我在虚拟机上安装了Ubuntu系统，第一次运行总提示 darknet是个目录，仔细查看前面步骤发现make没成功，还有要 G++之类的东西，而我之前没下载。基本上就是看下make的报错，缺什么下载什么就好了我下载了g++语句如下sudo apt-get install g++然后就可以了...

又犯二了，写完了没保存，电脑卡了，全没了，再来一次。。。。。。。绝望首先说明一点，虚拟机内存配置取决于主机内存和虚拟机运行程序需要的内存。虚拟机内存肯定是要小于主机内存的，但很显然，他也不是越小越好，否则虚拟机上的程序根本运行不起来，就会出现进程被killed的情况。虚拟机内存是共享了一部分主机的内存的，你设置了虚拟机内存，其实是设置了虚拟机的最大内存，并不是每次虚拟机里执行任务都要消耗这么多..

出现这个错误的原因是python代码是基于TensorFlow1.0的，而系统中的TensorFlow版本为2.0所以两种解决思路：把1.0的代码改为2.0把TensorFlow降为1.0我选择了第一种方法AttributeError: module 'tensorflow' has no attribute 'ConfigProto'出现报错的语句：config = tf....

data[ a , b ] a的位置限制第几行，b的位置限制第几列“ : ”表示全部数据例如：data[:,0]表示第1列所有数据data[1,:]表示第1行所有数据data = [[1,2,6],[3,4,7]]data = np.array(data)print(data[:,0])print(data[:,1])print(data[:,2])pri...

神经网络中常常用到归一化。归一化要注意的点及代码如下（以最大最小归一化为例）：训练，测试数据分开归一化；X，y分开归一化。使用训练数据进行归一化，得到参数后，再用来归一化测试数据。X和y也要分开归一化，这样才好根据各自的参数对预测数据进行还原（inverse）。注意不要上来就对所有数据进行归一化，因为在实际使用中，我们并不知道预测数据的分布。x_scaler = preprocessing.Min

给定一个数据样本集，若想得到总体的概率分布，通常有两类方法：参数估计和非参数估计。参数估计需要先假定这个数据样本服从某种分布，再使用数据去拟合分布中的参数，含有较大的主观成分。而非参数估计，即核密度估计（Kernel Density Estimation，KDE），不需要预先假设，从数据本身出发，来估计未知的密度函数。一、估计过程1、以每个点的数据+带宽（邻域）作为参数，用核函数估计样本中每个数据

jupyter中如果没设置自动换行，一行代码可以写的超级长，但是过长的代码就无法在页面全部显示，需要左右拖动下方的滑块才能看，很不方便。很多人也吐槽自动换行无法对齐等问题（逼死强迫症），因此记录一下jupyter如何自行换行。以下是我最近使用jupyter进行代码换行时的操作，总结不够严谨，欢迎补充指正。jupyter中换行有三种操作1. 直接回车换行适用于赋值等基本操作时的环境。比如给变量赋值时

The number of FixedLocator locations (13), usually from a call to set_ticks, does not match the number of ticklabels (12).最近在使用matplotlib绘制雷达图时，出现了如上所述问题。我建立时序预测模型对风机的各项参数做了预测，最后想可视化这些参数各自的预测误差。解决方案：保