Apache Axis

预测从瞎猜开始 按 上一篇文章 所说，机器学习是应用数学方法在数据中发现规律的过程。既然数学是对现实世界的解释，那么我们回归现实世界，做一些对照的想象。 想象我们面前有一块塑料泡沫做的白板，白板上分布排列着数枚蓝色的图钉，隐约地它们似乎存在着某种规律，我们试着找出规律。 白板上的图钉（ 数据 ）如上图所示，我们有没有一种方法（ 数学算法 ）来寻找规律（ 模型解释 ）呢？ 既然不知道怎么做，那我们瞎猜吧！ 我拿起两根木棒在白板前比划，试着用木棒表示数据的规律。我随便放了放，如下图所示： 它们似乎都在一定程度上能表示蓝色图钉的规律，那么问题来了，绿色（虚线）和红色（实线）哪一个表示更好呢？ 损失函数（成本函数） 好与坏是很主观的表达，主观的感受是不可靠的，我们必须找到一种客观的度量方式。我们想当然的认为误差最小的表示，是最好的。那么，我们引出一种量化误差的方法---最小二乘法。 最小二乘法 ：使误差的平方和最小的办法，是一种误差统计方法，二乘就是平方的意思。 $$ SE = \sum{(y_{pred} -y_{true})^2} $$ 最小二乘法的解释是这样的，我们用 预测值-实际值 表示单点的误差，再把它们的 平方和 加到一起来表示整体误差。（ 平方的好处可以处理掉负数值，用绝对值的和也不是不可以。 ）我们用这个最终值来表示损失（成本），而可以表示损失（成本）的函数就叫做损失函数

在Python3下用使用OpenCV比在C,C++里开发不止快捷一点点, 原型开发的时候蛮有用. 这里用的OpenCV 加载图片, 用的imshow画图 # -*- coding: utf-8 -*- import cv2 # from matplotlib import pyplot as plt from pylab import * # 添加中文字体支持 from matplotlib.font_manager import FontProperties font = FontProperties(fname=r"c:\windows\fonts\SimSun.ttc",size = 14) # 载入图像 im = cv2.imread('window.png') # 显示原始图像 fig = plt.figure() subplot(121) plt.gray() im2 = cv2.cvtColor(im, cv2.COLOR_BGR2RGB) # OpenCV采用BGR排列顺序,需要转换一下. imshow(im2) title(u'彩色图', fontproperties= font) axis('off') # 显示灰度化图像 # 颜色空间转换 gray = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY) plt.subplot(122)

前言 只有光头才能变强。 回顾前面： 从零开始学TensorFlow【01-搭建环境、HelloWorld篇】 什么是TensorFlow？ TensorFlow读写数据 不知道大家最开始接触到axis的时候是怎么样的，反正我是挺难理解的..我们可以发现TensorFlow的很多API都有axis这个参数，如果我们对axis不了解，压根不知道API是怎么搞的。 一句话总结axis：axis可以方便我们 将数据进行不同维度的处理 。 一、理解axis 如果你像我一样，发现API中有axis这个参数，但不知道是什么意思。可能就会搜搜axis到底代表的什么意思。于是可能会类似搜到下面的信息： 使用0值表示沿着每一列或行标签\索引值向下执行方法( axis=0代表往跨行 ) 使用1值表示沿着每一行或者列标签模向执行对应的方法( axis=1代表跨列 ) 但我们又知道，我们的数组不单单只有二维的，还有三维、四维等等。 一旦维数超过二维，就无法用简单的行和列来表示了 。 所以，可以用我下面的方式进行理解： axis=0 将最开外头的括号去除，看成一个整体，在这个整体上进行运算 axis=1 将第二个括号去除，看成一个整体，在这个整体上进行运算 ...依次类推 话不多说，下面以例子说明~ 1.1二维数组之concat 首先，我们来看个 concat 的例子，concat第一个参数接收val

先给出结论： >>> a = np.array([[1, 2], [3, 4]]) >>> np.mean(a) # 将上面二维矩阵的每个元素相加除以元素个数（求平均数） 2.5 >>> np.mean(a, axis=0) # axis=0，计算每一列的均值 array([ 2., 3.]) >>> np.mean(a, axis=1) # 计算每一行的均值 array([ 1.5, 3.5]) 给出代码的例子： 此时我们看一下二维数组a的结构 a[0][0]=1 a[0][1]=2 a[1][0]=3 a[1][1]=4 原理： 我们不妨设第一个方括号“[]”为 0轴 ，第二个方括号为 1轴 ，则x可在 0-1坐标系 下表示如下： 当np.mean(a,axis=0)时，很明显计算的时a[0][0]=1,和a[1][0]=3的平均值， 所以当参数axis等于0时，计算的时0轴的平均值， 就是第二个[]的值不变，遍历第一个[]索引的值，计算出平均值 Axis or axes along which the means are computed. The default is to compute the mean of the flattened array. 来自 < https://numpy.org/doc/stable/reference/generated/numpy

小书匠 Graph 图论 重头戏部分来了,写到这里我感觉得仔细认真点了,可能在NetworkX中,实现某些算法就一句话的事,但是这个算法是做什么的,用在什么地方,原理是怎么样的,不清除,所以,我决定先把 图论 中常用算法弄个明白在写这部分. 图论常用算法看我的博客: 下面我将使用NetworkX实现上面的算法,建议不清楚的部分打开两篇博客对照理解. 我将图论的经典问题及常用算法的总结写在下面两篇博客中: 图论---问题篇 图论---算法篇 目录: * 11.4拓扑排序算法(TSA) * 11.5最大流问题 注意: 如果代码出现找不库,请返回第一个教程,把库文件导入. 11.4拓扑排序算法(TSA) DG = nx.DiGraph([( 'a' , 'b' ), ( 'a' , 'c' ),( 'b' , 'e' ), ( 'b' , 'd' ),( 'c' , 'e' ), ( 'c' , 'd' ),( 'd' , 'f' ), ( 'f' , 'g' ), ( 'e' , 'g' )]) #显示graph nx.draw_spring(DG,with_labels= True ) plt.title( '有向无环图' ,fontproperties=myfont) plt.axis( 'on' ) plt.xticks([]) plt.yticks([]) plt.show()

由于Verilog/Vhdl没有计算exp指数函数的库函数，所以在开发过程中可利用 cordic IP 核做 exp 函数即 e^x 值； 但前提要保证 输入范围在（ -pi/4 — pi/4 ） 在 cordic 核中 e^x = sinh + cosh 所以在配置 cordic 时点选 sinh and cosh 即可 如下图： input width配置为16位，表示输入数据的第16位是符号位，第15,14位是整数位，其他位表示小数位，相当于13位有符号定点小数； output width配置16位，高16位表示sinh结果 其中第16位符号位，第15位整数位，其它小数位，相当于13位有符号定点小数； 　　　　　　　　　　 低16位表示cosh结果 其中第16位符号位，第15位整数位，其它小数位，相当于13位有符号定点小数； 其它选项都按上图显示配置； 编写 testbench 测试文件： Testbench ： `timescale 1ns / 1ps ////////////////////////////////////////////////////////////////////////////////// // Company: // Engineer: // Create Date: 2018/11/28 09:08:45 // Design Name: //

我的施工之路 1 我的施工计划 2 数字专题 3 字符串专题 4 列表专题 5 流程控制专题 6 编程风格专题 7 函数使用 8 面向对象编程(上篇) 9 面向对象编程(下篇) 10 十大数据结构 11 包和模块使用总结 12 Python正则专题总结 13 设计模式 14 Python时间模块总结 15 Python 装饰器 16 Python 迭代器 17 Python 生成器 Python 绘图入门 这是施工系列第18篇，同时也进入到一个新的阶段：Python绘图篇。作为绘图模块的第一篇，与大家一起过过最基本的Python绘图原理。 掌握基本的绘图原理很有必要，各个常用绘图库的原理基本都是相通的。所以了解它们后，使用库里的API函数将会更加得心应手，并且熟练其中一个库后，便能迅速上手其他的绘图库。 1 绘图组成要素 一般绘图要素的基本组成部分包括：画布(Canvas)，坐标系(Axes)，轴(Axis)，标题(Title)，标签(Label)，刻度(Tick)，图例(Legend)，网格(Grid)，数据域(Data)，如下图所示： 2 画布 画布 Canvas 是绘制图像的地方，一个画布可以包括多个坐标系，如下图所示，一个Canvas上包括2个坐标系(Axes)： 对应在实际绘图中，如下所示，画布上共包括3个坐标系，每个坐标系分别绘制了柱状图、折线图、饼图，布局样式如下：

腾讯课堂 | Python网络爬虫与文本分析 我的施工之路 1 我的施工计划 2 数字专题 3 字符串专题 4 列表专题 5 流程控制专题 6 编程风格专题 7 函数使用 8 面向对象编程(上篇) 9 面向对象编程(下篇) 10 十大数据结构 11 包和模块使用总结 12 Python正则专题总结 13 设计模式 14 Python时间模块总结 15 Python 装饰器 16 Python 迭代器 17 Python 生成器 Python 绘图入门 这是施工系列第18篇，同时也进入到一个新的阶段：Python绘图篇。作为绘图模块的第一篇，与大家一起过过最基本的Python绘图原理。 掌握基本的绘图原理很有必要，各个常用绘图库的原理基本都是相通的。所以了解它们后，使用库里的API函数将会更加得心应手，并且熟练其中一个库后，便能迅速上手其他的绘图库。 1 绘图组成要素 一般绘图要素的基本组成部分包括：画布(Canvas)，坐标系(Axes)，轴(Axis)，标题(Title)，标签(Label)，刻度(Tick)，图例(Legend)，网格(Grid)，数据域(Data)，如下图所示： 2 画布 画布 Canvas 是绘制图像的地方，一个画布可以包括多个坐标系，如下图所示，一个Canvas上包括2个坐标系(Axes)： 对应在实际绘图中，如下所示，画布上共包括3个坐标系

Numpy 数组的运算 多维的数组对象 , ndarray #1. 实际数据 . 2.元数据 描述信息 数组的基础属性 : 1 .ndim # 维度 2 .shape # 维度数值个数 3 .size # 数组内容个数 4 .dtype # 数组类型 5 .itemsize # 数组内容占内存多少字节 数组的创建 : # array() 数组内容是: 函数,列表,元组,数据,生成器,序列 import numpy as np # 示例 np.array(range(10 ) np.array([ 1,2,3,4,5 ]) np.array([[ 1,2,3,4,5],[6,7,8,9,9 ]]) # arange() 类似于Python的 range() np.arange(10) # 生成10个整数 np.arange(10.) # 生成10个浮点型数值 np.arange(1,10,0.1) # 从1到10 每隔0.1生成1个 np.arange(10000) # 生成10000,显示前3个,中间省略,显示后面3个 # linspace() 返回在间隔[开始,停止]上 num个均匀的样本 np.linspace(2.0,3.0,num=5) # 2.0到3.0 生成5个均匀的值 np.linspace(2.0,3.0,num=5,endpoint=False) #

一、为什么要使用Numpy and Pandas？ 　　运算速度快：numpy 和 pandas 都是采用 C 语言编写, pandas 又是基于 numpy, 是 numpy 的升级版本。 　　消耗资源少：采用的是矩阵运算，会比 python 自带的字典或者列表快好多。 　　numpy 和 pandas是科学计算中很重要的两个模块，可以应用于数据分析，机器学习和深度学习 二、Numpy 和 Pandas 安装 　　可以通过sudo pip install numpy和sudo pip install pandas进行安装。 三、 Numpy 的学习 　　 ndim：维度 　　shape：行数和列数 　　size：元素个数 　　①、numpy属性： 1 import numpy as np # 为了方便使用numpy 采用np简写 2 3 array = np.array([[1,2,3],[2,3,4]]) # 列表转化为矩阵 4 print (array) 5 6 print ( ' number of dim: ' ,array.ndim) # 维度 7 # number of dim: 2 8 9 print ( ' shape : ' ,array.shape) # 行数和列数 10 # shape : (2, 3) 11 12 print ( ' size: '