处理三维旋转问题时，通常采用旋转矩阵的方式来描述。一个向量乘以旋转矩阵等价于向量以某种方式进行旋转。除了采用旋转矩阵描述外，还可以用旋转向量来描述旋转，旋转向量的长度（模）表示绕轴逆时针旋转的角度（弧度）。旋转向量与旋转矩阵可以通过罗德里格斯（Rodrigues）变换进行转换。     算法过程如下：式中，norm为求向量的模。反变换也可以很容易的通过如下公式实现：

.tar.gz和.gz文件是两种不同的文件，需要区别对待，解压命令当然也不同咯，下面来分享一下他们各自的解压方法。1. .tar.gz文件，这种文件是tar文件的压缩文件，可以使用tar命令进行解压。例如：解压：tar zxvf pythontab.tar.gztar -xjvf httpd-2.4.4.tar.bz2解压文件到指定文件夹： tar xzvf ...

一、中文文本分类流程：1. 预处理2. 中文分词3. 结构化表示-构建词向量空间4.权重策略-TF-IDF5. 分类器6. 评价二、具体细节1.预处理    1.1. 得到训练集语料库    本文采用复旦中文文本分类语料库，下载链接：https://download.csdn.net/download/laobai1015/10431543    1.2 得到测试集语料库    同样采用复旦中文文

1.sorted函数首先介绍sorted函数，sorted(iterable,key,reverse)，sorted一共有iterable，key，reverse这三个参数。其中iterable表示可以迭代的对象，例如可以是dict.items()、dict.keys()等，key是一个函数，用来选取参与比较的元素，reverse则是用来指定排序是倒序还是顺序，reverse=true则是...

开门见山，前段时间学习OpenCV的FAST算法，中间有很多SSE2的指令集，深受其惑。下面我把学习过程中学到的一些指令集介绍给大家，希望能对大家有所帮助！__m128i被称为128bits的整数，对其进行赋值时，可以调用__m128i_mm_set1_epi8或者__m128i_mm_set1_epi816等，前者就是把128bits设置为16个8bits的整数值，后一个例子就是把128bi

“结巴”中文分词：最好的 Python 中文分词组件特点：支持三种分词模式：精确模式，试图将句子最精确地切开，适合文本分析；全模式，把句子中所有的可以成词的词语都扫描出来, 速度非常快，但是不能解决歧义；搜索引擎模式，在精确模式的基础上，对长词再次切分，提高召回率，适合用于搜索引擎分词。支持繁体分词支持自定义词典MIT 授权协议安装说明：代码对 Python 2/3 均兼容全自动安装：easy_i

基于sklearn的文本分类—逻辑回归本文是文本分类的第一篇，记录使用逻辑回归进行文本分类任务，数据集下载地址:http://thuctc.thunlp.org/文本分类的主要内容如下: - 1.基于逻辑回归的文本分类 - 2.基于朴素贝叶斯的文本分类 - 3.使用LDA进行文档降维以及特征选择 - 4.基于SVM的文本分类 - 5.基于多层感知机MLPC的文本分类 - 6.基于卷积神经网络词级别

SGM算法源于《Stereo Processing by Semi-Global Matching and Mutual Information》一文，我认为这篇文章是立体匹配算法中最给力的，放眼KITTI可以发现目前排名前五十的算法几乎一半都是对SGM的改进，具有最强的实用价值。SGM中文名称“半全局匹配”，顾名思义，其介于局部算法和全局算法之间，所谓半全局指的是算法既没有只考虑像素的局...

bm25 是什么？bm25 是一种用来评价搜索词和文档之间相关性的算法，它是一种基于概率检索模型提出的算法，再用简单的话来描述下bm25算法：我们有一个query和一批文档Ds，现在要计算query和每篇文档D之间的相关性分数，我们的做法是，先对query进行切分，得到单词$q_i$，然后单词的分数由3部分组成：query中每个单词和之间的相关性单词$q_i$和D之间的相关性每个单词的权重最后对于

写在最前：在安装过程中遇到很多坑，一开始自己从官网下载了Python3.6.3或者Python3.6.5或者Python3.7.1等多个版本，然后直接pip install tensorflow或者从https://www.lfd.uci.edu/~gohlke/pythonlibs/下载制定的tensorflow版本，但都没有成功，在测试过程总会出现“Failed to load the n..