（留存备忘，转自author：骆昊）计算机网络基础计算机网络是独立自主的计算机互联而成的系统的总称，组建计算机网络最主要的目的是实现多台计算机之间的通信和资源共享。今天计算机网络中的设备和计算机网络的用户已经多得不可计数，而计算机网络也可以称得上是一个“复杂巨系统”，对于这样的系统，我们不可能用一两篇文章把它讲清楚，有兴趣的读者可以自行阅读Andrew S.Tanenbaum老师的经典之作《计算机

目录完整代码matlab：python版本：（待完善）官方：完整代码matlab：参见：https://blog.csdn.net/Crystal_remember/article/details/119529529python版本：（待完善）def perlin_noise():passdef srgb2lrgb(I0):gamma = ((I0 + 0.055) / 1.055)**2.4sc

背景参加了2021年全国研究生数学建模竞赛，组队算上我一共三人，由于第一次参加，之前都没有参加过比赛，没有经验，开赛第一天一块商量了选择哪个题目，确定了空气质量预报，第二天分配了下工作，开始做题。历程我的任务是对数据进行处理，并做第1、2题。经验不足导致我花了将近两天的时间对数据进行处理，好在小伙伴们都不划水，能够容忍我的速度。处理的过程中，一度便想放弃... 但是我的任务数据预处理是所有题目得先

目录背景方法结论挖坑，超分辨率重建。一直关注超分辨重建任务，最近着力研究超分辨率重建，随着我个人的任务进行，我会逐渐更新完善本栏目，将写一些经典方法的介绍，超分辨率重建的较为系统的学习，代码复现等。才疏学浅，多多指教。背景待补充方法待补充结论待补充...

三、实验原理：1、 条件随机场:生成式概率图模型是直接对联合分布进行建模，如隐马尔可夫模型和马尔可夫随机场都是生成式模型。判别式概率图模型是对条件分布进行建模，如条件随机场Conditional Random Field:CRF。条件随机场是用来标注和划分序列结构数据的概率化结构模型。对于给定的输出，标识序列Y和观测序列X，条件随机场通过定义条件概率P(Y|X)，而不是联合概率分布P(X, Y)来

imageio.get_reader(uri, format=None, mode='?', **kwargs)参数uri:{str, pathlib.Path, file}读取的源，例如文件名、pathlib.path、http地址或文件对象，format:str用于读文件，默认系统基于文件名选择合适的.mode:{‘i’, ‘I’, ‘v’, ‘V’, ‘?’}用来读取的文件的格式（ “i”

背景：计算深度学习模型参数量有现成的脚本可供使用，如下。简单的使用方法参考了代码【2】依赖包介绍：pytorch框架中卷积网络的flops计数器：ptflops安装：pip install --upgrade git+https://github.com/sovrasov/flops-counter.pytorch.git##or#pip install ptflops说明【1】：此脚本用于计算乘

风扇：利民c12cw20*4。电源：振华1600w(买大了)1900。内存：金百达DDR516g*2 （可以买大点）280*2。

github无法访问或者访问速度过慢，可以访问https://gitee.com/创建gitee账号，新建仓库：然后 点击导入 输入github的网址（如https://github.com/tensorflow/docs）即可：通过此种方式访问仓库快，下载也快。如果通过命令!pip install -q git+https://github.com/tensorflow/docs安装tensor

pairplot(data,hue,palette,x_vars,y_vars,kind,diag_kind,markers,height,aspect,corner,dropna,plot_kws,diag_kws)参数:data--要绘制的数据,为DataFrame类型;hue--取值为data中的列索引,为分组变量,根据不同颜色来区分各个变量;palette--为seaborn库颜色面板取值