- 博客(87)
- 资源 (9)
- 收藏
- 关注
RSS订阅原创 论文笔记：Safe Active Learning for Multi-Output Gaussian Processes
论文名称：Safe Active Learning for Multi-Output Gaussian Processes1.论文见此链接：Link2. 论文要点：1）、该文章利用高斯回归去帮助实现主动学习的safety exploration, 主要从公式（1）去
2022-04-04 22:41:34
2639
原创 Git 操作Note
*此文章正在开发维护中。。。删除远程分支和本地分支// 删除本地分支git branch -d localBranchName// 删除远程分支git push origin --delete remoteBranchName
2022-03-19 17:31:00
1398
原创 Linux使用Note
1. 释放Swap空间依次执行如下命令即可，syncecho 3 > /proc/sys/vm/drop_cachesswapoff -aswapon -a
2022-03-17 17:11:03
659
原创 Latex使用Note
1. latex公式括号换行一般换行使用 “\“就行，但是公式里面换行需要加入额外的模块。在需要换行的地方加入下面模块，注意在{align}里面加。\notag\right.\\\phantom{=\;\;}\left.2. latex编号Latex自带的：\begin{itemize} \item a \item b \item c\end{itemize}\begin{itemize} \item[-] a \item[-] b \item[-] c\
2022-03-15 17:02:07
1750
原创 git上传文件到github仓库
0设置用户名，并且在github建立相应的仓库。git config --global user.name “your name”（代表github用户名）git config --global user.email “[email protected]”（github邮箱1 git init2 git add .3 git commit -m “需要记录的”4 git remote add origin [email protected]:***/test.git5 git pul
2021-10-07 01:55:33
3886
1
原创 安装mujoco出现问题总结
安装Mujoco可以根据此教程（https://blog.csdn.net/Youtian_/article/details/103841453），但是会出现问题，以下方案可以解决。出现的问题：1.ubuntu18 Could not build wheels for mujoco-py which use PEP 517 and cannot be installed directly2. error: command ‘gcc’ failed with exit status 13. err
2021-07-13 16:59:42
689
转载 Linux服务器与客户端同步共享文件夹的建立-基于SSHfs
觉得写的不错，于是转载过来当笔记使用，方便随时查看。使用情景：在linux服务器跑程序，而又不想每次都在服务器命令窗口编辑文件，想要在本地修改文件后，直接同步文件夹到服务器上，这样就不用服务器客户端来回传递文件了。客户端操作：安装sshfs和fuse$ sudo apt-get install sshfs fuse创建一个fuse group$ sudo groupadd fuse添加本地用户名sudo gpasswd -a "$USER" fuse注：$USER会自动添加你的用户名
2021-02-10 10:27:35
246
1
原创 Error mounting /dev/sda； uable acess to sda
Error mounting /dev/nvme0n1p2 at /media/XXX/Linux: Command-line `mount -t “ntfs” -o “uhelper=udisks2,nodev,nosuid,uid=1000,gid=1000” “/dev/nvme0n1p2” “/media/XXX/Linux”’ exited with non-zero exit status 14: The disk contains an unclean file system (0, 0).
2021-01-19 17:19:56
202
原创 tensorboard显示问题的解决No dashboards are active for the current data set和TensorFlow installation not foun
一、问题No dashboards are active for the current data set.之前是：tensorboard --logdir=dqn显示No dashboards are active for the current data set.的问题后来按照要求在后面加了：–bind_all最后的输入也就是：tensorboard --logdir=dqn --bind_all成功了，按照链接打开就行二、问题TensorFlow installation not f
2021-01-11 20:57:59
433
原创 华为诺亚方舟实验室实习面试
前言记录一下自己遇到的实习面试经历，希望能对后来人有用。面试总共分为两轮：第一轮是项目面试，主要讲自己做的研究工作以及论文相关情况；第二轮主要是CodingTest测试；这里主要讲讲自己的CodingTest，其实代码测试的题目和LeetCode差不多，水平差不多，题目可能不一定相同。给了我两个题目，一道是困难，一道是简单的。一、题目说明题目1：A为一个十进制数（以整数为例），k位，k<100。求B使得B为大于A的最小整数，且A各位的和等于B各位的和。题目2：给一定数量的信封，带有整数对
2020-12-27 19:45:24
2843
6
原创 LeetCode不同路径问题求解(62)(python和Java实现)
一、题目说明一个机器人位于一个 m x n 网格的左上角 （起始点在下图中标记为 “Start” ）。机器人每次只能向下或者向右移动一步。机器人试图达到网格的右下角（在下图中标记为 “Finish” ）。问总共有多少条不同的路径？示例 2：输入：m = 3, n = 2输出：3解释：从左上角开始，总共有 3 条路径可以到达右下角。向右 -> 向右 -> 向下向右 -> 向下 -> 向右向下 -> 向右 -> 向右示例 3：输入：m = 7,
2020-12-09 22:51:16
175
原创 LeetCode计数质数求解(204)(Python和C++实现)
一、题目说明统计所有小于非负整数 n 的质数的数量。示例 1：输入：n = 10输出：4解释：小于 10 的质数一共有 4 个, 它们是 2, 3, 5, 7 。示例 2：输入：n = 0输出：0示例 3：输入：n = 1输出：0提示：0 <= n <= 5 * 106二、代码实现（1）python实现厄拉多塞筛法class Solution(object): def countPrimes(self, n): """ :
2020-12-03 23:22:27
163
原创 TensorFlow之init部分代码解读
一、部分代码解读（1）头部文件环境的设置代码解读from __future__ import absolute_import as _absolute_import # 使用系统自带的文件 参考 https://blog.csdn.net/caiqiiqi/article/details/51050800from __future__ import division as _division # 在python2 中导入未来的支持的语言特征中division(精确除法)，即from __future_
2020-11-28 16:47:44
564
转载 查看python安装路径及pip安装的包列表及路径
查看Python的安装路径whereis python查看Python2和Python3whereis python2whereis python3查看使用pip安装的软件包pip listPython2查看pip安装的软件包名称及版本python2 -m pip listPython3查看pip安装的软件包及版本python3 -m pip list查看pip安装的软件包路径pip show gym参考文献[1] https://www.jb.
2020-11-27 21:45:58
1194
原创 LeetCode排序链表(148)(Python和Java实现)
一、题目描述提示：链表中节点的数目在范围 [0, 5 * 104] 内-105 <= Node.val <= 105二、代码实现（1）Python实现方法一"""在 O(n log n) 时间复杂度和常数级空间复杂度下，对链表进行排序。"""class ListNode: def __init__(self, x): self.val = x self.next = Noneclass Solution: def so
2020-11-27 20:45:25
149
原创 LeetCode对链表进行插入排序(147)(Python, Java,C++多个版本实现)
一、题目描述对链表进行插入排序。插入排序的动画演示如上。从第一个元素开始，该链表可以被认为已经部分排序（用黑色表示）。每次迭代时，从输入数据中移除一个元素（用红色表示），并原地将其插入到已排好序的链表中。插入排序算法：插入排序是迭代的，每次只移动一个元素，直到所有元素可以形成一个有序的输出列表。每次迭代中，插入排序只从输入数据中移除一个待排序的元素，找到它在序列中适当的位置，并将其插入。重复直到所有输入数据插入完为止。示例 1：输入: 4->2->1->3输出: 1-
2020-11-24 22:54:46
87
原创 LeetCode有效的字母异位词(242)(Python和C++实现)
一、题目说明给定两个字符串 s 和 t ，编写一个函数来判断 t 是否是 s 的字母异位词。示例 1:输入: s = “anagram”, t = “nagaram”输出: true示例 2:输入: s = “rat”, t = “car”输出: false说明:你可以假设字符串只包含小写字母。二、代码实现（Python）class Solution(object): def isAnagram(self, s, t): """ :type s:
2020-11-24 20:40:40
143
原创 LeetCode完全二叉树的节点个数求解(222)（Python和Java实现）
一、题目说明给出一个完全二叉树，求出该树的节点个数。说明：完全二叉树的定义如下：在完全二叉树中，除了最底层节点可能没填满外，其余每层节点数都达到最大值，并且最下面一层的节点都集中在该层最左边的若干位置。若最底层为第 h 层，则该层包含 1~ 2h 个节点。示例:输入:1/ 2 3/ \ /4 5 6输出: 6二、Python代码实现# Definition for a binary tree node.# class TreeNode(object):# def
2020-11-24 20:25:16
126
原创 强化学习库gym之mountain-car源码解读
一、导入相关需要的包import mathimport numpy as npimport gymfrom gym import spacesfrom gym.utils import seeding二、定义MountainCarEnv类，并且继承gym的env环境，在类中分别定义方法1、初始参数方法def __init__(self, goal_velocity = 0): self.min_position = -1.2 # 最小位置点 ..
2020-11-21 18:08:08
1935
原创 LeetCode加油站(134)思路讲解和不同方法的Python实现
一、题目说明在一条环路上有N个加油站，其中第i个加油站有汽油gas[i]升。你有一辆油箱容量无限的的汽车，从第 i 个加油站开往第 i+1个加油站需要消耗汽油cost[i]升。你从其中的一个加油站出发，开始时油箱为空。如果你可以绕环路行驶一周，则返回出发时加油站的编号，否则返回 -1。说明:如果题目有解，该答案即为唯一答案。输入数组均为非空数组，且长度相同。输入数组中的元素均为非负数。示例1:输入:gas = [1,2,3,4,5]cost = [...
2020-11-20 21:27:29
254
原创 LeetCode 移动零(283)(Python实现)
一、题目说明给定一个数组 nums，编写一个函数将所有 0 移动到数组的末尾，同时保持非零元素的相对顺序。示例:输入: [0,1,0,3,12]输出: [1,3,12,0,0]说明:必须在原数组上操作，不能拷贝额外的数组。尽量减少操作次数。二、代码实现实现方法一：class Solution(object): def moveZeroes(self, nums): """ :type nums: List[int]
2020-11-20 13:57:11
183
原创 LeetCode搜索插入位置求解(35题)(Python和C++实现)
一、题目描述：给定一个排序数组和一个目标值，在数组中找到目标值，并返回其索引。如果目标值不存在于数组中，返回它将会被按顺序插入的位置。你可以假设数组中无重复元素。示例 1:输入: [1,3,5,6], 5输出: 2示例2:输入: [1,3,5,6], 2输出: 1示例 3:输入: [1,3,5,6], 7输出: 4示例 4:输入: [1,3,5,6], 0输出: 0二、解决办法1. 解决办法一：采用暴力求解的方式，算法复杂度O(N) （Pytho..
2020-11-19 20:27:55
210
2
原创 最长上升子序列算法（详细讲解+多个版本实现（C/C++和Python））
什么是最长上升子序列（LIS）问题？【题目描述】给定N个数，求这N个数的最长上升子序列的长度。【样例输入】72 5 3 4 1 7 6【样例输出】4什么是最长上升子序列？ 就是给你一个序列，请你在其中求出一段不断严格上升的部分，它不一定要连续。就像这样：2,3,4,7和2,3,4,6就是序列2 5 3 4 1 7 6的两种选取方案。最长的长度是4.更直接的描述：首先需要设计状态，以及状态转移方程状态转移方程的推导状态转移方程的详细推导C++代码实现总结7. .
2020-11-18 22:10:44
914
原创 break，continue和return的区别
return 可以直接结束整个方法，不管里面有多少个循环；continue 可以结束本次循环，执行下面的语句；break 可以结束本层循环；如果外面有多层循环，也需要结束的时候，以java为例，可以设置标识符，比如在多层循环的外面，设置一个标识符，然后在需要跳出循环的地方也设置标识符，如下面的outer就是标识符。public class BreakTest{ public static void main(String[] args){ // 外层循环，outer作为标识符 .
2020-11-16 23:06:47
68
原创 CSDN客服联系方式（有QQ联系方式）
CSDN客服联系方式1、公司总机公司总机：010-51661202-7002、客服电话：010-64796228、64351436Email：[email protected]：8001801063、广告服务电话：010-64351458Email：[email protected]、市场合作Email：[email protected]：345029105...
2020-11-16 19:14:48
7271
1
原创 Ubuntu18.04常用软件安装
安装QQ安装微信安装谷歌安装谷歌助手安装WPS福昕阅读器安装docker安装ROS安装网易云音乐安装pycharm安装百度云盘设定语言类型
2020-11-16 19:10:52
306
转载 强化学习应用简述---强化学习方向优秀科学家李玉喜博士创作
强化学习 (reinforcement learning) 经过了几十年的研发，在一直稳定发展，最近取得了很多傲人的成果，后面会有越来越好的进展。强化学习广泛应用于科学、工程、艺术等领域。下面简单列举一些强化学习的成功案例，然后对强化学习做简介，介绍两个例子：最短路径和围棋，讨论如何应用强化学习，讨论一些仍然存在的问题和建议，介绍《机器学习》强化学习应用专刊和强化学习应用研讨会，介绍强化学习资料，回顾强化学习简史，最后，简单讨论强化学习的前景。一、成功案例我们已经见证了强化学习的一些突破，比如深度Q网
2020-11-11 21:20:20
4375
原创 支持向量机---笔记
支持向量机主要用于分类问题。最初支持向量机是用于二分类的问题，并且刚开始的时候，支持向量机也只是线性的支持向量机。支持向量机的思路是找到一个超平面，将空间的数据点分开。二分类问题非常适合用支持向量机。求解支持向量机问题可以转化为求解凸二次规划（优化）问题。支持向量机的输入空间与特征空间：（1）支持向量机的输入空间：欧式空间或离散集合；（2）支持向量机的特征空间：欧式空间或希尔伯特空间。支持向量机的分类问题是在特征空间完成的，所以分类之前需要将输入空间转换为特征空间。线性与非线性支持向量机：
2020-11-09 21:51:24
486
原创 Ubuntu18.04和win10双系统完美安装（dell笔记本电脑）
这里主要记录我的安装过程，仅供大家参考，我的安装不一定适合您的电脑，只是提供参考。我电脑的参数：戴尔笔记本电脑precision 3541。这几年算起来，我装了十多次ubuntu系统，应该比较熟悉一点，在此记录我的经验教训给大家参考，也是自己以后以后回顾学习的笔记。首先制作U盘启动盘，制作U盘启动盘可以参考链接，我试过了，应该是可以的，链接：[1] https://blog.csdn.net/weixin_45416911/article/details/105039225; [2] https:/
2020-11-09 12:37:51
1309
1
原创 最大熵模型(Maximum Entropy Model)---笔记
最大熵模型和逻辑回归模型都是线性对数模型，一般应用在分类问题中，这两个模型都具有很好的分类能力。在我看来都是具有一个比较特殊的分布函数或者分布特征，很适合分类。其中，最大熵模型(Maximum Entropy Model)由最大熵原理推导实现。此外，最大熵原理指：学习概率模型时， 在所有可能的概率模型(分布)中， 熵最大的模型是最好的模型， 表述为在满足约束条件的模型集合中选取熵最大的模型。假设离散随机变量X的概率分布是P(X)，熵为：约束条件为：其中，|X|是X的取值个数， X均匀分布时右边..
2020-11-04 20:53:42
946
原创 逻辑(logistic)回归模型---笔记
符合如下等式要求的为逻辑回归模型的函数和密度函数（至于为啥，我也不是很清楚，可能是具有这个分布的特征，然后就取了这个名字），其实我感觉逻辑回归和高斯模型挺像的。不过根据我的经验，二项逻辑回归很适合处理二分类问题。二分类回归模型，主要就是Y只能取两个值，也就是0或者1。logistic分类器是由一组权值系数组成的， 最关键的问题就是如何获取这组权值， 通过极大似然函数估计获得， 并且Y~f(x;w)。似然函数是统计模型中参数的函数。 给定输出x时， 关于参数θ的似然函数L(θ|x)（在数值上）
2020-11-03 20:22:53
1195
原创 决策树算法之CART算法---笔记
CART算法是决策树的一种方法之一，其同样有如下流程：决策树的特征的选择，决策树的生成，决策树的剪枝。决策树的生成可以看成是一种局部最优，而决策树剪枝是全局最优的求解。其中决策树的剪枝也是用熵的模型，不过用的是经验熵，但是搞懂了熵就差不多懂决策树剪枝，里面根据节点的熵的大小进行比较。熵比较下的叶子节点会被剪去，也就是树的回缩，减少模型的复杂度，防止过度拟合。理想的决策树有三种： (1)叶子结点数最少； (2)叶子结点深度最小； (3)叶子结点数最少且叶子结点深度最小。然而， 洪家荣等人已经证明了要..
2020-11-02 20:36:40
456
原创 决策树生成---笔记
自己学习总结决策树的生成过程主要利用信息增益或者信息增益比进行特征选择，然后依次进行节点的选择，直到全部的叶子节点全部分配完成。本文将介绍常见的决策树生成算法：ID3算法C4.5算法。其实ID3算法和C4.5算法原理都很简单。只要懂得怎么利用信息增益或者信息增益比进行特征选择，那么ID3算法和C4.5算法就会很轻松。ID3算法主要是在每一个子集中利用信息增益进行特征选择，然后在进行节点的类划分；C4.5算法主要是把ID3算法中的信息增益换成信息增益比，因为利用信息增益有一个问题，那就是某一个类
2020-11-01 22:31:54
572
原创 特征选择之信息增益---笔记
信息增益在决策树的特征选择中很重要，可以说是特征选择的核心方法之一，也同样是决策树生成的核心之一。决策树的算法很多都是建立在信息增益进行的，信息增益是建立在熵这个概念上进行的。熵就是衡量一个变量不确定性的度量。熵用的很广，在信息领域、在强化学习、在统计学习中都用的很广。下面我将分别介绍上述提到的概念：1. 熵：(entropy)：信息量大小的度量， 即表示随机变量不确定性的度量。熵越大， 随机变量的不确定性越大。2. 信息增益：通俗的理解是：一个变量的熵减去其条件熵，得到的值就是这个条件的信息
2020-11-01 22:05:49
752
原创 LaTeX 安装以及数学公式大全相关链接
在用latex写论文的过程中，查询了一些资料，个人总结了以下自己觉得还有用的资料：LaTeX 安装数学公式大全：https://www.csdn.net/gather_29/MtjaEg4sNTE5MzYtYmxvZwO0O0OO0O0O.htmlLATEX 公式编号、子公式编号方法：https://zhuanlan.zhihu.com/p/99406531试试LaTeX插入数学公式：https://blog.csdn.net/baidu_38060633/article/details/79183
2020-10-24 12:50:26
195
原创 Linux下virtualenvwrapper安装及问题
Linux下virtualenvwrapper安装的安装，经过试验，觉得这种安装方式比较好：sudo pip install virtualenvwrapper %安装virtualenvwrappermkdir ~/.virtualenvs % 或者mkdir $HOME/.virtualenvs。($HOME 等于 ~)export WORKON_HOME=$HOME/.virtualenvs %意思是指定python虚拟环境存放路径source /usr/local/bin/v.
2020-10-23 17:17:02
933
netease-cloud-music_0.9.0-2_amd64.deb
2020-11-05
路径规划中的粒子群算法PSO.rar
2020-01-19
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人