下面将讲解一下STM32中的定时器TIM的一些基本操作。这同样也是考试的重点内容之一，比较光自己看一遍印象还是不深刻，写篇博客就会逼自己去弄得更明白一点。1.软件延时：CPU执行一段“空”程序实现延时优点：不需要添加额外的硬件设备，简单易实现缺点：占用CPU时间，精度受中断及CPU主频时钟影响2.硬件延时电路：采用附加的数字电路（如555单稳态芯片）产生特定的延时。优点：不占用CPU时间缺点：改变

首先需要修改代码，将setMaster(“local[*]”)删了。点击-号，这些全删了，留最后一个compile output即可。然后需要进行瘦身，把不需要的包删了，这样打包出来就比较小了。然后选择spark文件里的jars下所有的jar包。同时点击一下，我们也可以看到打包后存放的路径。其中路径得你自己集群的文件路径才能运行成功。点击Project Structure。跳出这个，点击rebui

支持向量机就是寻找一个超平面，将不同的样本分分隔开来，其中间隔分为硬间隔和软间隔，硬间隔就是不允许样本分错，而软间隔就是允许一定程度上样本存在偏差，后者更符合实际。支持向量机思路简单但是求解过程还是比较复杂，需要将原函数通过拉格朗日乘子法并附上KKT条件是的问题有强对偶性，再使用SMO等算法进行高效的求解。机器学习之支持向量机之线性可分型原理介绍及代码实现（SVM）下面主要实现模型的求解方法。

python打包成可执行文件用pyinstaller即可完成但是如果需要考虑传参和读取文件，就显得不是那么丝滑了。（找了蛮久才解决的）下面将展示如何完成打包后的exe文件实现能够传参+读取文件首先在同一目录创建两个文件test.txt的内容如下：aaaa.py的内容如下：import osimport syspath = os.path.dirname(os.path.dirname(os.pat

深度学习log日志还是蛮重要的，print出来还不够，还得保存一下，目前找到的最方便的就如下所示了。

正则化主要解决模型过拟合问题，主要是通过减小w的值，即模型的权重来缓解过拟合的。可以看这么一张图，需要一条曲线去拟合图上x的点。可以看到粉色的线将噪声点都考虑进去了，属于过拟合。绿色的线能够比较好的拟合点，是我们期望的模型。蓝色的线是一条直线，没学到什么大小，属于欠拟合我们使用手写数据集的数据：链接：https://pan.baidu.com/s/1nxISO_v-MhEyqin7qYqWZw?p

虽然情绪分析任务中通常根据输入文本中的关键意见表达来确定给定目标的情绪极性，但在隐式情绪分析（ISA）中，意见线索通常是隐含或者模糊的。因此，检测隐含情绪需要常识和多跳推理能力来推断意见的潜在意图。在思想链（CoT）思想的启发，本文引入了一个三跳推理（THOR）CoT框架来模拟ISA的模拟人类推理的过程。THOR设计了一个三步提示原则，逐步诱导隐含的方面、观点，最后是情绪的极性。THOR+Flan

Malthus模型6.15很明显可以知道当x(0) = x0，对x(t)对t求导之后导数为r * x0 *e^rt = r * x(t)，符合6.14的条件。但是很明显，这样的模型肯定是不符合实际规律的，因为人口不可能随时间无限增长的，需要对模型进行修正。阻滞增长型（Logistics模型）即将原来人口增长的常数变为随基数而递减的线性关系，表明当人口达到一定数量时，人口便不会再继续增长下面展示一道

昨天写的GCN的一篇文章入榜了，可喜可贺。但是感觉距离我的目标还是有点远，因为最后要用R-GAT，我感觉可能得再懂一点R-GCN和GAT才可能比较好的理解R-GAT，今天就尝试一下把R-GCN搞搞清楚吧（至少得读懂DGL官方给的代码吧）R-GCN和GCN的区别就在于这个R。R-GCN考虑了关系对消息传播的影响。带你快速理解R-GCN（relational-GCN）看看b站这个视频就应该能够比较形象

这篇博客主要是为了记录一下一套完整的深度学习模型的流程，方便以后好copy数据预处理其实比较重要，不过看模型喂入数据的格式就知道应该将数据处理成什么样了，过程肯定仁者见仁，智者见智，这里就不介绍了。这个主要是为了让你训练的时候，能够根据训练结果来决定是否结束训练，如果测试集损失一直在升高，就没必要训练了。R-GAT模型这个以前讲过，用的就是异构图卷积，可以参考基于注意力机制的图神经网络且考虑关系的