目录pandas.set_option()：控制打印的行列使用方式实战1、读取数据，发现问题2、显示行列总代码参考资料：pandas.set_option()：控制打印的行列参数介绍：compute.[use_bottleneck, use_numexpr]display.[chop_threshold, colheader_justify, column_space, date_dayfirst

一、折半查找（二分查找）流程：开始时，min标志首，max标志尾，medium=(min+max)/2。然后即可开始查找，判断str[medium]和要查找的值是否相等：1、相等：min = medium+1 2、不相等：max=medium-1//折半查找（注：前提是有序序列）int Binary_Search(char ch){int min = 0, max = strlen(str)-1;

目录一、基础理论二、实战1、对x方向微分2、对y方向微分3、线性混合总代码参考资料一、基础理论Sobel算子：用于边缘检测的离散微分算子。梯度公式：对于图像而言，它是离散的，所以h的最小值只能是1了，那么这意味着，图像中某个像素位置的梯度（以x方向为例）等于它左右两个像素点的像素之差除以2。例：假设有一行像素是这样分布的：123 155 173那么，像素值为155的像素位置x方向的梯度为（173

在没有显示屏没有网线的情况下，能用的方法好像只有连接无线网然后通过服务器管理界面或者用软件找ip地址。发现了一个非常好用的法子，电脑连接wifi，然后开wifi热点，树莓派采用tf卡配置WiFi文件的时候，ssid和psk写成电脑热点的账号和密码，然后如果树莓派连接成功，电脑热点界面直接就会显示树莓派的ip地址。...

目录一、得分函数1、10分类2、5分类二、损失函数0、引言1、损失函数（数据损失）2、损失函数应用3、损失函数（数据损失与正则化惩罚项）三、概率一、得分函数1、10分类W：权重参数，类别个数（决定性参数）b：偏置，微调参数（非决定性参数）x：像素点个数。3072：3072:32*32*3 = 3072（3072个像素点）10：10个类别每个类别都有其各自的权重。（如w1类别可以是猫，w2类别可以是

一、概念与定义BP神经网络：是一种按照误差逆向传播算法训练的多层前馈神经网络。BP 算法的基本思想：学习过程由信号的正向传播和误差的反向传播两个过程组成。正向传播：把样本的特征从输入层进行输入，信号经过各个隐藏层逐层处理后，最后从输出层传出。反向传播：对于网络的实际输出与期望输出之间的误差，把误差信号从最后一层逐层反传，从而获得各个层的误差学习信号，再根据误差学习信号来修正各个层神经元的权值。周而

目录一、基础理论二、身高体重预测性别1、获取数据（男女生身高体重）2、数据处理（合并数据）3、设置标签4、创建分类器（支持向量机）4-1、创建svm分类器4-2、设置分类器属性（线性核）5、训练6、预测总代码一、基础理论SVM本质：寻求一个最优的超平面进行分类。（分类器）SVM核：支持很多核（这里主要使用线性核）左图分类比较简单，一条线就可以分类；但右图一条线明显无法完成分类，这时则需要多条线甚至

目录一、拟合线性函数1、生成随机坐标2、神经网络拟合代码二、拟合非线性函数1、生成二次随机点2、神经网络拟合代码一、拟合线性函数学习率0.03，训练1000次：学习率0.05，训练1000次：学习率0.1，训练1000次：可以发现，学习率为0.05时的训练效果是最好的。1、生成随机坐标1、生成x坐标2、生成随机干扰3、计算得到y坐标4、画点# 生成随机点def Produce_Random_D..

目录感知机（神经元）一个感知机：两个感知机：三个感知机：神经网络例（神经网络）感知机（神经元）感知机是集语音、文字、手语、人脸、表情、唇读、头势、体势等多通道为一体的,并对这些通道的信息进行编码、压缩、集成、融合的计算机智能接系统。一个感知机：可以发现处理效果不咋样，只能处理一部分数据。两个感知机：处理效果比刚才好了很多。三个感知机：可以发现处理效果已经很不错了，比刚才好了很多。一个感知机解决不了

目录感知机（神经元）一个感知机：两个感知机：三个感知机：神经网络例（神经网络）感知机（神经元）感知机是集语音、文字、手语、人脸、表情、唇读、头势、体势等多通道为一体的,并对这些通道的信息进行编码、压缩、集成、融合的计算机智能接系统。一个感知机：可以发现处理效果不咋样，只能处理一部分数据。两个感知机：处理效果比刚才好了很多。三个感知机：可以发现处理效果已经很不错了，比刚才好了很多。一个感知机解决不了