达美航空

预备知识 　　 领域 ：是一种常用的集合，设 \(a,\delta \in \R,\delta > 0\) ，则定义点 \(a\) 的 \(\delta\) 领域，记作 \(U(a,\delta)\) ，为 \((a-\delta,a+\delta)\) 。点 \(a\) 称作 领域的中心 ， \(\delta\) 称为 领域的半径 。 　　 去心领域 ：如果把领域的中心去掉，所得到的集合即为点 \(a\) 的 \(去心\delta\) 领域，记作 \(\mathring U(a,\delta)\) 。即 \((a-\delta,a+\delta)\setminus\{a\}\) 。 　　 反函数 ：设一元函数 \(f:D\rightarrow f(D)\) 为 一一映射 ，则称逆映射 \(f^{-1}:f(D)\rightarrow D\) 为函数 \(f\) 的反函数，即对于每个 \(y\in f(D)\) ，如果 \(y=f(x)\) ，则规定 \(x=f^{-1}(y)\) 。 　　 复合函数 ：是一种特殊的复合映射。设两个函数 \(f(x)\) 和 \(g(x)\) ，定义域分别为 \(D_1\) 、 \(D_2\) 且满足 \(g(D_2)\subset D_1\) ，则定义的函数 \(h(x)=f(g(x))\) 称为由函数 \(u=g(x)\) 和函数 \(y=f

什么是快慢指针 这种模式，有一个非常出门的名字，叫龟兔赛跑。咱们肯定都知道龟兔赛跑啦。但还是再解释一下快慢指针：这种算法的两个指针的在数组上（或是链表上，序列上）的移动速度不一样。还别说，这种方法在解决有环的链表和数组时特别有用。 通过控制指针不同的移动速度（比如在环形链表上），这种算法证明了他们肯定会相遇的。快的一个指针肯定会追上慢的一个（可以想象成跑道上面跑得快的人套圈跑得慢的人）。 咋知道需要用快慢指针模式？ 问题需要处理环上的问题，比如环形链表和环形数组 当你需要知道链表的长度或是某个特别位置的信息的时候 那啥时候用快慢指针而不是上面的双指针呢？ 有些情形下，咱们不应该用双指针，比如我们在单链表上不能往回移动的时候。一个典型的需要用到快慢指针的模式的是当你需要去判断一个链表是否是回文的时候。 一般情况下，快慢指针出现在链表的频率更高。 快慢指针判断链表有环 快指针fast一次走两步，慢指针slow一次走一步，如果有环的话，它们在环上一定会相遇（值相等），此时就证明有环。所以，如果最终fast == nullptr，那么判断链表无环；如果最终fast == slow，且fast != nullptr，那么链表有环。 快慢指针寻找环入口的原理 第一步：快慢指针从头结点出发。如下图所示。蓝色表示快指针fast，红色表示慢指针slow。 第二步：慢指针slow走到了环入口

YOLO( Y ou O nly L ook O nce)是一个流行的目标检测方法，和Faster RCNN等state of the art方法比起来，主打检测速度快。截止到目前为止（2017年2月初），YOLO已经发布了两个版本，在下文中分别称为 YOLO V1 和 YOLO V2 。YOLO V2的代码目前作为 Darknet 的一部分开源在 GitHub 。在这篇博客中，记录了阅读YOLO两个版本论文中的重点内容，并着重总结V2版本的改进。 Update@2018/04: YOLO v3 已经发布！可以参考我的博客 论文 - YOLO v3 。 YOLO V1 这里不妨把YOLO V1论文 “You Only Look Once: Unitied, Real-Time Object Detection” 的摘要部分意译如下： 我们提出了一种新的物体检测方法YOLO。之前的目标检测方法大多把分类器重新调整用于检测（这里应该是在说以前的方法大多将检测问题看做分类问题，使用滑动窗提取特征并使用分类器进行分类）。我们将检测问题看做回归，分别给出bounding box的位置和对应的类别概率。对于给定输入图像，只需使用CNN网络计算一次，就同时给出bounding box位置和类别概率。由于整个pipeline都是同一个网络，所以很容易进行端到端的训练。 YOLO相当快。base

　　 Reference : https://www.cs.swarthmore.edu/~meeden/cs81/s10/BackPropDeriv.pdf 　　I spent nearly one hour to deduce the vector form of the back propagation. Just in case that I may forget, but need to utilize them, I will write down all the formula here to make a backup. Structure: 　　Standard BP Network with $\displaystyle \lambda$ hidden layers, one input layer and one output layer. 　　Activation function: sigmoid . Notations: $\displaystyle W^{i+1,i}$, denotes the weight matrix connecting from $i$th layer to $i+1$th layer. $\displaystyle N^i$, denotes the net input of the $i$th layer. $

问题提出 ^超级电容（法拉电容）是否会爆炸？| 公众号留言^ 听说过胆小如鼠，但没见过这样胆小如鼠的人；学习过杞人忧天，但没听说这这样忧虑揣测的人。电容是会发怒，但平常见到的大部分是电解电容在过压或者极性接反的情况下的破裂过程。普通的低压电容短路不会产生惊心动魄的爆炸的。 None 为了回答上面的问题，在本文后面的“验证实验”中就给出了答案。不过借助今天这个话题顺便谈谈一个在信号与系统课程中最基础、最奇特的一个信号-冲激信号。 基本原理****None 物质可以分解成基本粒子、生物可以分解成基本细胞、房屋可以分解成砖石瓦块，那么普通的用于传递信息的信号是否也可以分解成基本的组成部分呢？ 分解信号的方法非常多，一种最常用的分解方法就是将信号分解成单位冲激信号以及它的延迟信号的组合。下面就介绍一下这个组成信号的基本元素-单位冲激信号，一个奇异信号。 一、单位冲激信号单位冲激信号在信号表述中具有重要意义的信号模型，有多种定义方式，其中按照信号演变方式给出的定义直观性较强，是多数工科教科书中常采用的方法。将一个面积（即信号的积分）始终保持为1的信号，使其宽度逐步缩小至0，最终变化极限就趋向于单位冲激信号，一般称为delta(t)。下图使用矩形信号演示形成delta(t)的过程。 ^使用信号极限描述单位冲激信号 | 信号与系统第一章-奇异信号^ 上述定义给出delta信号的直观形象

BP算法 前情回顾 上回我们说到，单层的线性神经网络权值的迭代公式是： w : = w − η X T ( f ( w X ) − y ) f ′ ( w X ) w:=w-\eta X^T(f(wX)-y)f'(wX) w : = w − η X T ( f ( w X ) − y ) f ′ ( w X ) 其中呢，这个 ( f ( w X ) − y ) f ′ ( w X ) (f(wX)-y)f'(wX) ( f ( w X ) − y ) f ′ ( w X ) 我们称它为 δ \delta δ ，于是 w : = w − η X T δ w:=w-\eta X^T\delta w : = w − η X T δ 不用必须是线性神经网络，其他激活函数也适用于这个公式，只不过线性的话就可以把f’(wX)这一项去掉。 对于多层的神经网络来说，每一层的权值怎么更新呢？ 下面以二层的网络为例给出推导。 基本推导 损失函数自然就是 E = 1 2 ( O − Y ) 2 E=\frac12(O-Y)^2 E = 2 1 ​ ( O − Y ) 2 这个二层的网络是如何工作的？ 我们把它看成两个单层的就好。 一开始我们初始化了两层的权值V和W。 假设我们的激活函数是f(x). 中间层的输出就可以计算: M = f ( V X ) M = f(VX) M = f ( V X )

等值面,偏导数,切平面逼近 Function of 1 variable .f(x)=sin(x) Function of 2 variables: given(x, y) → \rightarrow → get a number f(x, y) Example f ( x , y ) = x 2 + y 2 f(x,y)=x^2+y^2 f ( x , y ) = x 2 + y 2 f(x, y)=temperature at point (x, y) or …3 or more parameters! How to visualize f of 2 variables? → \rightarrow → gragh: z=f(x, y) Ex: f ( x , y ) = 1 − x 2 − y 2 f(x,y)=1-x^2-y^2 f ( x , y ) = 1 − x 2 − y 2 → \rightarrow → in y-z plane: x = 0 , z = 1 − y 2 x=0,z=1-y^2 x = 0 , z = 1 − y 2 → \rightarrow → in x-z plane: $y=0,z=1-x^2 → \rightarrow → in x-y plane: z = 0 , 1 − x 2 − y 2 = 0 z=0,1-x^2-y^2=0 z

线段树解法 好丢脸，这个题做了一下午，调试了三个多小时...... 先讲讲解题思路 既然这里是线段树，就要用到lazy—tag。又有加法又有乘法的话，就要用到两个lazy-tag，分别用数组jia[]和chng[]表示。线段树用数组t[]存。 我们让lazy-tag还原数值时，先乘chng[],再加jia[]（人为规定，这样好算） 怎么维护lazy-tag？ 加法 void add( k, l, r, x, y, delta) { 函数的作用是在编号为k，区间是[l,r]的线段树里，给区间[x,y]里的每一个数加上delta。 如果当前区间[l,r]和目标区间[x,y]完全重合，就要在当前这颗编号为k的树上标记。 首先jia[k]要加上delta，表示当前区间[l,r]（即[x,y]）内的每一个数都加了delta； 然后要修改t[k]的值，也就是加上区间内增加的总数，即t[k]+=delta*(r-l+1)； return。 如果当前区间不与目标区间完全重合，就要对子树操作。 首先，标记下传，用pushdown()函数将树k的标记全数下传给两个儿子k*2和k*2+1； 然后，先取mid=(l+r）>>1，判断一下目标区间是在当前区间的左子树区间、还是右子树区间、还是左右都有； （如果y<=mid,那么目标区间一定只在左子树里；如果x>=mid+1,那么目标区间一定只在右子树里

1.基本概念和性质 对称随机游动：每个单位 等可能 的向左或向右走一个单位步子。 加速此过程，在越来越小的时间间隔中走越来越小的步子，若以正确的方式趋近极限，得到的就是布朗运动。 X ( t ) = Δ x ( X 1 + ⋯ + X [ t Δ t ] ) Δ t : 时 间 间 隔 Δ x : 步 子 大 小 其 中 ， X i = − 1    o r    1 X(t)=\Delta x(X_1+\cdots+X_{[\frac{t}{\Delta t}]})\\\Delta t:时间间隔\quad \Delta x:步子大小\\其中，X_i=-1\,\, or \,\,1 X ( t ) = Δ x ( X 1 ​ + ⋯ + X [ Δ t t ​ ] ​ ) Δ t : 时 间 间 隔 Δ x : 步 子 大 小 其 中 ， X i ​ = − 1 o r 1 E ( X i ) = 0 V a r ( X i ) = 1 E(X_i)=0\quad Var(X_i)=1 E ( X i ​ ) = 0 V a r ( X i ​ ) = 1 E ( X t ) = 0 V a r ( X ( t ) ) = ( Δ x ) 2 [ t Δ t ] E(X_t)=0\quad Var(X(t))=(\Delta x)^2[\frac{t}{\Delta t}] E (

什么是Coreseek Sphinx默认不支持中文索引及检索，基于Sphinx开发了Coreseek全文检索服务器，Coreseek应该是现在用的最多的Sphinx中文全文检索，它提供了为Sphinx设计的中文分词包LibMMSeg包含mmseg中文分词。 安装 --解压安装包 # tar -zxvf coreseek-3.2.14.tar.gz # ls csft-3.2.14 mmseg-3.2.14 README.txt testpack 安装中文分词mmseg # cd mmseg-3.2.14/ # ./configure --prefix=/usr/local/mmseg --编译报错 config.status: error: cannot find input file: src/Makefile.in --运行下面指令再次编译就能通过了 # automake # make && make install --运行mmseg，输出安装信息则mmseg中文分词已经安装好了 # /usr/local/mmseg/bin/mmseg Coreseek COS(tm) MM Segment 1.0 Copyright By Coreseek.com All Right Reserved. Usage: /usr/local/mmseg/bin/mmseg <option>