之前我写过如何在Window10系统中配置Anaconda3，目的是为了方便更好地管理Python环境。今天记录在Linux上配置Anaconda3的原因也很简单，一些深度学习的模型在Linux上才能得到最好的支持，所以趁着周末，配置了一波虚拟机+Ubuntu18.04+AnacondaWindows系统配置Anaconda：这可能是一篇最贴心的Anaconda指北了（踩坑点）1 下载安装VMwa

先一笔带过MySQL的基本使用说明import"database/sql"_ "github.com/go-sql-driver/mysql"启动MySQL数据库db, err := sql.Open("mysql", "db_username:dbpassword@/dbname?charset=utf8")if err != nil {fmt.Println(">...

1 开启虚拟机的共享文件夹配置首先在虚拟机中打开设置，在选项中点击共享文件夹，启用该功能并配置文件夹路径添加的文件夹就是电脑系统中的文件夹主机路径，比如这里我用的D盘中的ShareVMware文件夹2 安装或升级VMware Tools这一步是必不可少的，否则可能会出现找不到hgfs文件夹/hgfs下无共享文件夹等情况下载好之后，会出现如下文件，现在需要对VMware Tools进行解压安装在该目

简单来说就是，ssh配置没动，前两天还可以用vscode连接服务器，今天突然就连不上了，但是用本地终端ssh可以顺利连接。

不能太小，如果他们足够大，那么根据目前的计算机技术和其他工具，至今也没能从。足够大（1024足够），基本上不可能从公钥信息推出私钥信息。最大公因数为1（互质），因此保证step 4生成解密密钥。首先选取两个互为质数的数。也就是说，只要密钥长度。根据欧拉函数，不大于。

1 配置好Python环境这个默认是已经配置好了，也能在编辑器正常编译运行Python程序。同时，也能正常使用pip包管理工具进行第三方库的下载安装。或者，根据自己的环境需要，能进入到自己的Python虚拟环境下工作，命令：activate env_name。如上均是下载安装whl文件的前提条件，这里不会展开说明…2 安装wheelpip install wheel3 下载whl轮子文件（重点是如

学习端到端深度学习之前，插一句话，很快嗷，就到了结构化机器学习的最后一部分！在之前的课程中，学习了神经网络与深度学习和神经网络的改善策略，最近这部分学习了机器学习策略。我认为其中非常多的内容不仅仅是知识层面，更是具有启发意义的，比如迁移学习、语音处理、目标检测这些都可以作为我们未来的研究方向。一、端到端的深度学习在语音处理中，有这样的做法：audio→features→phonemes→words

开始刚开始写session的时候，走了点“弯路”，自己跟着封装sessions的思路去封装了一个sessions包，其实可以直接用现成封装好的sessions包来使用sessions功能。代码大纲：准备工作https://github.com/gin-contrib/sessions同时需要依赖包https://github.com/gorilla/sessions其实当时报错缺...

之前，我通过scp命令把代码上传到服务器后，在终端ssh连接服务器，通过一系列的Linux命令进行数据集和模型的操作。其实cd ls这些命令都还很方便，但是当我需要查看或修改源码时，用vim编辑总是不能给我舒适的体验。甚至，服务器上的vim有时会出现排版或编写时bug（注：我不是说vim不方便，vim实际上是Linux系统强大的工具，而是最近我在服务器上遇到了vim的一些bug ~ 可以理解为我的

文章目录一、算法介绍二、距离度量三、K值的选择四、算法流程一、算法介绍KNN（K Near Neighbor）：k个最近的邻居，即每个样本都可以用它最接近的k个邻居来代表。KNN算法属于监督学习方式的分类算法，我的理解就是计算某给点到每个点的距离作为相似度的反馈。简单来讲，KNN就是“近朱者赤，近墨者黑”的一种分类算法。要区分一下聚类（如Kmeans等），KNN是监督学习分类，而Kmeans是无监