全部每周作业和视频思考题答案和解析 见浙江大学 数据结构 思考题+每周练习答案题目1：一个大小为11的散列表，散列函数为H(key)=keymod 11，采用线性探测冲突解决策略。如果现有散列表中仅有的5个元素均位于下标为奇数的位置，问：该散列表的平均不成功查找次数是多少？A. 6/11B. 1C. 16/11D. 不确定解答：如上图，...

虽然我更倾向于使用邻接矩阵来实现图的算法，但是邻接表也不得不用一下，这里整理了一个可以直接运行查看结果的版本：输入数据：4 5为顶点数和边数，然后是5行数据，每行前两个代表边的顶点索引，第三个代表边的权重4 50 1 11 3 20 3 40 2 22 3 1函数列表：GGraph* CreateGraph(int VertexNum) 创建一个图void Inse...

全部每周作业和视频思考题答案和解析 见浙江大学 数据结构 思考题+每周练习答案汇总判断题：答案：F T F T F T F F T F1-1 若一个结点是某二叉树的中序遍历序列的最后一个结点，则它必是该树的前序遍历序列中的最后一个结点。(3分)TF如果该树根只有左子树，则根节点为最后遍历到的节点，且是前序遍历的第一个节点。1-2 一棵有124个结点...

蒙特卡洛光线追踪技术系列见蒙特卡洛光线追踪技术上一节说过，结束后会单独写一节关于前面所有知识的梳理和总结。这一节不可能会特别短，但很可能会特别长，因为以前的程序都写完了，这一节基本上不会写程序，而全部都是原理的详细分析（超级详细！）。就让我们做好心理准备，开始走入MC的世界。一、MC与积分首先还是我们要进行的积分：结果就是下图中蓝色区域的面积：其实也很好使用MC方法，产生一堆横坐标0-2，纵坐标0

体渲染技术的起源和发展-精品文（超长预警）Table of Contents体渲染数学方法和模型理论介绍吸收发射和散射吸收项：发射项：体渲染数学方法和模型Hege等人在1993年发布的文章中具体阐述了体渲染的数学方法，凡是做过体渲染的人不可能不知道这套体系。其实说实话，从内容来看，接下来的这篇文章更像是前面的技术的一个总结。不过这篇文章确实阐述的是比较完备的体渲染算法，它还是基于线性传输理论。理论

首先先贴一下百科上关于决策树的基本概念：决策树(Decision Tree）是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。由于这种决策分支画成图形很像一棵树的枝干，故称决策树。在机器学习中，决策树是一个预测模型，他代表的是对象属性与对象值之间的一种映射关系。Entropy = 系统..

先写一个函数名：# 定义前向传播的过程def forward(x, train, regularizer):在这个大函数里我们要把前向传播的网络结构搭建好。x是输入数据，train表示是否是训练还是测试，因为我们训练和测试都在使用同样的前向传播结构。train如果是TRUE,就是训练，如果是FALSE，就说明是用来测试。我们定义第一层网络结构，这是一个卷积层，卷积的结构由前...

机器学习文章目录EP算法的特点是自适应。演化算法需要搜索，问题在变的时候，算法预测也会改变（方程改变）。与遗传算法相比，该算法只有变异，没有交叉。经典的EP算法流程：父代产生子代只能靠变异：自适应中，标准差也会变，写个伪代码来表示一下：初始化变量和参数：（个体表现型(设为X),群体规模(设一个群体有N个个体),迭代次数(演化的次数)C等）随机产生N个个体，并计算这些个体的适应性while(迭代次数

先把公式列在这里方便表述：我们设x0永远为1 ，用来表示 y = kx+b 中的 b因此，后面的式子就可以表述为：data.insert(0, 'Ones', 1)cols = data.shape[1]# 取前cols-1列为输入向量X = data.iloc[:,0:cols-1]# 取最后一列为目标向量y = data.iloc[:,cols-1:cols]X = np.array(X.va

测试程序也是很简单。首先创建计算图：with tf.Graph().as_default() as g:计算图的输入和输出占位与之前反向传播的函数一样：x = tf.placeholder(tf.float32, [mnist.test.num_examples,mnist_lenet5_forward.IMA...