首页 > TAG信息列表 > yk
欧几里得算法
欧几里得算法 描述 \[\gcd(a, b) = \gcd(b, a \bmod b) \]证明 求证： \[\gcd(a, b) = \gcd(b, a \bmod b) \]假设 \(a > b\) 且 \(b \nmid a\)，可描述： \[a = bk + c \]其中 \(k\) 为商，\(c\) 为余数。 假设 \(\gcd(a, b) = u\) \(a = xu, b = yu\)，显然 \(x\) 与 \(y\) 互素。31个全网最常用python实现（体系学习，学完显著提高代码复用能力）
个人公众号:yk 坤帝 后台回复‘代码复用’获得全部源码 1. 冒泡排序 2. 计算 x 的 n 次方的方法 3. 计算 aa + bb + c*c + …… 4. 计算阶乘 n! 5. 列出当前目录下的所有文件和目录名 6. 把一个 list 中所有的字符串变成小写 7. 输出某个路径下的所有文件和文件夹的路径 8.拟牛顿法（Python实现）
拟牛顿法（Python实现） 使用拟牛顿法（BFGS和DFP），分别使用Armijo准则和Wolfe准则来求步长 求解方程 \(f(x_1,x_2)=(x_1^2-2)^4+(x_1-2x_2)^2\)的极小值 import numpy as np # import tensorflow as tf def gfun(x): # 梯度 # x = tf.Variable(x, dtype=tf.float32) # withwebrtc ns模块代码公式详细解读
总述 webrtc的降噪模块主要分为3个部分：模块初始化、噪声分析（analysis）、噪声抑制。模块初始化是在最开始为降噪模块设置参数以及初始化一些状态的值。噪声分析模块，主要进行噪声估计、speech/noise概率计算等。噪声抑制模块则根据前面计算的语音概率和噪声使用维纳滤波来抑制噪datawhale 10月学习——树模型与集成学习：决策树
结论速递 本文索引 结论速递 0 决策树概述0.1 决策树0.2 决策树的学习 1 信息论基础1.1 信息熵、条件熵、信息增益1.2 思考题 0 决策树概述 0.1 决策树 决策树实际上就是一种if-then规则的集合。同时，李航在《统计机器学习》中指出，决策树还表示给定特征条件下类的条件概acw.241楼兰图腾（模板）
树状模板： #include<iostream> #include<algorithm> #include<cstring> #include<iomanip> #include<cmath> #include<cstdio> #include<cstdlib> using namespace std; typedef long long ll; const int N=2e5+10; int n，a[N],greatyk的英语练习
Exercise 3 deficit adjust exposure condense asset competent Precise exceed beneficial adequate The mayor decided to ____condense_____ his speech in order to leave enough time for his audience to raise questions.It was reported th最优化算法最速下降法、牛顿法、拟牛顿法 Python实现
---------------------------------------2020.9.23更新--------------------------------- 把 BFGS(x)改写了一下，变简洁了 def BFGS(x): #拟牛顿法 epsilon, h, maxiter = 10**-5, 10**-5, 10**4 Bk = np.eye(x.size) for iter1 in range(maxiter): grad =二维偏序（逆序对，有序对）
求逆序对问题： 即例可以在数组{1，9，11，2，5，32，12}求有多少逆序对或者有序对。 我们可以转化为二维坐标系。 以数组的下标作为坐标的x轴，以数值作为坐标的y轴。 如下图 先按x轴排序，我们需要求在此点的左下方有多少点，即若现在为第k个点（xk,yk)那么求（1，k-1）之间有多少点x,y同时小于xk,yk，（此最优化学习笔记1——关于拟牛顿法推导
从2020年3月份到现在，一年的时间里断断续续自学最优化，结合豆瓣读书、知乎等网站上的推荐，翻阅了以下书和课程： Stephen Boyd和Lieven Vandenberghe的《Convex Optimization》，这本书被公认为学习凸优化的必读经典著作，其中大量的篇幅讲应用，讲理论和算法的篇幅稍少一些。在B网站上吴恩达machine-learning-ex4练习题解析之代价函数
（本文原创于自己编辑的简书，时间2019.05.12 ，https://www.jianshu.com/p/57904b09f79e) EX4主要是针对神经网络反向传播的实战，是非常重要的一课，所以花了我两天3夜地研究这道习题，还真是值得，收获满满。 跟着ex4.pdf文档的脚步一步一步来： 1.首先1-3页都在表达初始化数一起学习朴素贝叶斯
翟存启 360云计算女主宣言最近小编也在开始学习一些机器学习方面的知识。所以就从朴素贝叶斯入手，给大家整理了一下相关的信息，供大家参考学习。PS：丰富的一线技术、多元化的表现形式，尽在“HULK一线技术杂谈”，点关注哦！简介朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方Softmax与Cross-entropy的求导
引言 在多分类问题中，一般会把输出结果传入到softmax函数中，得到最终结果。并且用交叉熵作为损失函数。本来就来分析下以交叉熵为损失函数的情况下，softmax如何求导。 对softmax求导 softmax函数为: yi=ezi∑k=1Kezk y_i = \frac{e^{z_i}}{\sum_{k=1}^K e^{z_k}} yi=∑k=1K你真的搞懂贝叶斯滤波了吗？
一谈到贝叶斯滤波，就开始联系到各种随机过程、概率密度函数等等，那些曾经上课都听不进去的东西，这里能讲清楚吗？我自己也会有这个疑惑，不过要看懂贝叶斯滤波原理还是需要一定基础的。这篇博客，我会结合自己的理解尽量讲得通俗、方便理解一点。 这篇博客大部分参考了b站视频最小二乘支持向量机LSSVM
简介 SVM标准算法在应用中存在着超平面参数选择，以及QP问题求解中矩阵规模受训练样本数目的影响很大，导致求解规模过大的问题。 Suykens等人提出的最小二乘支持向量机（Least Squares Support Vector Machines,LS-SVM）从机器学习损失函数着手，在其优化问题的目标函数中使用二范数，计蒜客信息学普及组赛前模拟 #1 C颜色
计蒜客信息学普及组赛前模拟 #1 C颜色 不废话，看代码。 #include<queue> #include<set> #include<cstdio> #include<iostream> #include<algorithm> using namespace std; struct node{int x,y;}; const int N=1001; int n,m,ans=0; int d[N][N]={0}; bool v[N][N]=【JZOJ6370】基础 fake 练习题
description 装饰者坐在树荫下听着长者讲述以前的故事： 大神 yk 非常喜欢树，便钦点班里的 n 个小蒟蒻站在一棵 n 个点以 1 为根的树上，并且每个点上恰好有 1 个小蒟蒻。 大神 yk 非常喜欢 fake，尤其是 fake 比他弱的人。根据可靠消息，大神 yk 拟定了m 个假人计划，每个假人计划形如 fake[易懂]FAST特征点提取与匹配算法教程Python实践
特征点提取与匹配在计算机视觉中是一个很重要的环节。比如人脸识别，目标跟踪，三维重建，等等都是先提取特征点然后匹配特征点最后执行后面的算法。因此学习特定点提取和匹配是计算机视觉中的基础。本文将介绍FAST特征点提取与匹配算法的原理，并使用Python不调用OpenCV包实现FASHive环境搭建
Hive入门初识hive仓库对比三种安装模式内嵌模式配置环境变量初始化操作运行hive基本操作本地模式远程模式 初识hive 由FackBook开源用于解决海量结构化日志的数据统计； Hive 是基于 Hadoop 的一个数据仓库工具，可以将结构化的数据映射为一张表，并提供类SQL查询功能 构建在Hado数据预处理方法总结
数据预处理方法总结 数据是什么？数据就是一组对象及其属性的集合，其中属性定义为对象的特征或性质。真实数据在应用前基本都有经过预处理，以便在机器学习算法中使用。本次数据预处理方法的总结是基于推荐系统设计进行展开的，其中包括相似度的度量方法、抽样以及降维技术这三个尤Momentum and NAG
文章目录MomentumNesterov accelerated gradientNESTEROV 的另外一个方法？ Momentum Momentum的迭代公式为： vt=γvt−1+η∇θJ(θ)θ=θ−vt v_t = \gamma v_{t-1} + \eta \nabla_\theta J(\theta) \\ \theta=\theta-v_t vt=γvt−1+η∇θJ(θ)θ=θ−vt 其中J(⋅)搭建springboot+zookeeper+dubbo
一 搭建工程的初衷 之所以再简单的搭建一次dubbo+zookeeper主要是因为很久没有用到过了，都已经忘记是怎么使用的了。想再次学习记录一下。 二 启动zookeeper,搭建工程 1、项目目录总览 2、父工程中的pom <parent> <groupId>org.springframework.boot</groupId> <artifactId>spriP2802 回家 （DFS+剪枝）
这里详细讲一下剪枝的点： 因为，可以重复在同一个点上走动。所以，这个步数是无穷的。 剪枝一：步数< n*m; (因为起点不算所以不取等号) 剪枝二：步数当大于已有的答案时，直接退出DFS，因为你已经知道这个线路不是答案了，那就没有必要走出去的必要了。（当时，没想到，还傻傻的想了半