一文中，介绍到了现在常用的一个伪随机数生
tick_tokc97·2020-06-26 19:43

好牛先生的保险学习日记1

无意中看到了的介绍，突然意识到自己好久没有净下心来认真写过的东西了。身为半个文字工作者，自从从事管理岗位后，更多的习惯于指导，审阅下属的报告方案，自己亲自动手写的东西越来越少了。恰逢开始接触保险行业，决定开辟一方净土，作为自己的学习记录。暂且给自己定下几条写作要求：1、每天学习一款保险产品，并写下自己的分析；2、每天对自己了解的产品进行提炼，以微信的营销手法进行包装；3、每天的写作不低于1000字
好牛先生·2020-06-26 15:32

学习笔记108-知识技能态度

【江湖说️学习日记】[打卡宝宝]：洋芋.[打卡日期]：2019/03/27[累计坚持]：这是我坚持学习的第108天️[学习内容]：学习能力-知识技能态度[学习笔记]：有一次，我在一所大学演讲。
洋芋g·2020-06-26 14:54

Unity学习日记（1） 编译器区域和基础脚本知识

前言：由于需求的缘故偶然要学习C#，学习途中发现了C#脚本可以在unity中进行使用。出于兴趣打算稍微学习一下unity毕竟做游戏一直是内心想做的一个东西，以前做过一些C和java的垃圾游戏，坦克大战一类的代码练习游戏，正经的游戏哪怕是简单一点的都没有做过，正好圆了以前的梦想做一款自己的游戏。当然距离制作一款游戏还很远，先从哈喽沃德开始学起肯定有一天可以做出来一款优秀的游戏。记录一下时间：2020
snailbuster·2020-06-26 13:27

Linux学习日记（十一）——Ubuntu下使用gcc编译器

Ubuntu下使用gcc编译器gcc是一款linux下的文本编译器，作为一款编译源代码的工具。gcc编译器的四个阶段在gcc对源文件进行编译的过程中需要经过以下四个阶段：预处理（Pre-Processing）在该阶段，对头文件进行真正导入，对宏定义进行展开。可以使用-E参数让gcc编译器在完成预处理阶段后停止下来。gcc-Ehello.c-ohello.i2.编译（Compiling）在编译阶段，
smallerxuan·2020-06-26 13:39

《SQL Server 2012 学习日记 》——Transact-SQL语言基础

Transact-SQL语言基础1Transact-SQL语言概述1.1什么是Transact-SQLT-SQL是Microsoft公司在关系型数据库管理系统SQLServer中的SQL-3标准的实现，是微软对SQL的扩展,具有SQL的主要特点，同时增加了变量、运算符、函数、流程控制和注释等语言元素，使得其功能更加强大。T-SQL对SQLServer十分重要，SQLServer中使用图形界面能够完
smallerxuan·2020-06-26 13:38

机器学习经典算法笔记——线性回归

最小二乘法这里的目标是找出a,b，使得下面J的尽可能小：J(a,b)=∑i=0m(yi−axi−b)2J(a,b)=\sum_{i=0}^m(y^i-ax^i-b)^2J(a,b)=i=0∑m(yi−axi−b)2即对a,b分别进行求导=0，得到以下的结果：b=y‾−ax‾b=\overline{y}-a\overline{x}b=y−axa=∑i=1m(xiyi−xiy‾)∑i=1m((xi)2
攻城猿bilibili·2020-06-26 11:47

【优胜行动派️学习日记】

【优胜行动派️学习日记】[打卡宝宝]：周小猛[打卡日期]：2019/5/23[学习内容]：高绩效教练[学习笔记]：第三部分教练的实践第12章O：你有什么选择当你确认你没有更多的想法时，再想出一个。
A厚积々薄发·2020-06-26 11:17

算法笔记_二分查找/斐波那契查找

1.查找问题定义：在非降序数组中，找出指定的元素，如从{1,2,3,6,8,12}中找出元素2的位置。二分查找的复杂度（比较次数，又称查找长度）是O(1.5log(n))，但不是最优的。改进：fibonacci数列进行改进。原因：对于一个非降序数组，二分查找向左查找。需要比较1次，而向右查找，需要比较2次，存在不平衡，而我们希望，正确的比较（向左查找）的次数多一些，所以，不再使用从中间元素分成两半
skyjhyp11·2020-06-26 10:59

【优胜行动派️学习日记】

[打卡宝宝]：李静[打卡日期]：2019/05/14[学习内容]：刻意练习1万小时法则的错与对1993年，拉尔夫·克朗普、克莱门斯·特斯克鲁默尔和我发表了我们对柏林小提琴学生研究的成果。这些成果，后来为一部关于杰出人物的科学文献提供了大量重要的素材，多年来，许多其他的研究人员多次引用。但实际上，直到2008年时，随着马尔科姆·格拉德威尔（MalcolmGladwell）出版其著作《异类》（Outl
李静_9f58·2020-06-26 10:51

考研复试专用算法笔记（一）

一、排序部分。注意，以下是C++文件，.c后缀文件会报错，必须.cpp升序排序核心部分：#include#includeusingnamespacestd;intmain(){intn;intbuf[1000];while(~scanf("%d",&n)){for(inti=0;i#includeusingnamespacestd;boolcmp(intx,inty){//定义排序规则cmp第一个
纸城·2020-06-26 10:42

Mybatis学习日记（二）——单个参数的增删改查

在上一篇博客中，我们初识了Mybatis，了解了怎样使用Mybatis来对数据库进行操作，在本篇博客中，我们将实现单个参数的增删改查功能，分别了解select，insert，update，delete的基本用法。一.创建数据库表与实体类在很多系统中都需要权限管理，因此我们在这里对权限管理进行需求分析，建立其数据库表和对应的实体类。在数据库中我们建立了用户表sys_user，角色表sys_role，
shusheng0516·2020-06-26 10:36

语音算法笔记

[语音增强和语音识别网页书](https://legacy.gitbook.com/book/shichaog1/hand-book-of-speech-enhancement-and-recognition/details)语音处理算法一直处于研究和发展的阶段，随着人工智能的兴起，人工智能的两个入口：语音和视觉正变的越来越重要，这也是未来5~10年各个AI公司关注的重点。语音处理算法主要分为两个
shichaog·2020-06-26 09:47

Go学习日记11

1.InfoPanel解析：内置了很多对于列的操作方法，可以通过这些方法很灵活的操作列数据。2.GoAdmin表单组件解析：[1]文本类型[2]选择类型[3]自定义类型3.GoAdmin权限管理解析：权限管理是针对路由和方法进行限制，路由可以使用golang的正则匹配。只要方法和路由能对应上，则权限验证通过。因此需要自己对各个路由和方法进行配置，从而自己决定权限设置的粒度。4.adm命令解析：[1
1000sprites·2020-06-26 09:59

TensorFlow学习日记40

1.tf.summary.scalar解析：一般在画loss、accuary时会用到这个函数。2.tf.summary.histogram解析：tf.summary.histogram(tags,values,collections=None,name=None)，一般用来显示训练过程中变量的分布情况。3.tf.summary.distribution解析：一般用于显示weights分布。4.tf
1000sprites·2020-06-26 09:59

Docker学习日记2

1.改变DockerforWindows虚拟硬盘默认安装路径解析：Hyper-V管理器->Hyper-V设置->服务器->虚拟磁盘。2.Docker数据卷解析：容器中管理数据主要有两种方式：数据卷[DataVolumes]和数据卷容器[DataVolumesDontainers]。使用-v可以挂载一个本地的目录到容器中作为数据卷。如果容器之间需要共享一些持续更新的数据，最简单的方式就是使用数据卷容
1000sprites·2020-06-26 09:59

TensorFlow学习日记21

1.RecurrentNeuralNetwork(LSTM)解析：#-*-coding:utf-8-*-"""SimpleexampleusingLSTMrecurrentneuralnetworktoclassifyIMDBsentimentdataset."""from__future__importdivision,print_function,absolute_importimporttf
1000sprites·2020-06-26 09:59

Go学习日记12

1.gorilla/websocket解析：gogetgithub.com/gorilla/websocket[1]openSocket.onopen：连接建立时触发[2]messageSocket.onmessage：客户端接收服务端数据时触发[3]errorSocket.onerror：通信发生错误时触发[4]closeSocket.onclose：连接关闭时触发2.Gorillamux解析：
1000sprites·2020-06-26 09:59

TensorFlow学习日记39

1.global_step=tf.Variable(0,trainable=False)解析：tf.train.get_global_step()方法返回的是的global_step作为name的tensor。它表全局步数，比如在多少步该进行什么操作，现在神经网络训练到多少轮等，常用于滑动平均、优化器、指数衰减学习率等方面。说明：损失函数优化器的minimize()中global_step=glo
1000sprites·2020-06-26 09:59

TensorFlow学习日记38

1.启动tensorboard解析：tensorboard--logdir./data/autograph/2.Tensorflow自动微分机制解析：Tensorflow一般使用梯度磁带tf.GradientTape来记录正向运算过程，然后反播磁带自动得到梯度值。这种利用tf.GradientTape求微分的方法叫做Tensorflow的自动微分机制。3.tf.GradientTape()求二阶导
1000sprites·2020-06-26 09:27

OpenSSL密码库算法笔记——第6.3.1章 签名原理

ECDSA签名可以对任意长度的字符串进行签名计算，得出签名值——两个大整数r和s。签名过程分成两步：计算信息摘要和计算签名，计算信息摘要利用散列函数（如SHA-1，参见[15]），得出散列值e=H(M)，而计算签名就对这个散列值e计算出最后签名（r，s）。算法描述如下：───────────────────────────────────────算法ECDSA签名输入：消息M（可以是任意长度的比特
网糸隹·2020-06-26 07:02

OpenSSL密码库算法笔记——第6.3.6章 验证函数调用关系

和计算签名相比，验证签名所涉及的函数少了许多，只有三个函数：ECDSA_verify、ECDSA_do_verify和ecdsa_do_verify。这其中只有ECDSA_verify的签名采用DER编码。下图将简要说明这些函数之间的调用关系。图6.5验证所用函数图现对上图做个简要说明：ECDSA_verify的签名采用的是DER编码，故需要用d2i_ECDSA_SIG先将签名从DER形式解码成E
网糸隹·2020-06-26 07:02

OpenSSL密码库算法笔记——第6.3.3章 签名函数调用关系

数字签名中用到了多个函数，包括ECDSA_sign、ECDSA_sign_ex、ECDSA_do_sign、ECDSA_do_sign_ex、ecdsa_do_sign、ECDSA_sign_setup、ecdsa_sign_setup。这些函数有的是用于计算签名，有的是用于做签名前的预运算；有的签名是采用DER编码，有的是采用ECDSA_SIG。下图将简要说明这些函数之间的调用关系。图6.3签名
网糸隹·2020-06-26 07:02

OpenSSL密码库算法笔记——第6.3.5章 验证原理

签名验证过程分成两步：计算信息摘要和验证签名，计算信息摘要利用散列函数（如SHA-1，参见[15]）求出消息M的散列值e=H(M)，然后对这个散列值e和接收到的签名（r，s）进行签名验证。算法描述如下：───────────────────────────────────────算法签名验证输入：接收到的消息M、签名（r，s）、椭圆曲线参数，签名者的公钥Q。输出：签名有效或者是签名无效。步骤：──
网糸隹·2020-06-26 07:02

OpenSSL密码库算法笔记——第6.2.3章 ECDSA_METHOD

ECDSA_METHOD主要描述了生成签名和验证签名时使用的函数。typedefstructecdsa_methodECDSA_METHOD;structecdsa_method{constchar*name;ECDSA_SIG*(*ecdsa_do_sign)(constunsignedchar*dgst,intdgst_len,constBIGNUM*inv,constBIGNUM*rp,EC
网糸隹·2020-06-26 07:30

OpenSSL密码库算法笔记——第6.2.2章 ECDSA_DATA结构体

ECDSA_DATA主要描述ECDSA的附加信息，其定义如下。typedefstructecdsa_data_st{int(*init)(EC_KEY*);ENGINE*engine;intflags;constECDSA_METHOD*meth;CRYPTO_EX_DATAex_data;}ECDSA_DATA;其中：engineEngine机制。meth记载了调用的签名验证等函数的信息，参见下
网糸隹·2020-06-26 07:30

OpenSSL密码库算法笔记——第5.4.9章 椭圆曲线点的加法

先来回忆下前面提到的仿射点的加法。曲线上的两个放射点P1＝(x1,y1)和P2＝(x2,y2)做加法P3＝P1＋P2＝(x3,y3)，当P1＝P2时，称此时的加法运算为二倍点运算。如果P1≠－P2，则P3＝P1＋P2＝(x3,y3)，可以由如下公式计算出来：对不同的射影坐标系而言，只需要把射影点转化成对应的放射点再代入以上两个式子即可得到在对应射影坐标系下的射影点加法公式。下面给出在各个不同的射影
网糸隹·2020-06-26 07:29

OpenSSL密码库算法笔记——第5.4.4章 椭圆曲线点的比较

对点的比较有必要先解释一下。怎样判断两个点P1＝(x1,y1,z1)和P2＝(x2,y2,z2)相等呢？很明显不能根据各分量对应相等来判断点相同，正确的做法是判断这两个点对应过去的仿射点是否相等。即比较(x1/z12,y1/z13)和(x2/z22,y2/z23)是否相等。为了避免做逆运算，可以消去分母：如果某个点的Z分量为1，很明显（5.3）式就可以简化。这就是在点的定义中加入参数Z_is_on
网糸隹·2020-06-26 07:29

OpenSSL密码库算法笔记——第5.4.11章 椭圆曲线的多倍点运算——未知点

本小节来讨论kP的计算方法，这里的P为椭圆曲线上的点，k为一个整数。这个运算就是多倍点运算，它是椭圆曲线密码算法的核心。设曲线的阶为#E(Fp)＝nh，其中n为素数，是点P在椭圆曲线上的阶，h为相伴因子，是一个很小的数，k∈[1,n－1]。多倍点计算主要是通过对k的不同表示来实现的。有对k进行二进制展开的平方和算法（平方和算法的思想参见§4.1.1）；有对k进行NAF展开的二进制NAF算法；有结合
网糸隹·2020-06-26 07:29
上一页 94 95 96 97 98 99 100 101 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他