xuesuoziluoshu的博客

原创 常用数据结构模式

概述解决算法问题的常用数据结构：基础数据类型数组与字符串链表堆栈二叉树堆哈希表1. 基础数据类型一个典型问题：给定一个整数x，计算它的二进制形式中含有多少个12. 数组与字符串数组算法题大多涉及排序。涉及字符串的题目也很常见，如将字符串反转、判断字符串是否是回文等。3. 链表有关链表的算法题大多涉及链表的操作和结构判断。如将链表倒转、判断链表是否含有环等。相比于数组，链表的优势在于元素的插入和删除很高效，算法复杂度都是O(1)，而数组的复杂度是O(n)；但是链表在获取某

原创 算法的设计模式

概述分析方法总结：排序递归分而治之动态规划贪婪算法排除法逐步改进1. 排序遇到数组问题，第一反应就是先排序2. 递归当一个大问题能够分解成多个结构相同的子问题时，使用递归处理3. 分而治之把问题分解成若干个规模更小的子问题。如果子问题容易解决，那么解决子问题后，把所有结果整合起来便形成原有问题的解。归并排序是典型的分而治之策略。4. 动态规划动态规划主要用来处理最优化问题，当题目中出现类似“成本最少”，“路径最短”等表示求极值的意思时，就必须要考虑动态规划。5. 贪婪

原创 二叉搜索树节点最小距离

题目：给你一个二叉搜索树的根节点 root ，返回 树中任意两不同节点值之间的最小差值 。示例 1：输入：root = [4,2,6,1,3]输出：1示例 2：输入：root = [1,0,48,null,null,12,49]输出：1需要考虑到的测试用例：功能测试：如 [4, 2, 6, 1, 3]特殊输入测试：如树中只有单个节点、两个节点性能测试：如树的节点个数较大分析：需要搜索到二叉树中所有节点元素，最小差值一定出现在数值差距最小的两个元素之间，因此可以把所有元素进行

原创 删除中间节点

题目：实现一种算法，删除单向链表中间的某个节点（即不是第一个或最后一个节点），假定你只能访问该节点。示例：输入：单向链表a->b->c->d->e->f中的节点c结果：不返回任何数据，但该链表变为a->b->d->e->f应考虑到的测试用例：功能测试：如单项链表 [1,2,3,4,5,6,7]，输入 3；特殊输入测试： 链表为空；单项链表 [1,2,3,4,5,6,7]，输入 6 或 7，即节点为倒数第一二个节点；性能测试：分析

原创 一维数组的动态和

题目给你一个数组 nums 。数组「动态和」的计算公式为：runningSum[i] = sum(nums[0]…nums[i]) 。请返回 nums 的动态和。示例 1：输入：nums = [1,2,3,4]输出：[1,3,6,10]解释：动态和计算过程为 [1, 1+2, 1+2+3, 1+2+3+4] 。示例 2：输入：nums = [1,1,1,1,1]输出：[1,2,3,4,5]解释：动态和计算过程为 [1, 1+1, 1+1+1, 1+1+1+1, 1+1+1+1+1]

原创 丑数

题目描述：给你一个整数 n ，请你找出并返回第 n 个 丑数 。丑数 就是只包含质因数 2、3 和 / 或 5 的正整数。示例 1：输入：n = 10输出：12解释：[1, 2, 3, 4, 5, 6, 8, 9, 10, 12] 是由前 10 个丑数组成的序列。示例 2：输入：n = 1输出：1解释：1 通常被视为丑数。需要考虑到的测试用例：功能测试： 输入 2、 3、 4、 5、 6 等；特殊输入测试： 边界值1、无效输入0性能测试：输入较大的数字，如 1500解

原创 机器学习算法（二）: 朴素贝叶斯(Naive Bayes)

1. 实验室介绍1.1 实验环境python3.7numpy >= ‘1.16.4’sklearn >= ‘0.23.1’1.2 朴素贝叶斯的介绍朴素贝叶斯算法（Naive Bayes, NB) 是应用最为广泛的分类算法之一。它是基于贝叶斯定义和特征条件独立假设的分类器方法。由于朴素贝叶斯法基于贝叶斯公式计算得到，有着坚实的数学基础，以及稳定的分类效率。NB模型所需估计的参数很少，对缺失数据不太敏感，算法也比较简单。当年的垃圾邮件分类都是基于朴素贝叶斯分类器识别的。什么是条件概

原创 机器学习算法（一）: 基于逻辑回归的分类预测

1 逻辑回归的介绍和应用1.1 逻辑回归的介绍逻辑回归（Logistic regression，简称LR）虽然其中带有"回归"两个字，但逻辑回归其实是一个分类模型，并且广泛应用于各个领域之中。虽然现在深度学习相对于这些传统方法更为火热，但实则这些传统方法由于其独特的优势依然广泛应用于各个领域中。而对于逻辑回归而且，最为突出的两点就是其模型简单和模型的可解释性强。逻辑回归模型的优劣势:优点：实现简单，易于理解和实现；计算代价不高，速度很快，存储资源低；缺点：容易欠拟合，分类精度可能不高1.1

原创 Paddlehub实现图像分割

PaddleHub可以便捷地获取PaddlePaddle生态下的预训练模型，完成模型的管理和一键预测。配合使用Fine-tune API，可以基于大规模预训练模型快速完成迁移学习，让预训练模型能更好地服务于用户特定场景的应用。模型概述：模型概述 DeepLabv3+ 是Google DeepLab语义分割系列网络的最新作，其前作有 DeepLabv1，DeepLabv2, DeepLabv3。在最新作中，作者通过encoder-decoder进行多尺度信息的融合，同时保留了原来的空洞卷积和ASSP层，

原创 TensorFlow Seq2Seq模型样例：中英文翻译

训练中途周末被人强制断电，仅保存了训练到一半的模型，用来做一波测试，效果好于预期，当然，现在还是个智障。预测代码如下，注释已经很详尽了，做个备注，用于学习。# coding: utf-8"""@ File: Seq2Seq_inference.py@ Brief: 翻译模型预测程序，使用训练完成的 checkpoint 数据"""import tensorflow as tfimport codecsimport sys# 设置参数# 读取 checkpoint 的路径，9000 表

原创 PaddlePaddle入门学习——波士顿房价预测模型

PaddlePaddle基础命令PaddlePaddle是百度开源的深度学习框架，类似的深度学习框架还有谷歌的Tensorflow、Facebook的Pytorch等，在入门深度学习时，学会并使用一门常见的框架，可以让学习效率大大提升。在PaddlePaddle中，计算的对象是张量，我们可以先使用PaddlePaddle来计算一个[[1, 1], [1, 1]] * [[1, 1], [1, 1]]。计算常量的加法：1+1首先导入PaddlePaddle库import paddle.fluid as

原创 《深度学习》推导与代码实现（六）：信息论

p = np.linspace(1e-6, 1-1e-6, 100)entropy = (p - 1) * np.log(1 - p) - p * np.log(p)plt.figure(figsize=(4,4))plt.plot(p, entropy)plt.xlabel('p')plt.ylabel('Shannon entropy om nats')plt.show()import mathdef H(sentence): """ 最优编码长度 """..

原创 《深度学习》推导与代码实现（五）：概率

import numpy as npimport matplotlib.pyplot as pltx = np.linspace(-10, 10, 100)sigmoid = 1 / (1 + np.exp(-x))softplus = np.log(1 + np.exp(x))fig, axes = plt.subplots(1, 2, figsize=(10, 3))axes[0].plot(x, sigmoid, label='sigmoid')axes[1].plot(x, sof.

原创 TensorFlow Seq2Seq模型样例：实现语言翻译

没舍得用自己的电脑跑，训练用的机器比较垃圾，没有 GPU，很闹心，其间不同 IDE 调用了一次环境想用来测试一下中途训练效果，导致跑了两天的训练被打断，血的教训，不要再犯第二次。本次训练是用来 TED 的英语-中文翻译数据集，进行了相关的前处理，做了模型持久化，会隔一定 step 自动保存一次模型和训练结果。被打断时训练到 6200 步，输出的模型能够把句子说成人话了，虽然翻译准确性还比较差，预计 9000 步左右能稍好些吧。Seq2Seq 模型原理和训练结果待后续补充，在此先记录一下代码，若有感兴趣的

原创 《深度学习》推导与代码实现（四）：概率

import numpy as np import matplotlib.pyplot as pltfrom scipy.stats import uniform%matplotlib inline# 生成样本fig, ax = plt.subplots(1,1)r = uniform.rvs(loc=0, scale=1, size=1000)ax.hist(r, density=True, histtype='stepfilled', alpha=0.5)# 均匀分布 pdfx =.

原创 TensorFlow循环神经网络样例：预测语句下文——基于循环神经网络的神经语言模型

使用 TensorFlow 实现神经语言模型，自然语言建模可抽象为 embedding 层 + 循环神经网络层 + Softmax 层 的结构，可以看到，与循环神经网络相比，NLP应用中多了两个层：词向量层(embedding层)和Softmax层。鉴于犯懒，理论暂时不在此编辑，后续有时间再补充，只记录一下代码和结果。采用 PTB 数据集实现的训练过程，原始数据集需要经过前处理，犯懒暂时先不在此编辑，日后补充，有需要原始数据集和处理好的数据集的小伙伴可以留言。# coding: utf-8"""@

原创 深度学习必备数学知识速查

数学基础知识在入门深度学习目标检测领域之前，先需要补点数学知识，因为无论是深度学习还是机器学习，背后都是有一些数学原理和公式推导的，所以掌握必备的数学知识必不可少。数据科学需要一定的数学基础，但仅仅做应用的话，如果时间不多，不用学太深，了解基本公式即可，遇到问题再查吧。下面是常见的一些数学基础概念，建议大家收藏后再仔细阅读，遇到不懂的概念可以直接在这里查~高等数学1.导数定义：导数和微分的概念f′(x0)=lim⁡Δx→0 f(x0+Δx)−f(x0)Δxf'({{x}_{0}})=\unde

原创 《深度学习》推导与代码实现（三）：线性代数

1.10 PCA (主成分分析)以鸢尾花 iris 数据为例，展示 PCA 的使用。手动实现 PCAimport pandas as pd import numpy as np from sklearn.datasets import load_irisimport matplotlib.pyplot as plt from sklearn.preprocessing import StandardScaler%matplotlib inline# 载入数据iris = load_

原创 《深度学习》推导与代码实现（二）：线性代数

1.5 单位矩阵np.identity(3)'''array([[1., 0., 0.], [0., 1., 0.], [0., 0., 1.]])'''1.6 矩阵的逆A = [[1.0,2.0],[3.0,4.0]]A_inv = np.linalg.inv(A)print("A 的逆矩阵： ", A_inv)'''A 的逆矩阵： [[-2. 1. ] [ 1.5 -0.5]]'''1.7 范数a = np.array([1.

原创 《深度学习》推导与代码实现（一）：线性代数

1.1 标量，向量，矩阵，张量import numpy as np# 标量s = 5 # 向量v = np.array([1,2])# 矩阵m = np.array([[1,2], [3,4]])# 张量t = np.array([ [[1,2,3],[4,5,6],[7,8,9]], [[11,12,13],[14,15,16],[17,18,19]], [[21,22,23],[24,25,26],[27,28,29]],])print("标量：" + s

原创 Python数据分析实例：平民最强宝可梦选择方案

前言这是 Python 语法学习系列完成后的一个数据分析入门教程，当做 Python 语法学习系列的结束篇，旨在引导学习数据分析常用方法。以一份包含着从第一代到第七代共801只宝可梦的数据集为数据原材料，实现数据分析常用方法样例，假定目标是寻找平民最强宝可梦。实战中数据集大小会变，分析目标会变，但方法论总是不变的，只需要替换数据集代入方法，打个不恰当的比方，无非是锅里炒的是什么菜，而不变的是锅。环境配置为：Win10，Python3，Jupyter Notebook数据集下载# 数据集下载!wg

原创 TensorFlow循环神经网络样例——预测 sin 函数

RNN 具有时序信息记忆能力，参考前向时间内的信息进行后向预测。 RNN 模型的提出也是为了解决时序预测问题。样例以 sin() 函数预测为例，音频信号等一维时序电子信号处理方式同理。# -*- coding: utf-8 -*-"""@ File: rnn_example_sin_predict.py@ Brief: 循环神经网络样例程序——预测 sin 函数@ Env: python 3.5 + TensorFlow 1.4.0, win10 + pycharm@ Author:

原创 Python知识点总结（十六）：知识框架思维导图

原创 Python知识点总结（十五）：魔法方法

魔法方法魔法方法总是被双下划线包围，例如__init__。魔法方法是面向对象的 Python 的一切，如果你不知道魔法方法，说明你还没能意识到面向对象的 Python 的强大。魔法方法的“魔力”体现在它们总能够在适当的时候被自动调用。魔法方法的第一个参数应为cls（类方法） 或者self（实例方法）。cls：代表一个类的名称self：代表一个实例对象的名称基本的魔法方法__init__(self[, ...]) 构造器，当一个实例被创建的时候调用的初始化方法【例子】class R

原创 Python知识点总结（十四）：类与对象

对象 = 属性 + 方法对象是类的实例。换句话说，类主要定义对象的结构，然后我们以类为模板创建对象。类不但包含方法定义，而且还包含所有实例共享的数据。封装：信息隐蔽技术我们可以使用关键字 class 定义 Python 类，关键字后面紧跟类的名称、分号和类的实现。【例子】class Turtle: # Python中的类名约定以大写字母开头 """关于类的一个简单例子""" # 属性 color = 'green' weight = 10 legs =

原创 Python知识点总结（十三）：Lamda表达式

匿名函数的定义在 Python 里有两类函数：第一类：用 def 关键词定义的正规函数第二类：用 lambda 关键词定义的匿名函数Python 使用 lambda 关键词来创建匿名函数，而非def关键词，它没有函数名，其语法结构如下：lambda argument_list: expressionlambda - 定义匿名函数的关键词。argument_list - 函数参数，它们可以是位置参数、默认参数、关键字参数，和正规函数里的参数类型一样。:- 冒号，在函数参数和表达式中间要

原创 Python知识点总结（十二）：函数

函数的定义还记得 Python 里面“万物皆对象”么？Python 把函数也当成对象，可以从另一个函数中返回出来而去构建高阶函数，比如： 参数是函数、返回值是函数。我们首先来介绍函数的定义。函数以def关键词开头，后接函数名和圆括号()。函数执行的代码以冒号起始，并且缩进。return [表达式] 结束函数，选择性地返回一个值给调用方。不带表达式的return相当于返回None。def functionname (parameters): "函数_文档字符串"

原创 Python知识点总结（十一）：序列

在 Python 中，序列类型包括字符串、列表、元组、集合和字典，这些序列支持一些通用的操作，但比较特殊的是，集合和字典不支持索引、切片、相加和相乘操作。1. 针对序列的内置函数list(sub) 把一个可迭代对象转换为列表。a = list()print(a) # []b = 'I Love LsgoGroup'b = list(b)print(b) # ['I', ' ', 'L', 'o', 'v', 'e', ' ', 'L', 's', 'g', 'o', 'G', 'r

原创 Python知识点总结（十）：集合

Python 中set与dict类似，也是一组key的集合，但不存储value。由于key不能重复，所以，在set中，没有重复的key。注意，key为不可变类型，即可哈希的值。num = {}print(type(num)) # <class 'dict'>num = {1, 2, 3, 4}print(type(num)) # <class 'set'>1. 集合的创建先创建对象再加入元素。在创建空集合的时候只能使用s = set()，因为s = {}创建的

原创 Python知识点总结（九）：字典

1. 可变类型与不可变类型序列是以连续的整数为索引，与此不同的是，字典以"关键字"为索引，关键字可以是任意不可变类型，通常用字符串或数值。字典是 Python 唯一的一个 映射类型，字符串、元组、列表属于序列类型。那么如何快速判断一个数据类型 X 是不是可变类型的呢？两种方法：麻烦方法：用 id(X) 函数，对 X 进行某种操作，比较操作前后的 id，如果不一样，则 X 不可变，如果一样，则 X 可变。便捷方法：用 hash(X)，只要不报错，证明 X 可被哈希，即不可变，反过来不

原创 Python知识点总结（八）：字符串

1. 字符串的定义Python 中字符串被定义为引号之间的字符集合。Python 支持使用成对的 单引号 或 双引号。t1 = 'i love Python!'print(t1, type(t1))# i love Python! <class 'str'>t2 = "I love Python!"print(t2, type(t2))# I love Python! <class 'str'>print(5 + 8) # 13print('5' + '

原创 Python知识点总结（七）：元组

「元组」定义语法为：(元素1, 元素2, …, 元素n)小括号把所有元素绑在一起逗号将每个元素一一分开1. 创建和访问一个元组Python 的元组与列表类似，不同之处在于tuple被创建后就不能对其进行修改，类似字符串。元组使用小括号，列表使用方括号。元组与列表类似，也用整数来对它进行索引 (indexing) 和切片 (slicing)。t1 = (1, 10.31, 'python')t2 = 1, 10.31, 'python'print(t1, type(t1))# (1

原创 Python知识点总结（六）：列表

数据类型简单数据类型整型<class ‘int’>浮点型<class ‘float’>布尔型<class ‘bool’>容器数据类型列表 <class ‘list’>元组<class ‘tuple’>字典<class ‘dict’>集合<class ‘set’>字符串<class ‘str’>列表1. 列表的定义列表是有序集合，没有固定大小，能够保存任意数量任意类型的 Pytho

原创 Python知识点总结（五）：异常处理

5.1 Python 标准异常总结异常就是运行期检测到的错误。计算机语言针对可能出现的错误定义了异常类型，某种错误引发对应的异常时，异常处理程序将被启动，从而恢复程序的正常运行。BaseException：所有异常的 基类Exception：常规异常的 基类StandardError：所有的内建标准异常的基类ArithmeticError：所有数值计算异常的基FloatingPointError：浮点计算异常OverflowError：数值运算超出最大限制ZeroDivisionError

原创 Python知识点总结（四）：循环语句

4.1 while 循环#while 布尔表达式: #代码块while 语句最基本的形式包括一个位于顶部的布尔表达式，一个或多个属于 while 代码块的缩进语句。while 循环的代码块会一直循环执行，直到布尔表达式的值为布尔假。如果布尔表达式不带有 <、>、==、！=、in、not in 等运算符，仅仅给出数值之类的条件，也是可以的。当 while 后写入一个非零整数时，视为真值，执行循环体；写入 0 时，视为假值，不执行循环体。也可以写入 str、list 或任何序

原创 Python知识点总结（三）：条件语句

3.1 if语句#if expression: #expr_true_suiteif 语句的 expr_true_suite 代码块只有当条件表达式 expression 结果为真时才执行，否则将继续执行紧跟在该代码块后面的语句。单个 if 语句中的 expressin 条件表达式可以通过布尔操作符 and, or 和 not实现多重条件判断。if 2 > 1 and not 2 > 3: print('Correct Judgement!')# Correct

原创 Python知识点总结（二）：位运算

2.1原码、反码、补码二进制有三种表示形式：原码、反码、补码。计算机内部使用补码来表示。原码： 就是其二进制表示（最高位是符号位）00 00 00 11 -> 310 00 00 11 -> -3反码： 正数的反码就是原码，负数的反码是符号位不变，其余位取反（对应正数按位取反）00 00 00 11 -> 311 11 11 00 -> -3补码： 正数的补码就是原码，负数的补码是反码+100 00 00 11 -> 311 11 11 01 -&gt

原创 Python知识点总结（一）：变量、运算符、数据类型

1.变量、运算符、数据类型1.1注释1.#注释作用于整行；2.’’’’’'或者"""""" 表示区间注释，在三引号之间所有内容均被注释；# 单行注释'''三个单引号的多行注释三个单引号的多行注释'''"""三个双引号的多行注释三个多引号的多行注释"""1.2运算符算数运算符操作符名称+加-减*乘/除//整除（地板除）%取余**幂比较运算符操作符名称>大于<

原创 基于自相关的基音周期估计（Pitch Detection）

基音周期估计的现有方法到目前为止，基音检测的方法大致上可以分为三类：1）时域估计法，直接由语音波形来估计基音周期，常见的有：自相关法、并行处理法、平均幅度差法、数据减少法等；2）变换法，它是一种将语音信号变换到频域或者时域来估计基音周期的方法，首先利用同态分析方法将声道的影响消除，得到属于激励部分的信息，然后求取基音周期，最常用的就是倒谱法，这种方法的缺点就是算法比较复杂，但是基音估计的效果却很好；3）混合法，先提取信号声道模型参数，然后利用它对信号进行滤波，得到音源序列，最后再利用自相关法或者平均

原创 Git上传错误——remote: Invalid username or password.

问题表现push代码到远程仓库时要求输入用户名与密码，并产生如下错误：remote: Invalid username or password.fatal: Authentication failed for 'xxx.git'问题常见于长时间未上传过远程仓库或者存在多个远程仓库的情况。解决方案需要获取一个新的token，具体操作如下：接下来按提示Generate一个新的token即可完成上述操作后再次回到Git Bash执行push命令：推送成功~...