vector的使用，首先添加头文件 vector 是封装动态数组的顺序容器。元素相继存储，不仅可通过迭代器，还能用指向元素的常规指针访问元素。vector 的存储是自动管理的，按需扩张收缩； vector 通常占用多于静态数组的空间，因为要分配更多内存以管理将来的增长； vector 所用的方式不在每次插入元素时，而只在额外内存耗尽时重分配。函数接口（c++20）：函数作用：将 other 中的

二、变量2.1 变量基本概述变量是程序的基本组成单位，变量相当于内存中一个数据存储空间的表示，你可以把变量看做是一个房间的门牌号，通过门牌号我们可以找到房间，从而通过变量名可以访问到变量(值)。变量应该有名字，并在内存中占据一定的存储单元；变量名和变量值有不同的含义；变量名实为一个符号地址2.1.1 变量的使用步骤：//（1）声明变量：int num;//（2）赋值：num = 60;// (3)

十五、文件15.1 C 文件概述所谓“文件”是指一组相关数据的有序集合。这个数据集有一个名称，叫做文件名。文件通常是驻留在外部介质(如磁盘等)上的，在使用时才调入内存中来。从不同的角度可对文件作不同的分类。从用户的角度看，文件可分为普通文件和设备文件两种。普通文件 是指驻留在磁盘或其它外部介质上的一个有序数据集，可以是源文件、目标文件、可执行程序；也可以是一组待输入处理的原始数据，或者是一组输出的

基本定义卷积神经网络(convolutional neural network, CNN)，是一类包含卷积计算且具有深度结构的前馈神经网络。卷积神经网络是受生物学上感受野（Receptive Field）的机制而提出的。卷积神经网络专门用来处理具有类似网格结构的数据的神经网络。例如，时间序列数据（可以认为是在时间轴上有规律地采样形成的一维网格） 和图像数据（可以看作是二维的像素网格）。1.卷积层（

模式识别中，分类识别的正确率取决于对象的表示、训练学习和分类识别算法，特征提取与选择问题是对象表示的一个关键问题。基于可分享度量的特征提取与选择通常在得到实际对象的若干具体特征之后，再由这些原始特征产生出对分类识别最有效、数目最少的特征，这就是特征提取与选择的任务。从本质上讲，我们的目的是使在最小维数特征空间中异类模式点相距较远（类间距离较大），而同类模式点相距较近（类内距离较小）。 实现特征提取

特征表达特征特征是机器学习系统的原材料，对最终模型的影响是毋庸置疑的；如果数据被很好地表达成了特征，通常线性模型就能达到满意的精度。关于特征，需要考虑以下三方面：（1）特征表示的粒度需要考虑，模型在一个什么程度上的特征表示，才能发挥效果？以图片为例，像素级的特征完全没有价值，从中得不到任何可用于分类或识别的信息。当特征具有结构性（有意义）的时候，算法才能起作用，即将输入空间通过某种规则映射到特征空

基本定义卷积神经网络(convolutional neural network, CNN)，是一类包含卷积计算且具有深度结构的前馈神经网络。卷积神经网络是受生物学上感受野（Receptive Field）的机制而提出的。卷积神经网络专门用来处理具有类似网格结构的数据的神经网络。例如，时间序列数据（可以认为是在时间轴上有规律地采样形成的一维网格） 和图像数据（可以看作是二维的像素网格）。1.卷积层（

进化策略（Evolution Strategies，ES）作为一个生物学类比，进化策略将问题的解决方案模型化为物种，而不是像之前描述的其他算法那样（多重变量的个体种群正态分布在适应度空间中）。因此，这些种群有能力去进化自己的进化能力来使他们适应他们所处的环境。如果说EP是基于行为进化的，那么ES则是基于进化的进化的（对进化这一行为本身进行进化）。尽管都是利用变异、交叉（重组），但在操作上，ES同E