达美航空

让求 f ( x ) = | a ∗ x 3 + b ∗ x 2 + c ∗ x + d | ( L ≤ x ≤ R )的最大值 这个题目讨论a和b的值，如果a==0的话，那么这个方程就变成了一个一元二次方程，直接找端点和对称轴（如果对称轴在给定的区间内）处的函数值就行，如果a != 0，那么求导，求导之后判断二次方程的delta，如果delta小于等于0，说明是单调的，那么最值还是端点处取到，如果delta大于0， 那么就要比较两个极点（如果极点在给定的区间内）处的值和端点值的大小就行了。 /************************************************************************* > File Name: math.cpp > Author: Howe_Young > Mail: 1013410795@qq.com > Created Time: 2015年09月14日 星期一 20时18分44秒 ************************************************************************/ #include <cstdio> #include <iostream> #include <cstring> #include <cmath> #include <cstdlib

DELPHI开发2层C/S数据库应用程序，许多人通过ADOQUERY或ADOTABLE直接操作数据库，其实这种方法虽然最为直接，但有其缺点：如果以后要将程序升级为3层C/S会非常困难。而通过像下面的通用数据操作方法，像开发3层C/S一样地开发2层C/S程序，通过ADOQUERY或ADOTABLE获取数据，通过DATASETPROVIDER转换数据格式为OLEVARIANT，通过CLIENTDATASET内存数据集再同客户端显示控件关联，则所有操作数据的方法高度集中统一，以后要升级为多层会非常容易。这就是间接所带来的高度灵活。 ADO不能像FIREDAC和UNIDAC一样提交联表查询的CLIENTDATASET.DELTA，这在保存类似“单据”的数据的时候很不方便，需要间接一下然后才能提交。 FIREDAC和UNIDAC虽然默认也不支持，但只要设置属性就能获得支持。 其中FIREDAC的设置：UpdateOptions.CheckReadOnly:=False 其中的原由：A表联接B表查询，CLIENTDATASET中的字段既有A表的也有B表的，试图将CLIENTDATASET.delta提交给A表，CLIENTDATASET.delta将B表的字段值改变也一块打包了，而B表的字段的readonly:=true，试图提交只读字段会报错。 unit untDB; interface

http://poj.org/problem?id=3468 (题目链接) 题意 　　给出一个序列，要求维护区间修改与区间求和操作。 Solution 　　多年以前学习的树状数组区间修改又忘记了→_→。 　　其实就是用树状数组维护一个差分序列${delta[i]}$，${delta[x]}$记录${[i,n]}$中每一个数的增量，每次修改${[l,r]}$就转化为了${delta[l]+=d,delta[r+1]-=d}$。 　　对于求和操作${[l,r]}$，其实就是${sum(x)-sum(y)}$，我们这里只讨论${sum(x)}$的求法。 　　　　$${sum(x)=s[x]+delta[1]*x+delta[2]*(x-1)+delta[3]*(x-2)+······+delta[x]}$$ 　　其中${s[x]}$表示原数组的前缀和。 　　　　$${sum(x)=s[x]+\sum_{i=1}^{x}{delta[i]*(x-i+1)}}$$ 　　　　$${sum(x)=s[x]+(x+1)*\sum_{i=1}^{x}{delta[i]}-\sum_{i=1}^{x}{i*delta[i]}}$$ 　　于是我们用两个树状数组维护${delta[i]}$与${delta[i]*i}$即可。 细节 　　更新与求和的时候的下标一定不要打错，没注意到，贡献1Wa→_→。 代码

python assert断言是声明布尔值必须为真的判定，如果发生异常就说明表达式为假。 可以理解assert断言语句为raise-if-not，用来测试表示式，其返回值为假，就会触发异常。 self.assertEqual(a,b,msg=msg) #判断a与.b是否一致，msg类似备注，可以为空 self.assertNotEqual(a,b,msg=msg) #判断a与b是否不一致 self.assertTrue(a,msg=none) #判断a是否为True self.assertFalse(b,msg=none) #判断b是否为false self.assertAlmostEqual(a,b,places=none,msg=none,delta=none) #该判断过程有点复杂，判断过程如下 注：places与delta不能同时存在，否则出异常 #若a==b，则直接输入正确，不判断下面的过程 #若delta有数，places为空，判断a与b的差的绝对值是否<=delta，满足则正确，否则错误 #若delta为空，places有数，判断b与a的差的绝对值,取小数places位，等于0则正确，否则错误 #若delta为空，places为空，默认赋值places=7判断 例 assertAlmostEqual(2,2) 正确， assertAlmostEqual(5,2

python assert断言是声明布尔值必须为真的判定，如果发生异常就说明表达式为假。 可以理解assert断言语句为raise-if-not，用来测试表示式，其返回值为假，就会触发异常。 self.assertEqual(a,b,msg=msg) #判断a与.b是否一致，msg类似备注，可以为空 self.assertNotEqual(a,b,msg=msg) #判断a与b是否不一致 self.assertTrue(a,msg=none) #判断a是否为True self.assertFalse(b,msg=none) #判断b是否为false self.assertAlmostEqual(a,b,places=none,msg=none,delta=none) #该判断过程有点复杂，判断过程如下 注：places与delta不能同时存在，否则出异常 #若a==b，则直接输入正确，不判断下面的过程 #若delta有数，places为空，判断a与b的差的绝对值是否<=delta，满足则正确，否则错误 #若delta为空，places有数，判断b与a的差的绝对值,取小数places位，等于0则正确，否则错误 #若delta为空，places为空，默认赋值places=7判断 例 assertAlmostEqual(2,2) 正确， assertAlmostEqual(5,2

self.assertEqual(a,b,msg=msg) #判断a与1.b是否一致，msg类似备注，可以为空 self.assertNotEqual(a,b,msg=msg) #判断a与b是否不一致 self.assertTrue(a,msg=none) #判断a是否为True self.assertFalse(b,msg=none) #判断b是否为false self.assertAlmostEqual(a,b,places=none,msg=none,delta=none) #该判断过程有点复杂，判断过程如下 注：places与delta不能同时存在，否则出异常 #若a==b，则直接输入正确，不判断下面的过程 #若delta有数，places为空，判断a与b的差的绝对值是否<=delta，满足则正确，否则错误 #若delta为空，places有数，判断b与a的差的绝对值,取小数places位，等于0则正确，否则错误 #若delta为空，places为空，默认赋值places=7判断 例 assertAlmostEqual(2,2) 正确， assertAlmostEqual(5,2,delta=4) 正确 assertAlmostEqual(5,2,delta=2) 错误 assertAlmostEqual(2,2.005,places=1) 正确

我们知道了如果查看CPU负载可以使用top命令，查看内存使用情况可以使用free -h命令，但是我们还需要知道硬盘的使用情况，使用iostat和iotop 用iostat -x 1 10 如果 iostat 没有，要 yum install -y sysstat安装这个包，第一眼看下图红色圈圈的那个如果%util接近100%,表明I/O请求太多,I/O系统已经满负荷，磁盘可能存在瓶颈,一般%util大于70%,I/O压力就比较大，读取速度有较多的wait，然后再看其他的参数， rrqm/s:每秒进行merge的读操作数目。即delta(rmerge)/s wrqm/s:每秒进行merge的写操作数目。即delta(wmerge)/s r/s:每秒完成的读I/O设备次数。即delta(rio)/s w/s:每秒完成的写I/0设备次数。即delta(wio)/s rsec/s:每秒读扇区数。即delta(rsect)/s wsec/s:每秒写扇区数。即delta(wsect)/s rKB/s:每秒读K字节数。是rsec/s的一半，因为每扇区大小为512字节 wKB/s:每秒写K字节数。是wsec/s的一半 avgrq-sz:平均每次设备I/O操作的数据大小(扇区)。即delta(rsect+wsect)/delta(rio+wio) avgqu-sz:平均I/O队列长度。即delta

项目 内容 所属课程 2020年春季计算机学院软件工程(罗杰 任健) 作业要求 个人项目作业 课程目标 切身参与完整的软件开发流程，积累专业技术知识和团队合作经验 本次作业实现方面 体验完整的项目开发流程，加深对于PSP的理解 教学班级 006(周五上午三四节) 项目地址 https://github.com/Miracle-dz/IntersectProject 一、PSP表格 PSP2.1 Personal Software Process Stages 预估耗时(分钟) 实际耗时(分钟) Planning 计划 · Estimate · 估计这个任务需要多少时间 20 20 Development 开发 · Analysis · 需求分析 (包括学习新技术) 60 60 · Design Spec · 生成设计文档 20 15 · Design Review · 设计复审 (和同事审核设计文档) 0 0 · Coding Standard · 代码规范 (为目前的开发制定合适的规范) 10 10 · Design · 具体设计 60 90 · Coding · 具体编码 120 180 · Code Review · 代码复审 45 75 · Test · 测试（自我测试，修改代码，提交修改） 120 180 Reporting 报告 · Test Report · 测试报告

机器学习公开课备忘录（二）神经网络与BP算法 神经网络是针对特征过多，分布非线性的监督学习类问题提出的，模仿人类大脑的工作方式。例如：图像判别 前向算法 下面这张取自 http://www.cnblogs.com/python27/p/MachineLearningWeek05.html 的图片可以很好地说明前向算法，对于神经网络，特征所在的层称为输入层，即此处的 \(a^{(1)}\) ;结果层被成为输出层，即为此处的 \(a^{(3)}\) ，中间的层都被成为隐藏层。 可以看到，计算隐藏层及输出层的神经元输出，即是对输入层的输入进行加权，然后做sigmod映射，每一层还会额外增加偏置项，即常数项。 神经网络既可以用于回归问题，也可以用于分类问题。公开课讲述的是以分类问题作为例子的，对于二分类问题，可以根据输出层和阈值来进行划分是 \(0 或 1\) ；但对于多分类问题，往往 \(k\) 个分类会在输出层设置成 \(k\) 个单元，每个输入值的结果写成 \(\{1 0 0 0 ...\}\{0 1 0 0 ...\}\{0 0 1 0 ...\}\) 的形式，即若输出标记为第 \(k\) 类，则第 \(k\) 个元素为1，其余均为零。然后求出无标记数据的输出结果后，对输出层最接近1的神经元置1，其余置0，来得到其类别。 BP算法

1. Neural network formulation Notations：$x$为输入，$y$为输出，用$n_l$表示网络的层数，$s_l$表示第$l$层的节点数（不考虑bias），输入层记为$a^{(1)}=x$ $$z^{(l+1)}=W^{(l)}a^{(l)}+b^{(l)}$$ $$a^{(l+1)}=f(z^{(l+1)})$$ Remarks 1. $W^{(l)}$是一个$s_{l+1}\times s_{l}$的矩阵，第$i$行对应由$l$层到$l+1$层节点$i$的线性组合的系数。 2. 定义cost function $$J(W,b;x,y)=\frac{1}{2}||h_{W, b}(x)-y||^2$$ $$J(W,b)=\left[\frac{1}{m}\sum_{i=1}^m(\frac{1}{2}||h_{W, b}(x^{(i)})-y^{(i)}||^2)\right]+\frac{\lambda}{2}\sum_{l=1}^{n_l-1}\sum_{i=1}^{s_l}\sum_{j=1}^{s_{l+1}}(W_{ji}^{(l)})^2$$ Remarks 1. 上面的$J(W,b)$定义了总体的损失函数，第一项是sum-of-squares error term，第二项是regularization term。 2.