- 博客(30)
- 收藏
- 关注
RSS订阅原创 嵌入式.ld,.lsl等链接文件作用
编译器将.c文件编译成了对应的.o文件后，每个.o文件中会包含了数量不同的段，.text段、.data段、.bss段、.vectors段、.ram_code段。所有的.text链接到一起，所有的.data链接到一起，所有的.bss段链接到一起，所有的.vectors段链接到一起，所有的.ram_code段链接到一起。far指针的长度是32位，含有一个16位的基地址和16位的偏移量，将基地址乘以16后再与偏移量相加，实际上far指针是20位，取值范围为0x00000～0xFFFFF。
2023-12-21 15:46:29
553
原创 英飞凌 TC3XX CAN Interface (MCMCAN) 模块
如果相应中断使能寄存器中的相关中断使能位使能（IEi（i＝0-3）、NTRTRi（i＝0-2）、TEIE和TTIE0），MCMCAN 模块里16条中断输出线INT_On的其中一条使用GRINT1i (i=0-3) 和 GRINT2i (i=0-3)可以产生中断脉冲。 ②对于Rx，主要是设置其Rx buffer 的数据长度和Message RAM的起始地址，然后设置Rx FIFO的数据长度，Message RAM的起始地址，大小，操作模式和watermark level。测试模式应仅用于生产测试或自检。
2023-07-11 20:30:11
1690
1
原创 pandas复习(3)
pandas一些操作去重df_unique = df.drop_duplicates(['A'], keep='last') # 根据A去重只留下最后一次出现的隔行取数据方法1：每隔20行取数,把每20行的id取出来a=[]for i in range(0,len(df),20): a.append(i) new_df= df.iloc[a]方法2：直接调用read_csv()里的参数skiprowsdf = pd.read_csv('test.csv',header =
2022-04-19 08:33:10
127
原创 数据分析——泰坦尼克号预测
之前在学校做过课程设计，但是对流程比较一知半解，现在看完了机器学习实战这本书，带着自己的理解重新做一遍。import pandas as pdimport numpy as npimport matplotlib.pyplot as plt数据导入观察数据的具体情况，可以发现年龄变量Age和Cabin有缺失，然后Name，sex，Ticket，cabin和Embark是object类型，在后续的数据处理中要进行调整。data_train = pd.read_csv(r'C:/Users/ly-
2022-04-09 09:20:48
1593
原创 机器学习实战（LightGBM）
LightGBM介绍LightGBM（Light Gradient Boosting Machine）：一个实现GBDT算法的框架，解决GBDT在海量数据遇到的问题。两大技术：（1）GOSS(Gradient-based One-Side Sampling)：减少样本数（2）EFB (Exclusive Feature Bundling ):减少特征数XGBoost的缺点：先预排序再找分割点，空间消耗大XGBoost与LightGBM的区别：lightGBMXGBoost
2022-04-07 11:15:59
963
原创 工程化的基本概念（docker+kubeflow）
基本概念1.docker应用容器引擎，用于运行容器image：可执行程序container：运行起来的进程dockerfile：image的源代码， 是一个用**来构建镜像的文本文件，**文本内容包含了一条条构建镜像所需的指令和说明部署流程上传项目文件到服务器进去项目文件夹 使用 Dockerfile 创建镜像docker build -t server:v1运行容器之前先停止老版本docker stop server-container:v0基于镜像运行容器doc
2022-04-05 21:39:47
695
原创 机器学习实战（降维）
降维主要动机加速，可视化数据，节省空间缺点：丢失信息，计算密集，转换过程难以理解什么时候用到降维分类前，加速；聚类前，可视化数据维度诅咒高维数据集——非常稀疏——训练实例彼此远离——容易过拟合主要动机：特征过多，训练变得缓慢，难以寻找更好的解决方案例子：MNIST数据集中图像边界的像素全是白色，删除这些像素也不会丢失太多信息，或者相邻两个像素合并。降维的主要方法投影：适用于一个分布接近于2D子空间的3D数据集流形学习：瑞士卷数据集投影投影的方法：PCA （主成分分析）寻找训练集中
2022-04-05 21:24:25
1195
原创 机器学习实战（集成学习与随机森林）
集成学习与随机森林更新权重AdaboostAdaBoostClassifier(base_estimator=None, n_estimators=50,learning_rate=1.0, algorithm=’SAMME.R’,random_state=None)base_estimator:可选参数，默认为DecisionTreeClassifier。algorithm： 可选参数，默认为SAMME.R循环训练，实例权重不断更新（不是是成本函数最小化，而是加入更多预测器）
2022-04-05 21:21:56
535
原创 机器学习实战笔记（决策树）
决策树分类树八个重要参数criterion：决定不纯度的计算方法：1）”entropy“，使用信息熵（Entropy）2）”gini“，使用基尼系数（Gini Impurity）信息熵对不纯度更加敏感，对不纯度的惩罚最强，计算更复杂splitter：输入“best”优先选择更重要的分支进行分类；输入“random”更加随机防止过拟合剪枝策略参数：max_depth:一般为3min_samples_leaf：一个节点在分枝后的每个子节点都必须包含至少min_sample
2022-04-05 21:03:20
407
原创 机器学习实战（支持向量机）
支持向量机线性SVM分类硬间隔分类：让所有实例都在正确的一边的分类。硬间隔变成软间隔：引入松弛变量C。C是调节间隔与准确率的因子，C值越大，越不愿放弃那些离群点；c值越小，越不重视那些离群点。（模型过拟合，C值调小进行正则化）软间隔分类：在“街道”的宽度和间隔违例（错误分类）之间找到良好的平衡的分类。svm_clf = SVC(kernel=“linear”, C=float(“inf”))线性核函数非线性SVM分类通过非线性变换，将非线性问题变为线性问题添加特征指定kernel
2022-04-05 20:40:56
789
原创 python +高德地图API调用
1.地理/逆地理编码第一步：申请key第二步：发起http/https请求第三步：接收请求返回的数据（JSON或XML格式）url：https://restapi.amap.com/v3/geocode/geo?parametershttps://restapi.amap.com/v3/geocode/geo?address=北京市朝阳区阜通东大街6号&output=XML&key=<用户的key>返回的参数通过请求参数 output 指定，默认为 JSON 形式。
2022-03-09 23:18:43
5279
2
原创 Ruby on rails入门笔记（四）
@TOC一.对象·变量·常量1.对象是数据的基本单位，类是对象的种类对象类数值Numeric字符串String数组Array散列Hash正则表达式Regexp文件File符号Symbol2.变量与常量局部变量：小写字母或_开头全局变量：$开头实例变量：@开头类变量：@@开头常量：大写字母开头3.循环3.1使用循环语句for 变量 in 对象 do 希望循环的处理endwhile 条件 do 希望循环的
2022-03-08 18:37:15
125
原创 大数据处理知识点总结
大数据处理知识点一.Request库基础知识二.Numpy和Pandas库基础一.Request库基础知识方法说明返回对象.request ()构造请求.get()获取HTML网页，对应HTTP的GET返回的response对象包含服务器的所有资源.head()获取网页头信息，对应HEAD.post()提交POST请求.put()提交PUT请求.patch()提交局部修改请求，对应PATCH.delete()提交删除请求
2021-05-24 16:36:00
474
原创 数据安全期末复习
数据安全期末复习概述1.信息安全模型密码技术1.密码体制分类2.密码体制的攻击3.传统密码体制4.现代对称密码体制5.非对称密码体制信息认证技术1.哈希函数MD52.消息认证技术3.数字签名4.身份认证计算机病毒1.计算机病毒特征2.常见的病毒类型3.病毒的检测网络攻击与防范1.分类2.步骤防火墙技术1. 体系结构概述1.信息安全模型密码技术1.密码体制分类对称密码体制优点缺点加/解密速度快密钥分发需要安全通道明文长度和密文一样密钥量大难以管理密钥比较短
2021-05-20 00:33:44
405
1
原创 Ruby on rails 入门笔记（三）
手工打造CURD心得一.路由1.路由的用途2.资源路由3.Restful 应用程序二.CURD流程1.从new->create2.create3.show和index5.edit与update6.form_for辅助方法7.destroy三.总结一.路由1.路由的用途将URL地址分发给控制器进行处理。2.资源路由当在编写CURD时我们在路由文件里写入了resources : articles,当配置了资源路由，就不需要专门声明 index、show、new、edit、create、upda
2021-05-10 14:07:55
221
原创 关于undefined method `each‘ for nil:NilClass的报错
有关错误的解决发现是这里的articles少打了一个s导致这里出现错误@前缀表示实例变量，因为列出文章是负数，此时这里要是负数。@@是类变量，类似全局变量，各个类之间共享。
2021-05-05 17:45:42
6065
原创 Ruby on rails 入门笔记（二）
基于scaffold的简单练习1. 首先建立一个项目demo在终端执行rails new demo -d mysql 登录数据库后执行rails db：create2. 我们希望建立一个topic来使大家进行投票，此时的topic可以看做上一节的blog，但是通过scaffold，就不需要一个一个进行CURD的设定。在终端执行rails g scaffold topic title:string description:text此时自动生成了MVC相应的文件3. 此时执行rake db：mig
2021-05-03 23:55:15
129
原创 Ruby on rails 入门笔记（一）
基于一.初始化页面的改变1.在终端：rails new demo -d mysql登录数据库 填写密码(在demo目录下) rails db:create2.启动服务器：rails s访问 http://localhost:30003.通过创建控制器和视图进行页面的显示rails g controller Welcome index此时创建控制器Welcome，包含了index动作4.在编辑器中打开 config/routes.rb 文件进行路由配置get ‘welcome/inde
2021-05-01 17:33:00
132
原创 数据分析——员工离职预测
员工离职预测一. 题目描述二. 数据说明三. 步骤实现1.导入并查看2.数据探索性分析3.数据处理4.模型分析5.结果分析(1) 可视化的结果分析(2）特征选择结果分析(3)多模型交叉验证结果分析一. 题目描述员工是否准备离职是困扰用人单位的问题，其关系到单位业务的开展及新人员的招聘，及时的分析出有离职倾向的员工成为关键的因素。数据主要包括影响员工离职的各种因素（工资、出差、工作环境满意度、工作投入度、是否加班、是否升职、工资提升比例等）以及员工是否已经离职的对应记录。二. 数据说明数据分为训练数据
2021-04-05 12:57:05
10880
29
原创 Pandas复习（1）
1.数据导入df=pd.read_csv('Pokemon.csv',encoding="ISO-8859-1")df.head()2.查看数据df.shapedf.shape[0]df.shape[1]df.columns #列名df.index #行名df.dtypesdf.head()df.tail()df.sample()df.describe()pd.set_option('max_colwidth',8) #设置每一行的最大宽度，恢复原设置方法pd.reset_o
2021-04-04 17:10:04
105
原创 Numpy学习——切片和索引
Numpy切片操作分为两类不带逗号a[start:stop:step]start：索引起始位置，省略则默认从头开始索引；stop：索引结束位置(不包含该结束索引)，省略则默认索引到结尾；step：索引步长，省略则默认步长为1。带逗号带逗号针对二维及以上数组，当切片操作中加入了逗号","后，即可以提取数据的列。逗号前为行操作，逗号后为列操作。举例如下：import numpyx = numpy.array([[ 1, 2, 3, 4], [ 5,6,7,8], [ 9,
2021-03-19 09:27:43
147
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人