概述在我的上一篇博客散列表（上）——开放定址法 主要讲述了开放定址法的三种思路：线性探测法，平法探测法，双散列法三种思路，以及线性探测的代码实现。在这篇博客里，主要讲解第二中解决冲突的办法——分离链接法。分离链接法分离链接法的思想就是：将相应位置上冲突的所有关键词存储在同一个单链表中。主要办法是，构造以所有可能地址的为头的单链表数组。对于单链表的相关操作已经在之前的博客详细讲述了，如有需要请移步我

概述在这篇博客中我主要讲解最短路径算法中的Floyd算法，这是针对多源最短路径的一个经典算法。对于单源最短路径算法请详见我的另一篇博客：最短路径算法（上）——迪杰斯特拉（Dijikstra）算法弗洛伊德（Floyd）算法是解决任意两点间的最短路径的一种算法，可以正确处理有向图或有向图或负权（但不可存在负权回路)的最短路径问题，同时也被用于计算有向图的传递闭包。算法思想与过程（一）算法思想：Flo

概要这题利用二叉搜索树的特性：左子树的所有的关键字小于根节点的关键字，右子树的所有关键字都大于根结点 的关键字。二叉搜索树的中序遍历一定是个有序序列。根据这一特性可以利用二叉树的非递归中序遍历来解答这个问题。算法思路1）初始化堆栈为空，设置data为当前根节点的键值，设置cur指向根节点，标志位flag为true。2）若cur->lchild非空，那么如果cur->lchild的键值小于data

概述单源最短路径问题，即在图中求出给定顶点到其它任一顶点的最短路径。在弄清楚如何求算单源最短路径问题之前，必须弄清楚最短路径的最优子结构性质。最短路径的最优子结构性质描述为：如果P(i,j)={Vi….Vk..Vs…Vj}是从顶点i到j的最短路径，k和s是这条路径上的一个中间顶点，那么P(k,s)必定是从k到s的最短路径。下面证明该性质的正确性。假设P(i,j)={Vi….Vk..Vs…Vj}是从

概要在之前的一篇文章中，我们介绍了Win10+Python3环境下安装LabelImg数据标注工具的教程，读者如有需要在WIn10环境使用LabelImg数据标注工具，请移步：Win10+Python3环境下安装LabelImg数据标注工具。接下来我们来介绍LabelImg在Ubuntu下的安装流程。安装流程由于Ubuntu自带Python3环境，因此直接使用pip进行安装labelImg...

这是《机器学习实战》中的第五章Logistic回归知识的整理以及自己的一些私人理解，之后运用原理对周志华的《机器学习》中的西瓜数据进行分类。（PS：因为上述两本书以及网易公开课上的斯坦福的机器学习视频都在同时看，所以博客可能有点杂。）最后希望给一起学习机器学习的同学一些帮助。资源也已经上传了，名称叫做Logistic回归笔记及代码。链接为:http://download.csdn.net/deta

前言在上一篇博文：【计算机视觉——RCNN目标检测系列】一、选择性搜索详解我们重点介绍了RCNN和Fast RCNN中一个重要的模块——选择性搜索算法，该算法主要用于获取图像中大量的候选目标框。为了之后更加顺利理解RCNN模型，在这篇博文中我们将主要介绍RCNN及其改进版本——Fast RCNN和Faster RCNN中一个重要模块——边界框回归（Bounding-Box Regression）.

主要介绍如何从零到一完成深度学习Docker镜像配置

本文主要介绍了从零到一保姆级Ubuntu深度学习服务器环境配置教程

主要介绍如何从零到一完成深度学习Docker镜像配置