开始闪烁
我有点晕硬件一窍不通啊啊啊不如瓦洛兰特五杀快乐
centos+hexo换电脑需要修改什么
找了半天,没找到什么好的教程 -_-遇到很多BUG阿里云服务器配置密钥对需要重启修改服务器上密钥后,需要重启让文件生效(不是阿里云服务器,是命令),否则会报错fatal: unable to access 什么什么的
原电脑原电脑上的文件可以直接复制到新电脑,我觉得应该不需要更改什么东西
新电脑安装node,git,hexo这些是不可缺少的
重要的是git配置好用户名和邮箱后生成密钥
xshell我也是需要这个密钥进行登录
阿里云服务器也需要配置密钥对
修改密钥对之后必须重启
服务器操作修改密钥 把本地电脑生成的密钥id_rsa.pub写进去
vim .ssh/authorized_keys
chmod 600 ~/.ssh/authorized_keys
chmod 700 ~/.ssh
vim /etc/ssh/sshd_config
增加如下修改:
PasswordAuthentication yes
之后重启
systemctl restart sshd
复试--英语(三)
*Q1.What did you do at home during the epidemicI learned some videos of professional courses at home, and I did some sports every day
*Q2.Why choose Guizhou UniversityGuizhou University is a strong engineering school.Its living environment and academic atmosphere are very attractive to me. Most importantly, there are my favorite study directions, and I believe I can gain a lot from here.
*Q3.Introduce undergraduate cities and compare them with GuiyangZhengzhou is on the plain and Guiyang is like ...
复试--操作系统(二)
转载的文章
我想自己再敲一遍,不会的再结合书文章会加上王道部分习题
第一章OS概述1.1概念和功能概念:操作系统是指控制和管理整个计算机系统硬件和软件资源的最基本的系统软件
功能:(计算机系统自下而上分为:硬件、操作系统、应用程序、用户)1.向上提供接口(用户:命令接口,编程员:程序接口)2.向下层功能的扩展3.对系统资源的管理(处理机、存储器、文件、设备)
1.2特征并发性:指两个或多个事件在同一时间间隔内发生;(并行性:在同一时刻)共享性:系统中的资源可供内存中多个并发执行的进程共同使用虚拟性:把一个物理上的实体变成若干个逻辑上的对应物异步性:进程的执行并不是一气呵成的,而是以不可预知的速度向前推进
1.3发展与分类A:手工OS特点:用户独占全机,资源利用率低;所有工作都需要人工干预,速度慢
B:批处理OS 单道批处理:自动性、顺序性、单道性 多道批处理:多道、宏观上并行、微观上串行特点:   ...
复试--数据库(一)
天天打游戏,又因为初复五比五,有点焦虑了,也有点不自信了。
吗的白天好好学习,晚上打老头环。
部分内容为整个转载,部分自己总结,转载链接就挂文章内了
转载的文章转载的文章
1.什么是数据库的概念结构试述其特点和设计策略将需求分析得到的用户需求抽象为信息结构既概念模型的过程就是概念结构设计。对概念模型有以下要求1)有丰富的语义表达能力,能表达用户的各种需求2)易于交流和理解,从而可以用它的不熟悉计算机的用户交换意见3)要易于更改。当应用环境和应用要求改变时,概念模型要很容易的修改和扩充以反映这种变化4)易于向各种数据模型转换
2.数据库的概念模型就是从现实世界到信息世界的第一层抽象,确定领域实体属性关系等,使用E-R图表示,E-R图主要是由实体、属性和联系三要素构成的。
3.数据库的逻辑模型是将概念模型转化为具体的数据模型的过程,既按照概念结构设计阶段建立的基本E-R图,按选定的管理系统软件支持的数据模型,转换成相应的逻辑模型。这种转换要符合关系数据模型的原则。
4.数据库的物理模型根据逻辑模型对应到具体的数据模型的机器实现。物理模型是对真实数据库的描述。如关系数据库中的一些对象为表、 ...
共享图床
网站地址进行登录
图床地址: http://112.124.12.236:777/admin/index
可以进入管理员后台查看所有图片哦
账号:ye密码:ye
受不了了,csdn都能发,博客不打码竟然不能发
pytorch常用命令
捏麻麻滴,一直报错装了一天,最后还是找闲鱼装的Anaconda环境进入命令# torch1.7是环境名字
conda activate torch1.7
conda用本地包命令conda install --use-local +包名
包在下图位置
conda更换国内源#显示目前是什么源
conda config --show
#添加清华镜像
conda config --add channels http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge
conda config --add channels http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/
#设置搜索时显示通道地址
conda config --set show_channel_urls yes
#注意如果需 ...
机器学习-支持向量机-核函数(三)
好难啊,难哭了,再听两遍从低维到高维特征空间由低维映射到高维用线性超平面对数据进行分类
映射的结果
当映射为五维时这四个就线性可分了
将训练样本由低维到高维可以增大线性可分的概率
优化问题
低维时 wi 与 xi 的维度相同高维时 w的维度与 φ(xi) 相同高维情况下优化问题的解法与低维情况是完全类似的
核函数的定义
k(x1,x2) 为核函数,是一个实数φ(x1) 和 φ(x2) 是维度相同的列向量
核函数以及低维到高维的映射 φ(x) 之间的相互关系
已知核函数K求映射φ的例子
优化问题核函数K和映射φ是一一对应的关系核函数的形式不能随意的取需要满足一定的条件才能分解为两个φ内积的形式
C是比例系数
机器学习-支持向量机(二)
支持向量机线性可分二维图,可以用一条直线划分开
线性不可分二维图,不可用一条直线划分开
多维空间超过三维,就需要用超平面划分,需要用到数学知识
支持向量机条件使用MARGIN最大这个条件并不能唯一确定一条直线该直线应满足
该直线分开了两类
该直线最大化了间隔
该直线处于间隔的中间,到所有支持向量距离相等
线性可分条件下-支持向量机优化问题
假定训练样本集是线性可分的支持向量机需要寻找的是最大化间隔的超平面
最小化:w是一个向量,和线代求值一样,求出w的平方
事实一
事实二
支持向量机优化问题推导中最难理解的部分用a去缩放wb
( w,b)表示的超平面和( aw, ab)表示的超平面是同一个平面因此可以用参数a去缩放( w ,b)所以根据事实二,支持向量X0到超平面的距离将会变成:
最大化支持向量到超平面的距离 等价于最小化 |w|
优化问题定义为最小化:二分之一 |w| 的平方最小化: |w|
限制条件支持向量到超平面的距离为:二分之一 |w|在非支持向量上
二次规划(1) 目标函数(Object Function) 是二次项(2)限制条件是一次项
要么无解, ...
机器学习(一)
B站学习地址
什么是机器学习我们关注的是非显著式编程
显著式编程我们事先告诉计算机黄色是菊花,玫瑰是红色。
非显著式编程我们并不约束计算机必须总结出什么规律,让计算机自己挑出最能区分菊花和玫瑰的一些规律 –特征提取
机器学习算法监督学习经验E–训练样本和标签的集合所有的经验都是人工采集并输入计算机的
首先监督学习包括:传统的监督学习、非监督学习、半监督学习。其次:按照标签是连续还是离散,将监督学习分为分类问题还是回归问题
传统监督学习算法包括:
支持向量机
人工神经网络
深度神经网络
非监督学习所有训练数据也没有标签,可以按所处位置分类,同一类的训练数据在空间中距离更近
算法包括:
聚类
EM算法
主成分分析
半监督学习训练数据中一部分有标签一部分没有标签,近期比较热门
强化学习计算机通过与环境的互动逐渐强化自己的行为模式
经验E–计算机与环境互动获得的计算机产生行为并获得结果我们只需要定义这些行为的收益函数,进行奖励和惩罚我们也需要设计算法让计算机改变自己的行为模式去最大化收益函数
支持向量机三种内核:
线性内核
多项式核
高斯径向基函数核
机器学习的过程就是设计一个算 ...