继续之前的数据和工作，进行数据的标准化处理，具体数据可从下方博客链接获取剔除异常值放下表一和表二Excel的截图大体思路：实际问题中，不同数据可能有不同的性质和量纲，为进行模糊聚类，需进行标准化处理。这里采用极差变换：放代码：import numpy as npimport pandas as pdpath = "E:/Mo...

将conf目录下的zoo_sample.cfg复制一份，改名为zoo.cfg即可。看到 conf\zoo.cfg 配置文件没有找到。

error: (-215:Assertion failed) !_image.empty() && _image.type() == (((0) & ((1 << 3) - 1)) + (((1)-1) << 3)) && (_image.isMat() || _image.isUMat()) in function 'cv::Hou

6-CNN-3（理解卷积过程）计算卷积后特征图尺寸（步长1原图大小32，核5，则(32-5)/步长+1=28CNN层次序卷积层->ReLu层->池化层（下采样，压缩数据和参数数量）->全连接层边界0填充不丢弃原图信息，保持特征图与原图大小一致。核大小3 5 7 分别填充宽度1 2 3计算卷积核参数数量如核大小5，则5×5×3+1 （3通道，1个偏置）池化层7-CNN-case s

介绍当我获得一份名单（本校4年的本科生录取姓名、学号、专业、录取中学等等）打算利用这个名单，进行一些基础的有趣分析基础整理引入库，并读写表格import numpy as npimport pandas as pdimport osfrom collections import defaultdictimport matplotlib.pyplot as pltplt.r...

Soft attention是一种全局的attention，其中权重被softly地放在源图像所有区域Hard attention一次关注图像的一个区域，采用0-1编码，时间花费较少，但是不可微分，所以需要更复杂的技术来进行训练下图是从果壳网（quora）摘取的一篇回答即在机器学习中soft 常常表示可微分，比如sigmoid和softmax机制而hard常常表示不可微分soft hard att

11-GAN基本思想（方法）初始化一个生成器G判别器D，每一次迭代，step1（先固定G，训练D）：G生成一组图片，再从数据库采样真实图片，用这两组对D进行训练，目标是使D对真实图片的评分高，而对G生成的图片的评分低step2（固定D，训练G）：G+D构成大网络，G产生图片，D对其识别评分，以此对G进行训练，使得输出数值越大越好结构学习 Structured learning传统机器学习可以表示为

卷积层 Convolutional layer卷积运算的目的是提取输入的不同特征类似于CV中的滤波，通过滑动窗口来得到特征图像非线性激活层 Reluf(x)=max(0,x)非线性激活层即保留大于0的值，即保留特征比较好的值，将特征小于0的值舍去池化层 pooling池化（Pooling）：也称为欠采样或下采样。主要用于特征降维，压缩数据和参数的数量，减小过拟合，同时提高模型的容错性一般是 卷积层

出现UNEXPECTED_STORE_EXCEPTION蓝屏，并且检查进度始终为 0%本人的情况是可以进行重启的，或者过一段时间再启动电脑，进入设备管理器找到储存控制器中的Intel(R) Chipset SATA/PCle RST Premium Controller，右键更新驱动，选择自动搜索更新完毕后，重启即可...

以 10<a<15为例错误表示int a = 20;printf("%b\n", 10<a<15);输出结果为1，说明不可这样表示，但是并不报错：先计算10<a，得到1，再进行1<15判断，结果正确，返回1正确表示int a = 12;表示一printf("%d\n", 10<a && a<15);表示二printf("%d\n",