zfoox-CSDN博客

用狄拉克符号推导旋转矩阵\qquad假设旋转变换用算符 F^\hat{F}F^ 表示，假设右矢 ∣ψ1⟩\left|\psi_1\right\rangle∣ψ1⟩ 在二维直角坐标中逆时针旋转 θ\thetaθ 之后变成了右矢 ∣ψ2⟩\left|\psi_2\right\rangle∣ψ2⟩，也就是：∣ψ2⟩=F^∣ψ1⟩\qquad\qquad\qquad\left|\psi_2\right\rangle=\hat{F}\left|\psi_1\right\rangle∣ψ2⟩=F^∣ψ1⟩

2022-02-27 23:28:21 773

原创最速下降法的python实现——基于数值计算

最速下降法的python实现——基于数值计算1. 进退法——获取单峰区间2. 在单峰区间进行一维搜索——黄金分割法(0.618法)3. 最速下降法——求解最优值4. 基于数值方法的实现

2021-12-20 09:30:03 2362

原创最速下降法的实现及可视化——基于matlab符号计算

最速下降法的实现及可视化——基于matlab符号计算0. Matlab符号计算1. 进退法——获取单峰区间2. 在单峰区间进行一维搜索——黄金分割法(0.618法)2.1 试探法2.2 黄金分割法(0.618法)3. 最速下降法——求解最优值3.1 算法步骤3.2 例子4. 最速下降法的可视化

2021-12-17 21:51:17 3462 4

原创解决Spyder的Editor无法自动提示/完成代码

解决Spyder的Editor无法自动提示/完成代码1. 问题描述2. 解决方法1. 问题描述\quad突然发现spyder的Editor无法自动提示/完成代码（但是在IPython界面却可以），使用非常不方便。\quad\quad在spyder官网只找到了Common Illnesses这个链接：文档只是说明了是LSP has stopped working这个原因　——　如果代码完成、帮助和分析可能会停止工作，此时下图中点击红色圆圈处显示为LSP Python: Down的状态（正常状态是

2021-12-16 00:34:22 4058 1

原创 Cpp摘记：const限定符

1. const常量2. 指向const数据的指针2.1 指向const数据的指针——指向const数据2.2 指向const数据的指针——指向非const数据2.3 一个有意思的例子2.4 数组、函数传参3. const指针（指针本身是const）4. 指向const数据的const指针

2021-11-14 02:39:33 1452

原创 kNN算法小记

kNN算法小记实现代码\qquad最近邻(kNN)(\text{kNN})(kNN)算法是一种无参数的有监督学习算法，算法本身没有训练过程、也没有参数需要求解，但是又需要目标集。\qquad以待预测样本 x∗x^{\ast}x∗ 为中心画圆（例如采用欧氏距离）可以确定邻域中训练样本的数量，由此通过判决规则（比如多数表决）进行判断。kkk 近邻中的 kkk 值，对最终的分类结果有很大的影响：(1)(1)(1) 以 r1r_1r1 为半径的邻域可以确定 333 个训练样本，C1C_1C1 类样本

2021-09-16 09:07:28 265

原创形态学图像处理OpenCV实现

0. 使用OpenCV函数实现 1. 二值形态学 2. 灰度形态学

2021-09-07 10:40:46 764

原创 findContours函数分析

LISTEXTERNALCCOMPTREE

2021-08-31 23:57:53 16779

原创 python3迭代器使用小结

基本python类型的迭代器遍历使用类创建迭代器迭代器分析

2021-07-23 23:23:28 180 1

原创通过torchvision读取常用数据集

12import torchvision as tvimport torchvision.transforms as transforms# transforms.ToTensor(): 把灰度范围从[0,255]变换到[0,1]# transforms.Normalize(): 把[0,1]变换到[-1,1]transform = transforms.Compose([transforms.ToTensor(), tran

2021-06-30 20:41:32 1398 1

原创在Android Studio中搭建OpenCV开发环境

1. Android Studio中配置OpenCV1.1 导入OpenCV模块1.2 添加OpenCV依赖库1.3 更改编译环境1.4 导入JNI库2. Android Studio中的图像相关操作

2021-05-29 12:07:39 595

原创 Ubuntu使用CodeBlocks配置OpenCV

1. Ubuntu中安装Opencv 2. Ubuntu中使用CodeBlock配置Opencv

2021-05-23 17:26:57 551 2

原创概率密度函数的参数估计：最大似然估计、贝叶斯估计与贝叶斯学习

问题描述1. 最大似然估计2. 贝叶斯参数估计3. 顺序(sequential)贝叶斯学习

2021-04-07 01:36:31 3679

原创 Mat类常用操作

OpenCV\text{OpenCV}OpenCV中 Mat\text{Mat}Mat 类的常用构造函数为： Mat(int rows, int cols, int type);　 // rows：行数， cols：列数， type：类型 // type类型：CV_8UCn，n为通道数 // 其中，8U（1字节uchar）还可以是：8S（1字节int）,16U（2字节uchar） // 16S（2字节int）,32S（4字节int） //

2021-03-21 13:34:06 1065

原创 win10中pyTorch的GPU模式安装记录

pyTorch的GPU模式安装记录1. 安装CUDA2. 安装cuDNN3. 安装pyTorch4. 显卡驱动设置测试CUDA是否安装成功后记pyTorch\qquad\text{pyTorch}pyTorch的 CPU\text{CPU}CPU 模式安装比较简单，可以忽略第1,2节，直接采用第3节的方式。pyTorch\qquad\text{pyTorch}pyTorch的 GPU\text{GPU}GPU 模式需要先安装 CUDA\text{CUDA}CUDA 和 cuDNN\text{cuDNN}

2020-12-20 02:33:55 944 1

原创矩阵特征值计算的python实现(2)——QR方法

1. 正交变换与向量约化 1.1 正交变换 1.2 初等反射矩阵(Householder变换) 1.3 向量约化——基于Householder变换 1.4 初等旋转矩阵(Givens变换) 1.5 向量约化——基于Givens变换2. 矩阵的QR分解3. 特征值计算的QR方法

2020-11-15 17:57:19 4093 1

原创矩阵特征值计算的python实现(1)——幂法与反幂法

1. 矩阵特征值界的估计 2. 幂法与反幂法 2.1 幂法 2.2 幂法的加速方法 2.3 反幂法

2020-11-12 23:54:18 7243 11

原创非线性方程求根及python实现

数值分析:非线性方程求根的python实现

2020-10-29 16:14:21 3249 2

原创线性模型参数求解的最大似然估计、MAP估计、正则最小二乘估计

1. 线性回归的概率模型 2. 最大似然估计 3. 正则最小二乘(Regularized least-squares)估计 4. 最大后验估计

2020-10-17 16:13:59 1990

原创解线性方程组的python实现(2)——矩阵三角分解法

1. 矩阵三角分解法实现代码2. LU分解2.1 基本步骤2.2 LU分解的计算公式2.3 LU分解的结果表示实现代码3. 选主元的LU分解3.1 基本原理3.2 算法过程描述实现代码4. 对称正定矩阵的Cholesky分解4.1 基本原理4.2 算法过程描述实现代码5. 追赶法实现代码

2020-09-21 21:57:36 3576 3

原创 Matlab符号计算与数值计算对比

Matlab的符号计算，需要用到一些常用符号工具箱函数，例如画出 f(x)=x2f(x)=x^2f(x)=x2 在 [0,3][0,3][0,3] 上的微分值：\qquad(1) 首先构造符号变量x，符号表达式f(x)=x^2，再利用工具箱函数 df=diff(f) 直接求出其导数为 df=2*x。因此，符号计算不会产生误差。\qquad(2) 微分值的计算使用工具箱函数subs(df,x,x0)，其中x代表符号函数df中采用的符号变量（或者通过symvar(df)自动获取），x0 为待求解的点\.

2020-09-18 13:29:54 3439

原创解线性方程组的python实现(1)——高斯主元消去法

1. 高斯(顺序)主元消去法 1.1 消去过程 1.2 回代过程求解实现代码 2 列主元消去法实现代码 3 高斯-约旦(Gauss-Jordan)消去法实现代码

2020-09-13 21:21:00 3449

原创数值微分的python实现

1. 数值微分常用公式 2. 插值型求导公式实现代码 3. 基于数值积分的方法实现代码 4. 数值微分的外推算法实现代码

2020-09-10 17:25:08 5666

转载 Latex中改变下标的字体尺寸

下标字母为大写字母时，会显得不协调： $k_G$ (`$k_G$`)。缩小下标字母的大小，可以用 $k_{_G}$ (`$k_{_G}$`) 取代 $k_G$。

2020-09-05 21:30:50 10642

原创数值积分的python实现——NewtonCotes、复化求积、Romberg、richardson递推

1. 机械求积 2. Newton-Cotes公式 3. 复化求积方法 3.1 复化梯形公式 3.2 复化辛普森公式实现代码 4. 求积公式的递推化 4.1 复化梯形公式的递推化实现代码 4.2 龙贝格(Romberg)算法 4.3 理查森(Richardson)外推算法实现代码

2020-08-23 13:42:25 4816

原创函数插值的python实现——拉格朗日、牛顿插值

1. 拉格朗日(Larange)插值代码实现 2. 牛顿(Larange)插值 2.1 牛顿插值多项式的基本形式 2.2 牛顿均差插值多项式 (1) 均差的定义 (2) 均差表实现代码 2.3 等距插值节点的牛顿插值 (1) 差分的定义 (2) 差分表 (3) 前向插值

2020-08-21 02:18:04 8094

原创解决msys2“无法升级 mingw64 (无效或已损坏的数据库 (PGP 签名))”密钥失效问题

最近在使用msys2的时候，无法使用pacman -Syu进行更新，会出现如下提示：原因是密钥无法信赖(rely on)msys2-keyring密钥服务器。msys2官方提供了以下方法：# pacman-key --verify msys2-keyring-r21.b39fb11-1-any.pkg.tar.xz{.sig,}解决办法：１．下载 msys2-keyring-r21.b39fb11-1-any.pkg.tar.xz 软件包# curl -O http://repo.msys

2020-08-05 12:09:13 18009 10

原创感知器(perceptron)模型分析及实现

1. 感知器模型 2. 几何意义 3. 感知器模型的训练 4. 批处理训练过程 4.1 训练数据的规范化 4.2 批处理感知器算法实现代码

2020-07-22 15:41:21 4798 2

原创 python计算二维数组行列极值的逻辑矩阵

代码功能：获取一个二维矩阵中每行最小值（最大值）对应的“逻辑值矩阵”（不使用循环控制语句）。对应于matlab中语句：data==min(data)　或　data==max(data)

2020-07-15 22:44:17 1010

原创基于径向基函数(RBF)的函数插值

1. 函数插值 2. RBF函数插值代码实现

2020-07-07 01:16:19 19386 5

原创主成分分析(PCA)与K-L变换

1. 主成分分析 —— 基于最大方差的描述 1.1 投影数据的方差 1.2 高维数据的降维 2. K-L变换 —— 基于最小误差的描述 2.1 内积空间中的正交变换 2.2 信号的正交分解 2.3 K-L变换 2.4 基于K-L变换的数据压缩

2020-06-21 00:26:27 4478 1

Pattern Recognition and Machine Learning

The dramatic growth in practical applications for machine learning over the last ten years has been accompanied by many important developments in the underlying algorithms and techniques. For example, Bayesian methods have grown from a specialist niche to become mainstream, while graphical models have emerged as a general framework for describing and applying probabilistic techniques. The practical applicability of Bayesian methods has been greatly enhanced by the development of a range of approximate inference algorithms such as variational Bayes and expectation propagation, while new models based on kernels have had a significant impact on both algorithms and applications., This completely new textbook reflects these recent developments while providing a comprehensive introduction to the fields of pattern recognition and machine learning. It is aimed at advanced undergraduates or first-year PhD students, as well as researchers and practitioners. No previous knowledge of pattern recognition or machine learning concepts is assumed. Familiarity with multivariate calculus and basic linear algebra is required, and some experience in the use of probabilities would be helpful though not essential as the book includes a self-contained introduction to basic probability theory., The book is suitable for courses on machine learning, statistics, computer science, signal processing, computer vision, data mining, and bioinformatics. Extensive support is provided for course instructors, including more than 400 exercises, graded according to difficulty. Example solutions for a subset of the exercises are available from the book web site, while solutions for the remainder can be obtained by instructors from the publisher. The book is supported by a great deal of additional material, and the reader is encouraged to visit the book web site for the latest information.

2016-04-04

The EM Algorithm and Extensions 2ed

The EM Algorithm and Extensions 2ed, djvu格式

2016-04-04

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人