NClass

Android系统如何移植wpa_supplicant及wifi驱动

风流意气都作罢 提交于 2021-02-01 07:44:54
一、WPA_SUPPLICANT简介 1. 什么是wpa_supplicant wpa_supplicant is a WPA Supplicant for Linux, BSD, Mac OS X, and Windows with support for WPA and WPA2 (IEEE 802.11i / RSN). It is suitable for both desktop/laptop computers and embedded systems. Supplicant is the IEEE 802.1X/WPA component that is used in the client stations. It implements key negotiation with a WPA Authenticator and it controls the roaming and IEEE 802.11 authentication/association of the wlan driver. wpa_supplicant is designed to be a "daemon" program that runs in the background and acts as the backend component controlling the

Python——sklearn 中 Logistics Regression 的 coef_ 和 intercept_ 的具体意义

泄露秘密 提交于 2021-01-25 03:56:35
sklearn 中 Logistics Regression 的 coef_ 和 intercept_ 的具体意义 ​ 使用 sklearn 库可以很方便的实现各种基本的机器学习算法,例如今天说的逻辑斯谛回归(Logistic Regression),我在实现完之后,可能陷入代码太久,忘记基本的算法原理了,突然想不到**coef_ 和 intercept_**具体是代表什么意思了,就是具体到公式中的哪个字母,虽然总体知道代表的是模型参数。 正文 我们使用 sklearn 官方的一个例子来作为说明,源码可以从 这里 下载,下面我截取其中一小段并做了一些修改: import numpy as np import matplotlib.pyplot as plt from sklearn.datasets import make_blobs from sklearn.linear_model import LogisticRegression # 构造一些数据点 centers = [[-5, 0], [0, 1.5], [5, -1]] X, y = make_blobs(n_samples=1000, centers=centers, random_state=40) transformation = [[0.4, 0.2], [-0.4, 1.2]] X = np.dot(X,

JAVA day1 基础知识

坚强是说给别人听的谎言 提交于 2020-12-23 20:34:42
一、windows命令   dir:查看文件   cd:打开文件 二、java的编译和运行 编译:     javac 源文件名   一个类编译后会对应一个.class文件 运行:   java 类名 三、类 一个源文件内可以写很多类。 在一个类前面加一个public,是一个公开类。 ps:一个源文件内只能定义一个公开类,公开类的类名必须和文件名完全相同 CLASSPATH:执行编译器和JVM,告诉java执行环境,在哪里可以找到所要执行的java程序所需要的类或者包。 四、包 类 ---> .class文件 包 === 目录 包的名字要放置到代码的最前端 运行:   java 包.类名      (全限定名) eg:   java p1.Hello   JVM会根据CLASSPATH(.)在当前目录下,找p1子目录,并在这个子目录中找到Hello.class -d:生成的.class文件自动放入包文件 eg:   javac -d . Hello.java   javac是编译 -d是打包 .是代表当前目录 hello.java是要编译的java程序 比如前面是C:\>那么你所输入的命令就代表在c盘根目录下进行操作.如果你想要把生成的.class文件放在其他位置比如d盘根目录,那么命令就变为javac -d d:\ hello.java 五、包的引入 import: ps:  

最近学习相关序列模型的一点记录

女生的网名这么多〃 提交于 2020-03-27 10:09:33
3 月,跳不动了?>>> 之前看了一个用rnn作诗、写文章比较典型的例子: https://github.com/hzy46/Char-RNN-TensorFlow 其训练过程: 假设batchsize=2,序列长度为5,原文章:12345642985718041937... 输入x:[[1 2 3 4 5],[6 4 2 9 8]],尺寸2x5 输出y:[[2 3 4 5 1],[4 2 9 8 6]],尺寸2x5, 后一个字是前一个字的输出,最后一个字的输出用第一个字替换(也可以用结束符) 分别one-hot表示: x:[[0100000000, 00100..., 00010..., 000010...., 000001....],[..., ..., ..., ..., ...]] ,尺寸2 x 5 x n_class y:[[00100...., 00010..., 000010...., 000001....,0100000000],[..., ..., ..., ..., ...]],尺寸2 x 5 x n_class 输入x到RNN: x_out, x_state = RNN(x), x_out:(分别对应序列中每个字符的输出),尺寸:2 x 5 x h_size x_state:(序列最后状态向量),尺寸:2 x h_size 增加输出层: logits = tf

KTV歌曲推荐-PCA降维+逻辑回归-性别预测及过拟合处理

匆匆过客 提交于 2020-03-06 14:59:47
前言 上一篇使用逻辑回归预测了用户性别,由于矩阵比较稀疏所以会影响训练速度。所以考虑降维,降维方案有很多,本次只考虑PCA和SVD。 PCA和SVD原理 有兴趣的可以自己去研究一下 https://medium.com/@jonathan_hui/machine-learning-singular-value-decomposition-svd-principal-component-analysis-pca-1d45e885e491 我简述一下: PCA是将高维数据映射到低维坐标系中,让数据尽量稀疏 SVD就是非方阵的PCA 实际使用中SVD和PCA并无太大区别 如果特征大于数据记录数,并不能有好的效果,具体原因自己可以去看。 代码 数据获取和处理 以前文章写过很多次,这里略过 原数据shape为:2000*1900 PCA和矩阵转换 查看最佳维度数 %matplotlib inline import numpy as np import matplotlib.pyplot as plt from sklearn.decomposition import PCA pca = PCA().fit(song_hot_matrix) plt.plot(np.cumsum(pca.explained_variance_ratio_)) plt.xlabel('number of

KTV歌曲推荐-逻辑回归-用户性别预测

↘锁芯ラ 提交于 2020-03-03 19:13:59
前言 上一篇写了推荐系统最古老的的一种算法叫协同过滤,古老并不是不好用,其实还是很好用的一种算法,随着时代的进步,出现了神经网络和因子分解等更优秀的算法解决不同的问题。 这里主要说一下逻辑回归,逻辑回归主要用于打分的预估。我这里没有打分的数据所以用性别代替。 这里的例子就是用歌曲列表预判用户性别。 什么是逻辑回归 逻辑回归的资料比较多,我比较推荐大家看刷一下bilibili上李宏毅老师的视频,这里我只说一些需要注意的点。 网络结构 逻辑回归可以理解为一种单层神经网络,网络结构如图: 激活函数选择 逻辑回归一般选sigmoid或者softmax 图的上半部分就是二元逻辑回归激活函数是sigmoid 图的下半部分是多元逻辑回归没有激活函数直接接了一个softmax 别问我啥是sigmoid啥是softmax,问就是百度。 损失函数选择 损失函数逻辑回归常用的有三种(其实有很多不止三种,自己查API喽): binary_crossentropy categorical_crossentropy sparse_categorical_crossentrop 这里其实用binary更合适,但是我这里选的categorical_crossentropy,因为我懒得改了,而且我后面会做其他功能 梯度下降选择 梯度下降方式有很多,我这里选择随机梯度下降,sgd其实我觉得adam更合适,看大家心情了