目录一、顺序队列1、存储结构2、入队和出队一、顺序队列队列特征：先进后出、后进后出。1、存储结构//队列typedef struct{int data[MAXSIZE];int front;int rear;}SqQueue;SqQueue Q;2、入队和出队入队：从队尾放入元素，rear++出队：从队首取出元素，front++总代码//顺序队列//主要用front和rear分别指向队首和队尾//

目录哈夫曼编码（最优二叉树）优势：缩短电文长度思想：过程：图解实现过程：总代码哈夫曼编码（最优二叉树）一、优势：缩短电文长度二、思想：获取每个字符出现的频率，用一个大小为[256]的数组保存（因为ASCII码是256个），最后作为每个字符的权重。权重越大，意味着出现频率越大，希望它的码长越短，这样总体电文最小。最后把这些字符（不重复部分）、权重依次放入结点中，把这些结点作为一个个元素，从小到大依次

目录一、前序遍历二、中序遍历三、后序遍历前中后序遍历总代码四、层序遍历（队列实现(主流)）总代码五、层序遍历（链队列实现(自创)）总代码二叉树的遍历分为前序、中序、后序以及层序遍历。前中后序是按照根结点的访问顺序来确定的，前中后序遍历的核心都是递归。一、前序遍历访问顺序：根->左->右普通二叉树遍历（前序）：ABDCG扩展二叉树遍历（前序）：ABD###C#G##实现顺序：1、生成根结

目录一、获取并绘制图像二、手写卷积1、设置卷积核及权重2、卷积2-1、卷积实现2-2、 限值2-3、图像赋值2-4、显示卷积代码三、手写池化1、创建图像2、遍历池化3、显示图像池化代码总代码一、获取并绘制图像import cv2import numpy as np# 从scipy库中获取名为"上升"的图像。这是一张漂亮的内置图片，有很多角度和线条from scipy import miscimag

目录一、循环神经网络RNN介绍二、Elman network && Jordan network三、RNN的多种架构1、一对一2、多对一3、多对多4、 一对多5、Seq2Seq四、传统RNN的缺点一、循环神经网络RNN介绍循环神经网络 RNN 的基本结构是 BP 网络的结构，也是有输入层，隐藏层和输出层。只不过在 RNN 中隐藏层的输出不仅可以传到输出层，并且还可以传给下一个时刻的

在使用conda创建新环境时，出现Collecting package metadata (current_repodata.json): failed的问题，尝试了很多方法都没有解决，最后无意中通过大佬的博客解决了。大佬博客链接：https://www.jianshu.com/p/b1e4f33f975a。首先找到C:/User/Mars>下的.condarc文件，使用记事本打开。然后将一下内容

张量表示图片：缩放图片到统一大小：数据格式

目录一、神经网络架构1、结构与意义2、过程1、输入数据，得到输入层2、得到隐藏层13、得到隐藏层24、得到输出层二、神经元数量一、神经网络架构1、结构与意义神经网络一层一层地处理。输入层（input layer）有多少个圈，代表输入数据多少。隐层没有特定的含义，它只是一个数值，便于计算机更好地认识，隐层和每个输入层全连接。2、过程1、输入数据，得到输入层2、得到隐藏层1先输入数据，通过输入层[1*

目录一、读取数据二、设置特征值和目标值三、数据处理1、缺失值处理2、特征值转换为字典四、划分数据集五、特征工程（特征值提取）六、获取决策树预估器，训练七、模型评估方法一：比对方法二：计算得分总代码一、读取数据资源下载链接1（推荐）：https://download.csdn.net/download/great_yzl/22363793资源下载链接2（不推荐）：https://pan.baidu.

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