【人工智能基础03】机器学习（练习题）
文章目录
- 课本习题
- 监督学习的例子
- 过拟合和欠拟合
- 常见损失函数，判断一个损失函数的好坏
- 无监督分类：kmeans
- 无监督分类，Kmeans 三分类问题
- 变换距离函数
- 选择不同的起始点
- 重点回顾
- 1. 监督学习、半监督学习和无监督学习的定义
- 2. 判断学习场景
- 3. 监督学习主要研究的问题
- 什么是分类问题、回归问题
- 无监督学习主要研究问题：聚类与降维
重点：
了解掌握机器学习中监督学习、无监督学习和半监督学习的概念
- 什么是监督学习、无监督和半监督？
- 根据场景，判断属于哪种学习模式？
- 监督学习的主要研究问题（分类/回归） 什么是分类问题？什么是回归问题？
- 无监督学习的主要研究问题（聚类/降维）什么是聚类？什么是降维？
课本习题
监督学习的例子
过拟合和欠拟合
在机器学习中，“损失”（loss）通常是用来衡量模型预测值与真实值之间差异的一个指标。
常见损失函数，判断一个损失函数的好坏
- 缺乏对预测误差的合理度量
- 一般的损失函数应该能够反映模型预测值与真实值之间的差距，从而指导模型进行优化。而这个函数只是简单地将 （可能是模型的输出）与导数 相加，没有明确地体现出预测值与真实值的差异程度。
- 没有考虑数据的分布和特点
- 不同类型的数据可能具有不同的分布特点，好的损失函数应该能够适应这些特点。例如，对于具有长尾分布的数据，可能需要使用对异常值不那么敏感的损失函数。
- 难以进行优化求解
- 在机器学习中，我们通常使用优化算法（如梯度下降法）来最小化损失函数，从而找到最优的模型参数。但是对于这个函数，很难确定其梯度的形式，也难以找到有效的优化方法。
无监督分类：kmeans
K-means 算法是一种无监督学习算法，用于将数据分为(K)个聚类。以下是对该问题的解答过程：
一、算法步骤
无监督分类，Kmeans 三分类问题
变换距离函数
选择不同的起始点
重点回顾
1. 监督学习、半监督学习和无监督学习的定义
监督学习、半监督学习和无监督学习是机器学习中的三种主要学习方式，它们在学习过程中对数据的依赖程度不同，下面是它们的详细介绍：
- 监督学习（Supervised Learning）
监督学习主要用于分类和回归任务。在监督学习中，训练数据集是“带标签”的，这意味着每一个输入数据样本都有一个对应的真实标签（或目标值）。模型的目标是通过学习输入与标签之间的映射关系，从而能够对新的、未见过的数据进行预测。例子：
1.分类问题：例如，识别电子邮件是否为垃圾邮件（标签为“垃圾邮件”或“非垃圾邮件”）。
2.回归问题：例如，预测房价，给定房屋的面积、房间数、位置等特征，预测其售价。工作原理： 在训练过程中，监督学习算法会根据输入数据和对应的标签，调整模型的参数（如权重），使模型的预测结果尽量接近真实标签。
- 半监督学习（Semi-supervised Learning）
半监督学习介于监督学习和无监督学习之间。在这种学习方式下，训练数据集大部分是无标签的，只有一小部分数据是带标签的。这类方法适用于标签数据获取成本较高，或者标注数据难以获得的情境。通过结合无标签数据和少量的带标签数据，半监督学习模型能够提高学习的效果。例子：假设你有大量的图片数据，但只有少数的图片被标注了类别，利用这些少量的标签数据以及大量未标注的数据来进行分类任务。
工作原理：半监督学习利用少量标记数据来引导学习过程，并结合无标签数据的特征分布进行训练。
- 无监督学习（Unsupervised Learning）
无监督学习是指在没有标签数据的情况下训练模型。这里的数据只有输入，没有目标输出（标签）。无监督学习的目标是挖掘数据中的内在结构或模式，通常用于数据的降维、聚类或异常检测等任务。
例子：
聚类问题：例如，将客户根据购买行为分为不同的群体（如：高消费群体、中等消费群体、低消费群体）。
降维问题：例如，使用主成分分析（PCA）对高维数据进行降维，简化数据的复杂度。工作原理：无监督学习不依赖于标签数据，而是通过分析数据中的相似性或差异性来进行学习。
总结对比：
| 学习类型 | 数据标签情况 | 常见任务 | 常见算法 |
|---|---|---|---|
| 监督学习 | 训练数据有标签 | 分类、回归 | 线性回归、支持向量机、决策树、神经网络 |
| 半监督学习 | 大部分数据无标签，少量数据有标签 | 适用于标注数据稀缺的情况 | 自监督学习、图卷积网络、半监督神经网络等 |
| 无监督学习 | 训练数据无标签 | 聚类、降维、异常检测等 | K均值聚类、PCA、DBSCAN、自编码器等 |
总结：
监督学习：通过大量带标签的数据来训练模型，使其能够对新数据做出预测。
半监督学习：在只有少量带标签数据和大量无标签数据的情况下训练模型，弥补标注数据的不足。
无监督学习：完全没有标签的数据，模型主要关注数据本身的结构和模式，如聚类和降维。
不同类型的学习方法适用于不同的应用场景。
2. 判断学习场景
要根据不同的场景判断使用哪种学习模式（监督学习、半监督学习或无监督学习），我们需要关注以下几个关键因素：
1.是否有标签数据（即每个数据点是否有明确的目标值或标签）。
2.数据标签的可用性（标签数据的数量和质量）。
3.任务的目标（是进行预测、分类，还是探索数据中的模式）。
下面是针对不同场景的分析和判断标准：
| 学习类型 | 场景特点 | 应用场景 | 判断标准 | 例子 |
|---|---|---|---|---|
| 监督学习 | - 数据有标签 - 任务目标明确（预测或分类） - 数据量充足，标签数据充分 | - 分类任务：垃圾邮件识别、图像分类、疾病预测等 - 回归任务：房价预测、股票价格预测、销售量预测等 | - 数据集中的每个样本都有明确标签 - 学习输入与输出之间的关系，进行预测或分类 | - 图片分类：根据图像及其类别标签（如“猫”、“狗”）训练模型进行分类 - 房价预测：根据房屋特征预测售价 |
| 半监督学习 | - 大部分数据没有标签，少部分数据有标签 - 标签数据稀缺，标注成本高 - 需要利用无标签数据提升模型性能 | - 标签数据稀缺的任务 - 图像/语音分类：语音识别中的少部分标注样本 - 文本分类：少量新闻文章有标签 | - 大部分数据没有标签 - 通过少量标注数据和大量未标注数据来提升模型效果 | - 网站分类：大量网页中只有少部分网页有标签，通过半监督学习分类网页内容 - 医学影像分析：利用少数标注的影像数据训练模型 |
| 无监督学习 | - 数据没有标签 - 目标是发现数据的潜在结构或模式，非预测标签 | - 聚类：市场细分、客户分群 - 降维：数据可视化、去噪等 - 异常检测：欺诈检测、网络入侵检测等 | - 数据没有标签 - 任务目标是理解数据的结构或关系，如聚类、降维或异常检测 | - 客户分群：基于购买行为将客户分组以进行个性化营销 - 降维：通过PCA简化高维数据 |
总结：根据场景选择学习模式
| 学习模式 | 数据要求 | 任务目标 | 常见应用场景 |
|---|---|---|---|
| 监督学习 | 数据有标签，任务是预测或分类 | 学习输入与标签之间的关系，进行预测或分类 | 图像分类、房价预测、垃圾邮件检测等 |
| 半监督学习 | 大部分数据无标签，少部分数据有标签 | 利用少量标签数据和大量无标签数据提高学习效果 | 图像/语音识别、文本分类、医学影像分析等 |
| 无监督学习 | 数据无标签，任务是发现数据的内在结构或模式 | 聚类、降维、异常检测等 | 客户分群、降维、异常检测、市场分析等 |
如何判断使用哪种模式： 有标签数据吗？
- 是：选择监督学习。
- 否：继续判断。
数据标注成本很高，但有少量标签数据吗？
- 是：选择半监督学习。
- 否：选择无监督学习（如果目标是探索数据的结构或发现潜在的模式）。
3. 监督学习主要研究的问题
- 分类（Classification）
分类问题是指将输入数据映射到预定义类别的任务。分类任务的目标是根据已知的训练数据集来训练一个模型，然后使用该模型预测新数据所属的类别标签。
分类任务主要研究的问题：
- 类别不平衡问题：在许多现实应用中，某些类别的样本数远远多于其他类别，导致模型的预测偏向于较为常见的类别。如何有效处理类别不平衡是分类任务中的一个关键问题。
- 高维数据问题：在许多任务中，输入数据的特征维度可能非常高（例如文本分类中的词袋模型、图像分类中的像素值）。高维数据往往容易导致维度灾难（curse of dimensionality），需要采取降维或特征选择技术。
- 模型复杂度与泛化能力的权衡：在分类任务中，过于复杂的模型可能会过拟合训练数据，而简单的模型可能无法捕捉数据中的复杂模式。因此，如何选择合适的模型以及进行正则化（防止过拟合）是一个重要的研究问题。
- 模型评估与选择：在分类问题中，如何评估模型的好坏非常关键。除了传统的准确率（accuracy），我们还需要关注精确率（precision）、召回率（recall）、F1 值、ROC 曲线等评估指标，特别是在类别不平衡的情况下。
常见的分类算法：
- 逻辑回归：用于二分类问题，通过学习输入特征与类别之间的线性关系。
- 决策树：通过树状结构来决策，直观且易于理解。
- 支持向量机（SVM）：通过寻找最优的超平面来分类，适用于高维数据。
- K 最近邻（KNN）：基于距离度量对样本进行分类。
- 神经网络：通过多个层级的非线性变换来学习复杂的分类边界。
示例应用：
- 垃圾邮件识别：将邮件分为“垃圾邮件”和“非垃圾邮件”。
- 图像分类：例如，将手写数字图片分类为数字 0 到 9。
- 情感分析：将文本分为正面、负面或中性情感类别。
- 回归（Regression）
回归问题是指预测一个连续的数值目标（标签）的任务。与分类不同，回归任务的目标是找到输入数据和连续输出之间的关系，而不是将数据分配到某个类别中。
回归任务的主要研究问题
- 数据噪声和异常值：在实际数据中，噪声和异常值的存在会影响模型的训练。如何减少噪声的影响、识别和处理异常值是回归中的一个重要问题。
- 特征选择与工程：回归模型的预测性能通常依赖于输入特征的质量。特征工程（如特征缩放、特征选择等）对于构建有效的回归模型至关重要。
- 模型的过拟合与欠拟合：与分类任务相似，回归模型也面临着过拟合和欠拟合的问题。需要平衡模型的复杂度，避免过度拟合训练数据或无法捕捉数据中的规律。
- 非线性回归：在许多实际应用中，输入和输出之间的关系可能不是线性的。如何构建能够处理非线性关系的回归模型，是回归中的一大挑战。
常见的回归算法：
- 线性回归：最基础的回归方法，假设输入特征和输出之间存在线性关系。
- 岭回归与Lasso回归：为了防止过拟合，在线性回归模型中加入正则化项。
- 决策树回归：通过树状结构对数据进行回归预测，适合处理非线性问题。
- 支持向量回归（SVR）：与支持向量机类似，但用于回归任务。
- 神经网络回归：使用多层感知器（MLP）等结构进行回归，可以处理复杂的非线性关系。
示例应用：
- 房价预测：根据房屋的特征（如面积、位置、卧室数等）预测房屋的价格。
- 股票价格预测：基于历史数据预测未来某个时间点的股票价格。
- 气温预测：根据气象数据预测未来的气温。
分类与回归的区别
-
目标输出：
- 分类任务的目标输出是离散的类别标签（例如 0 或 1，或者多个类别标签）。
- 回归任务的目标输出是连续的数值（例如温度、价格、年龄等）。
-
损失函数：
- 分类任务通常使用交叉熵（cross-entropy）损失函数，尤其是在多分类问题中。
- 回归任务通常使用均方误差（MSE，Mean Squared Error）损失函数。
-
评估指标：
- 分类问题常用准确率、精确率、召回率、F1 值、ROC 曲线等作为评估指标。
- 回归问题常用均方误差、平均绝对误差、R² 等作为评估指标。
总结：
- 分类和回归是监督学习中的两大核心任务，尽管它们的目标不同，但都依赖于学习数据中的输入和目标之间的关系。
- 分类处理的是离散标签的预测任务，常见于例如垃圾邮件分类、图像分类等问题。
- 回归处理的是连续数值的预测任务，广泛应用于房价预测、气温预测等场景。
什么是分类问题、回归问题
下面是 分类问题 和 回归问题 的比较，以表格形式呈现：
| 特征 | 分类问题 | 回归问题 |
|---|---|---|
| 目标变量 | 离散类别标签（有限的几个类别） | 连续数值（无限多个可能的输出） |
| 输出形式 | 离散的类别（例如：猫、狗、1、0） | 连续的数值（例如：房价、温度、销售额） |
| 任务类型 | 二分类、多分类 | 线性回归、非线性回归 |
| 评估指标 | 精确率、召回率、F1值、准确率、ROC-AUC等 | 均方误差（MSE）、均绝对误差（MAE）、R²等 |
| 常见算法 | 逻辑回归、支持向量机（SVM）、决策树、随机森林、神经网络等 | 线性回归、岭回归、Lasso回归、决策树回归、神经网络等 |
| 应用示例 | 垃圾邮件分类、图像分类、情感分析、疾病诊断等 | 房价预测、气温预测、股票预测、销售额预测等 |
解释：
- 分类问题：用于将数据分配到预定义的类别中。任务的目标是输出离散标签，适用于目标变量是类别或标签的任务。例如，垃圾邮件识别、图像分类等。
- 回归问题：用于预测一个连续的数值。任务的目标是输出一个连续的值，适用于目标变量是数量、金额、温度等连续量的任务。例如，房价预测、销售额预测等。
无监督学习主要研究的是如何从没有标签的输入数据中发现模式、结构或规律。其两个常见任务是 聚类（Clustering） 和 降维（Dimensionality Reduction），以下是这两类任务的主要研究问题：
无监督学习主要研究问题：聚类与降维
聚类（Clustering）
聚类是无监督学习中的一种主要任务，其目的是将数据集中的样本根据某些相似度度量划分为若干个簇。聚类常见的挑战和问题包括：
- 簇的数量选择：在很多聚类算法（如K-means）中，簇的数量需要预先指定。然而，真实数据中可能没有明确的簇数量，需要使用技术来确定最佳簇数。
- 簇的形状与密度问题：传统的聚类算法（如K-means）假设簇是圆形的、密度均匀的。然而，实际数据中的簇往往形状复杂，密度不均，使用基于密度的算法（如DBSCAN）可能更为合适。
- 高维数据聚类：数据维度过高时，聚类算法可能变得低效。常通过降维技术（如PCA）来减少特征维度，从而提升聚类性能。
- 噪声与离群点：聚类算法容易受噪声数据和离群点的影响，影响结果的准确性。使用鲁棒的聚类方法（如DBSCAN）可以缓解这个问题。
- 降维（Dimensionality Reduction）
降维任务的目标是将高维数据压缩到低维空间中，同时保留尽可能多的原始信息。主要研究问题包括：
- 信息损失与可解释性：降维后如何保持数据的重要信息，避免丢失关键信息，尤其是在高维数据中尤为重要。
- 高维数据的计算复杂度：需要大量的计算资源，因此需要使用高效的算法（如增量PCA）或分布式计算框架来解决这个问题。
- 降维后的可解释性与可视化：降维后的数据需要进行可视化，以便人类能够理解其中的模式和结构。常使用二维或三维可视化来直观展示数据结构。
- 特征选择与相关性：在降维过程中，需要对数据进行特征选择，去除冗余或不相关的特征，提高降维效果。
解决方法概述：
-
聚类算法：
- K-means、K-medoids：适用于具有球形簇的数据，聚类数需预设。
- DBSCAN、OPTICS：适用于处理具有不同密度和形状的簇，且不需要预先指定簇数。
- 层次聚类：基于数据的相似度构建树状结构，可以生成不同尺度的聚类。
-
降维算法：
- PCA（主成分分析）：线性降维方法，寻找最能表示数据变异性的方向。
- t-SNE、UMAP：非线性降维方法，保持数据的局部结构，适用于数据可视化。
- LDA（线性判别分析）：监督学习方法，用于降维的同时保留类别信息。
总结：
聚类关注如何将数据分组、确定簇数、处理噪声与离群点等问题，
而降维则关注如何减少特征空间维度，同时保留数据的关键信息，并解决计算复杂度与可视化的问题。
参考：《人工智能基础-姚期智》
相关文章：
【人工智能基础03】机器学习（练习题）
文章目录 课本习题监督学习的例子过拟合和欠拟合常见损失函数，判断一个损失函数的好坏无监督分类：kmeans无监督分类，Kmeans 三分类问题变换距离函数选择不同的起始点 重点回顾1. 监督学习、半监督学习和无监督学习的定义2. 判断学习场景3. 监…...
C/C++每日一练：合并K个有序链表
本篇博客将探讨如何 “合并K个有序链表” 这一经典问题。本文将从题目要求、解题思路、过程解析和相关知识点逐步展开，同时提供详细注释的代码示例。 链表（Linked List） 链表是一种线性数据结构，由一系列节点（Node&…...
jmeter基础07_组件的层级
课程大纲 1. 优先级/执行顺序（一般情况） 同级组件：按组件先后顺序执行。如：同一层的线程组、同一层的http请求。 上下级组件：先执行外层（上级），再执行内层（下级ÿ…...
【QNX+Android虚拟化方案】125 - 如何创建android-spare镜像
【QNX+Android虚拟化方案】125 - 如何创建android-spare镜像 1. Android侧创建 (ext4 / sparse) test_img.img 镜像 方法一2. Android侧创建 (ext4 / sparse) test_img.img 镜像 方法二3. qnx 侧 分区透传Android 配置3.1 配置分区透传3.2 Android 侧分区 rename3.3 创建挂载目…...
大R玩家流失预测在休闲社交游戏中的应用
摘要 预测玩家何时会离开游戏为延长玩家生命周期和增加收入贡献创造了独特的机会。玩家可以被激励留下来，战略性地与公司组合中的其他游戏交叉链接，或者作为最后的手段，通过游戏内广告传递给其他公司。本文重点预测休闲社交游戏中高价值玩家…...
使用Postman搞定各种接口token实战
现在许多项目都使用jwt来实现用户登录和数据权限，校验过用户的用户名和密码后，会向用户响应一段经过加密的token，在这段token中可能储存了数据权限等，在后期的访问中，需要携带这段token，后台解析这段token才…...
【C++】printf 函数详解与格式化输出控制
博客主页： [小ᶻ☡꙳ᵃⁱᵍᶜ꙳] 本文专栏: C 文章目录 💯前言💯printf 基础用法1.1 printf 的常见占位符1.2 占位符与参数的对应关系1.3 换行控制示例： 💯格式化输出控制2.1 输出宽度控制2.1.1 指定最小宽度 2.2 …...
)
在21世纪的我用C语言探寻世界本质——字符函数和字符串函数(1)
人无完人，持之以恒，方能见真我！！！ 共同进步！！ 文章目录 一、字符分类函数二、字符转换函数三、strlen的使用和模拟实现四、strcpy的使用和模拟实现五、strcat的使用和模拟实现六、strcmp的使用和…...
【专题】存储器管理
1. 存储器的层次结构 在计算机执行时，几乎每一条指令都涉及对存储器的访问，因此要求对存储器的访问速度能跟得上处理机的运行速度。 存储器的速度必须非常快，能与处理机的速度相匹配，否则会明显地影响到处理机的运行。 此外还要求…...
python股票数据分析（Pandas）练习
需求： 使用pandas读取一个CSV文件，文件内容包括股票名称、价格和交易量。完成以下任务： 找出价格最高的股票； 计算总交易量； 绘制价格折线图。 代码实现： import pandas as pd import matplotlib.pyplot …...
Hadoop生态圈框架部署（八）- Hadoop高可用（HA）集群部署
文章目录 前言一、部署规划二、Hadoop HA集群部署（手动部署）1. 下载hadoop2. 上传安装包2. 解压hadoop安装包3. 配置hadoop配置文件3.1 虚拟机hadoop1修改hadoop配置文件3.1.1 修改 hadoop-env.sh 配置文件3.3.2 修改 core-site.xml 配置文件3.3.3 修改 …...
抗干扰设计的检查细则
抗干扰设计是确保电子系统或设备在复杂电磁环境中稳定运行的重要环节，涉及多个方面的设计和实施。以下是对抗干扰设计的检查细则的详细归纳： 一、电源线与地线设计 电源线设计：选择合适的电源，尽量加宽电源线，保证电源…...
[Redis#12] 常用类型接口学习 | string | list
目录 0.准备 1.string get | set set_with_timeout_test.cpp set_nx_xx_test.cpp mset_test.cpp mget_test.cpp getrange_setrange_test.cpp incr_decr_test.cpp 2.list lpush_lrange_test.cpp rpush_test.cpp lpop_rpop_test.cpp blpop_test.cpp llen_test.cpp…...
React的ts文件中通过createElement拼接一段内容出来
比如接口返回一个值 const values [23.00, 40.00/kg];想做到如下效果， 如果单纯的用render渲染会很简单， 但是在ts文件中处理，所以采用了createElement拼接 代码如下： format: (values: string[]) > {if (!values || !val…...
【Git系列】Git 提交历史分析：深入理解`git log`命令
💝💝💝欢迎来到我的博客，很高兴能够在这里和您见面！希望您在这里可以感受到一份轻松愉快的氛围，不仅可以获得有趣的内容和知识，也可以畅所欲言、分享您的想法和见解。 推荐:kwan 的首页,持续学…...
深度学习笔记——生成对抗网络GAN
本文详细介绍早期生成式AI的代表性模型：生成对抗网络GAN。 文章目录 一、基本结构生成器判别器 二、损失函数判别器生成器交替优化目标函数 三、GAN 的训练过程训练流程概述训练流程步骤1. 初始化参数和超参数2. 定义损失函数3. 训练过程的迭代判别器训练步骤生成器…...
《地球科学与环境学报》
《地球科学与环境学报》报道范围涵盖基础地质、矿产地质、水资源与环境、工程地质、地球物理、地球信息科学等领域，刊载国内外未公开发表的有创新性或意义重大的研究论文和综述文章。 来稿必须包括以下项目：题名（尽可能不要超过20字&…...
k8s 1.28 聚合层部署信息记录
–requestheader-client-ca-file –requestheader-allowed-namesfront-proxy-client –requestheader-extra-headers-prefixX-Remote-Extra- –requestheader-group-headersX-Remote-Group –requestheader-username-headersX-Remote-User –proxy-client-cert-file –proxy-cl…...
组件化设计的意义
鸿蒙操作系统（HarmonyOS）是华为公司开发的一款面向未来、面向全场景的分布式操作系统。它不仅能够支持多种智能终端设备，还能够实现跨设备之间的协同工作。为了满足不同设备的资源能力和业务需求，鸿蒙操作系统采用了组件化的设计方…...
2025 年河北省职业院校大数据应用与 服务（中职组）赛项样题
— 1 — 2025 年河北省职业院校大数据应用与 服务（中职组）赛项样题 一、背景描述 近年来，随着旅游业的快速发展和社交媒体的普及，一 些目的地因其独特的魅力或者事件而迅速走红，吸引了大量 游客涌入，使得当…...
宏集eXware物联网网关在水务管理系统上的应用
一、前言 水务管理系统涵盖了对城市水网、供水、排水、污水处理等多个环节的监控与管理。随着物联网（IoT）技术的快速发展，物联网网关逐渐成为水务管理系统中的关键组成部分。 宏集物联网网关以其高效的数据采集、传输和管理功能，…...
【看海的算法日记✨优选篇✨】第三回：二分之妙，寻径中道
🎬 个人主页：谁在夜里看海. 📖 个人专栏：《C系列》《Linux系列》《算法系列》 ⛰️ 一念既出，万山无阻 目录 📖一、算法思想 细节问题 📚左右临界 📚中点选择 📚…...
yolov5 解决：export GIT_PYTHON_REFRESH=quiet
当我们在第一次运行YOLOv5中的train.py程序时：可能会出现以下报错： This initial warning can be silenced or aggravated in the future by setting the $GIT_PYTHON_REFRESH environment variable. Use one of the following values: - quiet|q|silen…...
MongoDB聚合操作
1.聚合操作 聚合操作处理数据记录并返回计算结果。聚合操作组值来自多个文档，可以对分组数据执行各种操作以返回单个结果。聚合操作包含三类：单一作用聚合、聚合管道、MapReduce。 单一作用聚合：提供了对常见聚合过程的简单访问，…...
Apple雷电5到底有多快？
在科技日新月异的今天，苹果公司始终走在技术创新的前沿。2023年9月12日，随着英特尔发布雷电5（Thunderbolt 5）规范，苹果迅速跟进，将其应用于自家的产品中。雷电5接口以其卓越的性能，彻底颠覆了我…...
项目快过：知识蒸馏 | 目标检测 |FGD | Focal and Global Knowledge Distillation for Detectors
公开时间：2022年3月9号 项目地址：https://github.com/yzd-v/FGD 论文地址：https://arxiv.org/pdf/2111.11837 知识蒸馏已成功地应用于图像分类。然而，目标检测要复杂得多，大多数知识蒸馏方法都失败了。本文指出&#…...
Spring Boot日志总结
文章目录 1.我们的日志2.日志的作用3.使用日志对象打印日志4.日志框架介绍5.深入理解门面模式(外观模式)6.日志格式的说明7.日志级别7.1日志级别分类7.2配置文件添加日志级别 8.日志持久化9.日志文件的拆分9.1官方文档9.2IDEA演示文件分割 10.日志格式的配置11.更简单的日志输入…...
PostgreSQL最常用数据类型-重点说明自增主键处理
简介 PostgreSQL提供了非常丰富的数据类型，我们平常使用最多的基本就3类： 数字类型字符类型时间类型 这篇文章重点介绍这3中类型，因为对于高并发项目还是推荐：尽量使用简单类型，把运算和逻辑放在应用中，…...
androidstudio 最新继承 proto kts 方式
在Android Studio中，如果你使用的是Kotlin DSL（.kts文件）来配置你的Gradle项目，并且你想集成Protocol Buffers（Proto），你需要稍微调整你的配置方式。以下是如何在Kotlin DSL中配置Proto集成的步…...
【STM32学习】TB6612FNG驱动芯片的学习，驱动电路的学习
目录 1、TB6612电机驱动芯片 1.1如下是芯片的引脚图： 1.2如下图是电机的控制逻辑： 1.3MOS管运转逻辑 1.3典型应用电路 2、H桥驱动电路 2.1、单极模式 2.2、双极模式 2.3、高低端MOS管导通条件 2.4、H桥电路设计 2.5、自举电路 3、电气特性 3…...
【AI战略思考13】克服懒惰，保持专注，提升效率，不再焦虑
【AI论文解读】【AI知识点】【AI小项目】【AI战略思考】【AI日记】 引言 我发现自己最近非常懒惰，浪费了很多时间，也容易分心，不够专注，效率低下，且每天都有点焦虑，因此制定了下面的要求和作息时间表。 目…...
基于Vue3+Element Plus 实现多表单校验
使用场景 表单校验在日常的开发需求中是一种很常见的需求，通常在提交表单发起请求前校验用户输入是否符合规则，通常只需formRef.value.validate()即可校验，但是，例如一些多步骤表单、动态表单、以及不同的用户角色可能看到不同的表…...
“岗位复合化、技能层次化” 高职大数据技术专业人才培养实践
在全球数字化浪潮的推动下，大数据技术已经成为引领社会进步和经济发展的核心动力。随着《关于深化现代职业教育体系建设改革的意见》等系列指导问文件的发布，我国高职大数据技术专业的教育正迎来全新机遇与挑战。这些政策不仅明确了职业教育改革的方向&a…...
Day2 生信新手笔记: Linux基础
一、基础知识 1.1 服务器 super computer 或 server 1.2 组学数据分析 组学数据：如基因组学、转录组学、蛋白质组学等； 上游分析：主要涉及原始数据的获取和初步处理，计算量大，消耗的资源较多，在服务器完…...
AI开发-数据可视化库-Seaborn
1 需求 概述 Seaborn 是一个基于 Python 的数据可视化库，它建立在 Matplotlib 之上。其主要目的是使数据可视化更加美观、方便和高效。它提供了高层次的接口和各种美观的默认主题，能够帮助用户快速创建出具有吸引力的统计图表，用于数据分析和…...
如何把Qt exe文件发送给其他人使用
如何把Qt exe文件发送给其他人使用 1、先把 Debug改成Release2、重新构建项目3、运行项目4、找到release文件夹5、新建文件夹，存放exe文件6、打开qt控制台串口7、下载各种文件8、压缩，发送压缩包给别人 1、先把 Debug改成Release 2、重新构建项目 3、运行…...
力扣103.二叉树的锯齿形层序遍历
题目描述 题目链接103. 二叉树的锯齿形层序遍历 给你二叉树的根节点 root ，返回其节点值的 锯齿形层序遍历 。（即先从左往右，再从右往左进行下一层遍历，以此类推，层与层之间交替进行）。 示例 1ÿ…...
MOH: MULTI-HEAD ATTENTION AS MIXTURE-OFHEAD ATTENTION
当前的问题 多头注意力使用多个头部可以提高模型的精度。然而，并不是所有的注意力头都具有同样的重要性。一些研究表明，许多注意力头可以被修剪而不影响准确性。 此外，在多头注意中，每个注意头并行操作，最终输出是所…...
Linux的文件系统
这里写目录标题 一.文件系统的基本组成索引节点目录项文件数据的存储扇区三个存储区域 二.虚拟文件系统文件系统分类进程文件表读写过程 三.文件的存储连续空间存放方式缺点 非连续空间存放方式链表方式隐式链表缺点显示链接 索引数据库缺陷索引的方式优点：多级索引…...
力扣78题详解：C语言实现子集问题
力扣78题详解：C语言实现子集问题 题目描述 给定一个不含重复元素的整数数组 nums，返回其所有可能的子集（幂集）。 说明：解集不能包含重复的子集，顺序无关。 示例 输入：nums [1,2,3] 输出&am…...
按行数据拆分到工作表-Excel易用宝
有这样一份工作表，现在要对工作表按指定行数进行拆分，如果你还在选择数据区域复制粘贴到每个工作表中，那这样的效率也太低了。 按指定行数拆分工作表，就用易用宝。 单击Excel易用宝，合并与拆分，拆分工作表…...
.net core 创建linux服务，并实现服务的自我更新
目录 创建服务创建另一个服务，用于执行更新操作给你的用户配置一些systemctl命令权限 创建服务 /etc/systemd/system下新建服务配置文件：yourapp.service，内容如下： [Unit] Descriptionyourapp Afternetwork.target[Service] Ty…...
无人机的起降装置：探索起飞和降落的秘密 ！
一、起降系统的运行方式 起飞方式 垂直起飞：小型无人机通常采用垂直起飞方式，利用螺旋桨产生的升力直接从地面升起。这种方式适用于空间有限或需要快速起飞的场景。 跑道起飞：大型无人机或需要较长起飞距离的无人机，可能会采用…...
Apache Airflow 快速入门教程
Apache Airflow已经成为Python生态系统中管道编排的事实上的库。与类似的解决方案相反，由于它的简单性和可扩展性，它已经获得了普及。在本文中，我将尝试概述它的主要概念，并让您清楚地了解何时以及如何使用它。 Airflow应用场景 …...
数学题转excel；数学题库；数学试卷转excel；大风车excel
一、数学试卷转excel 有些需要刷题的朋友，需要将题库数学题转为excel格式，便于管理 前端时间帮一位朋友实现了数学题转excel，包括选择题、填空题、分析题 示例： 二、问题 数学题是最难以处理的试题，理由如下 1、有…...
【C++】类和对象（下）
目录 前言 一、再探构造函数 二、类型转换 三、static 成员 四、友元 五、内部类 六、匿名对象 七、对象拷贝时的编译器优化 总结 前言 本文主要内容：构造函数的再探--初始化列表、内置类型与自定义类型之间的转换、类的static成员、友元、内部类、匿名对…...
vue多页面应用集成时权限处理问题
在多页面应用（MPA）中，权限管理通常会涉及到每个页面的访问控制、身份验证、以及权限校验。以下是几种常见的权限处理方式： 1. 前端路由权限控制 原理：虽然是多页面应用，通常每个页面会独立加载和渲染&…...
输出保留3位小数的浮点数
输出保留3位小数的浮点数 C语言代码C代码Java代码Python代码 💐The Begin💐点点关注，收藏不迷路💐 读入一个单精度浮点数，保留3位小数输出这个浮点数。 输入 只有一行，一个单精度浮点数。 输出 也只有一…...
openssl的运用
一、概述 Opssl是一个用于TLS/SSL协议的工具包，也是一个通用密码库。 包含了国密sm2 sm3 sm4，包含了对称加密，非对称加密，单项散列，伪随机、签名，密码交换，证书等一些算法库。 为了深层次的学习…...
C++STL之vector（超详细）
CSTL之vector 1.vector基本介绍2.vector重要接口2.1.构造函数2.2.迭代器2.3.空间2.3.1.resize2.3.2.capacity 2.4.增删查找 3.迭代器失效4.迭代器分类 🌟🌟hello，各位读者大大们你们好呀🌟🌟 🚀Ὠ…...