题目简述：解析：（1）数组的就地逆置使用一个临时变量两两进行交换即可；（2）链表的就地逆置可以直接使用头插法建立链表；重点：（1）链表的头插法和尾插法；（2）链表的前插入和后插入方法（上篇博客）；代码：其实此处逆置数组和链表时，可以在输入数字的时候直接输入一个令其等于a[n-i]就可以原地逆置数组，但我还是单独写出来逆置，并且将链表逆置也单独写了一个函数。#include <iostream

问题描述：解析：创建一个结构体，里边包含row，col和value三个变量，表示value处在row行col列中。输入得到两个稀疏矩阵A和B。同时遍历A和B，首先比较行号，行号靠前的先加入C；其次（即行号相同时）比较列号，列号靠前的先加入C。行号列号相同，就把对应元素相加，加入C。这样解决了：（1）按顺序进入C表并顺序输出的过程；（2）保证时间复杂度仅为max(m, n)，而不必两层循环；重点：关

题目简述：解析：首先能想到的是，找出A和B中所有重复的元素，然后遍历C删去。但这种方法的时间复杂度是O(mn)，即双层遍历A和B所有元素。结合题意，给出的A和B都是递增有序的表，则可以同时遍历，然后根据当前数据大小一起移动指针，这样时间复杂度只有O( max(m, n) )。重点：掌握遍历有序表的更快速的方法。代码：#include <iostream>using namespace

此处摘录一个简单的CNN实例。例子利用Minist数据集，利用两个卷积层（+两个池化层）和全连接层实现了手写数字照片的识别。原图reshape为28*28的照片输入。第一层：卷积层。32个5*5的卷积核，输入为28*28（*1）的照片，输出为28*28*32的照片，也就是把一张照片弄成大小不变的32张照片，1->32实际上是厚度，也就是通道数变了；第二层：池化层。2*2的池化区域，上下步数为

第一篇：自适应密度的模糊聚类地址：使用基于自适应密度的模糊聚类|进行网络流量异常检测IEEE 会议出版物|伊 · X普洛尔（一）文章内容概述本篇文章针对径向FCM在分析中不利用空间信息而不准确的情况下，提出了一种自适应模糊聚类技术。即在成员分簇的计算时同时考虑距离，密度和数据实例密度变化的趋势。同时，引入自适应阈值加快迭代过程。从企业网络中自己采集真实的网络数据流量，采用PCA进行特征提取，提取出

首先对IRNN进行了总的简要介绍，后面进行了原理剖析和为什么引进了IRNN，以及最后总结了它的优点和特点。目录一、说在前面1. 传统RNN的问题2. IRNN做出的改变3. 提出的IRNN的重点二、引入：传统RNN存在的问题1. 传统RNN存在的问题2. 改进的LSTM和GRU的问题3. IRNN的引入总结一、说在前面IRNN（Identity Matrix RNN），初始化RNN，即初始化矩阵循

显然RNN是预测时间序列的，即前后文有关的一些预测，即在时间排列的基础上前后变量变化相关的预测。本文根据sin曲线规律预测cos曲线规律。偷摸说一句，还有一篇博客写RNN（实际上是LSTM）识别手写照片，，，，不能理解，咋还能识别那个东西，一个手写数字照片，很明显每个照片28*28的像素点没有联系嘛真的是，，奇奇怪怪，非要乱来，置我CNN大法于何地。呸好进入正题。首先解释一下里面的一些东西。首先这

本篇简单说一下几个层，具体的详见本系列其他博文。1. 池化层Pooling池化层是当前卷积神经网络CNN中常用组件之一。池化层模仿人的视觉系统对数据进行降维，用更高层次的特征表示图像。池化层以降低特征图的参数量来降低信息冗余，提升计算速度，增加感受野，以提升模型的尺度不变性，旋转不变性，是一种降采样操作。使得模型更关注全局特征而非局部出现的位置，这种降维的过程中可以保留一些重要的特征信息，提升容错

1. RNN和LSTM结构对比RNN：LSTM：其中的符号：注意：上面的四个黄框，每一个都是普通的神经网络，激活函数就是上面标注的。通过对比可以看出，RNN的一个cell中只有一个神经网络，而LSTM的一个cell中有4个神经网络，故一个LSTM cell的参数是一个RNN cell参数的四倍。从上图也可以看出，原来的一个RNN cell只需要存储一个隐藏层状态h，而一个LSTM cell需要存储

一、什么是学习率（Learning rate）学习率（Learning rate）作为监督学习以及深度学习中重要的超参数，其决定着目标函数是否能收敛到局部最小值以及何时收敛到最小值。合适的学习率能够使目标函数在合适的时间内收敛到局部最小值。它指导我们在梯度下降法中，如何使用损失函数的梯度调整网络权重的超参数。调整权重公式如下：new_weight = old_weight - learning_r