忘生的blog

本文方法来自小御坂的破站 Teredo是一个IPv6转换机制，它可以为运行在IPv4互联网但没有IPv6网络的设备提供IPv6联通性。在某些时候我们需要使用IPv6，所以就可以开启Teredo隧道来实现IPv6的访问。 开启步骤 1.以管理员身份打开Windows终端(powershell,cmd均可)，输入： 1netsh interface teredo set state enterpriseclient server=default 2.由于一般情况下Teredo隧道默认服务器会被屏蔽，所以需要使用备用服务器。 1netsh interface teredo set state server=teredo.remlab.net 3.关闭Teredo隧道 1netsh interface teredo set state disable

TensorFlow和Kears的安装 Keras是基于TensorFlow和Theano（由加拿大蒙特利尔大学开发的机器学习框架）的深度学习库，是由纯python编写而成的高层神经网络API，也仅支持python开发。它是为了支持快速实践而对tensorflow或者Theano的再次封装，让我们可以不用关注过多的底层细节，能够把想法快速转换为结果。它也很灵活，且比较容易学。 在新版得TensorFlow中已经包含了Keras，所以我们只用安装TresorFlow即可。 TensorFlow安装： 12#在终端或powershell中输入pip install tensorflow #默认安装CPU和GPU版本 如果不是英伟达的GPU，由于不支持CUDA，安装GPU版本在调用时会报如下错误： 12Could not load dynamic library 'libcudart.so.10.1'; dlerror: libcudart.so.10.1: cannot open shared object file: No such file or directory ...

感知机 1.感知机模型 如图为人体神经网络图，输入信号从树突传入，在细胞核处汇总，输出信号从轴突处传出传入其他神经元，从而构成了一个人体的神经网络。而感知机其类似于一个神经元。 一个单层感知机与人体神经元类似，x1，x2,x3x_{1}，x_{2},x_{3}x1​，x2​,x3​为输入结点，及神经元的输入信号，w1,w2,w3w_{1},w_{2},w_{3}w1​,w2​,w3​为各输入结点的权重，可以理解为神经元各个树突的电阻，到达细胞核后通过进行汇总，通过一个激活函数处理后进行输出。其中，w和b称为感知机模型参数，w 叫做权重，b叫做偏置，f为激活函数，其表达式为： sign(x)={1,x>=0−1,x<0(1)sign(x)= \begin{cases} 1,x>=0\\ -1, x<0 \end{cases} \tag{1} sign(x)={1,x>=0−1,x<0​(1) 为了方便矩阵运算，将添加一个输入恒为1的输入信号x_{0},其对应的权重w_{0}即为偏置项b。多个感知机组合起来就构成了神经网络。  从感知机的激活函数的 ...

大水文罢了。😁😁😁😁😅 1import pandas as pd Series 操作 Series 创建 12t=pd.Series([1,2,3,4,5])#Series是一维的数据，带标签的数组t#第一列为索引 第二列是我们的数据 0 1 1 2 2 3 3 4 4 5 dtype: int64 12t2=pd.Series([1,2,3,4,5],index=['a','b','c','d','e'])t2#index里面为索引 a 1 b 2 c 3 d 4 e 5 dtype: int64 123456#通过字典来创建Series temp_dict={"name":"wangsheng", "age":100, "tel":10086}t3=pd.Serie ...

后面原文件内容来自datawhalechina/powerful-numpy: 巨硬的NumPy (github.com) 基本操作 这部分是在看下面的教程中，自己跟着写的一些代码。如果学习的化直接看第二部分。 导包 1import numpy as np 从列表或元组中创建 123a=np.array([1,2,3])#一维print(a) 1[1 2 3] 使用arange生成 123456b=np.array(range(1,6))print(b)c=np.arange(1,6)print(c)d=np.arange(1,6,2)#2为步长print(d) 123[1 2 3 4 5][1 2 3 4 5][1 3 5] 使用linespace/logspace生成 1np.linspace(0,9,10)#开头，结尾，数量 array([0., 1., 2., 3., 4., 5., 6., 7., 8., 9.]) 1np.linspace(0,9,7)#是一种线性的等差数列 array([0. , 1.5, 3. , 4.5, 6. , 7.5, 9. ]) 1np.l ...

git常用命令速查 原地址：(Git 常用命令大全_道的博客-CSDN博客_git命令 git结构 git基本命令 创建仓库 12git init#创键仓库Initialized empty Git repository in /home/linux1/git/.git/ .git 目录中存放的是本地库相关的子目录和文件，不要删除也不要随意修改。 设置签名 形式： ​ 用户：tom ​ Email地址：[email protected] 作用：区分不同开发人员的身份。这里设置的签名和登录远程库(代码托管中心)的账号、密码没有任何关系. 项目级别优先于系统用户级别，不允许二者均无。 12345678910111213#项目级别/仓库级别：仅在当前本地库范围内有效#信息保存位置：./.git/config 文件 git config user.name wangsheng git config user.email [email protected] cat ./.git/config[core] repositoryformatversion = 0 filemode ...

协同过滤算法 协同过滤(Collaborative Filtering,简写CF)是推荐系统最重要得思想之一，其思想是根据用户之前得喜好以及其他兴趣相近得用户得选择来给用户推荐物品(基于对用户历史行为数据的挖掘发现用户的喜好偏向，并预测用户可能喜好的产品进行推荐)，一般仅仅基于用户的行为数据（评价，购买，下载等），而不依赖于物品的任何附加信息（物品自身特征）或者用户的任何附加信息（年龄，性别等）。其思想总的来说就是：人以类聚，物以群分。目前应用比较广泛的协同过滤算法是基于邻域的方法，而这种方法主要有两种算法：基于用户的协同过滤算法（给用户推荐和他兴趣相似的其他用户喜欢的产品）和基于物品的协同过滤算法（给用户推荐和他之前喜欢的物品相似的物品）。 如上图所示，其实给用户推荐物品的过程就可以认为是一个猜测用户对商品进行打分的任务。我们的目的就是判断该不该把物品5推荐给Alice，即预测Alice会对这件商品打多少分。基于用户的协同过滤就是计算Alice和其他用户1，2，3，4之间的相似度，找出与Alice最相似的用户，根据他对商品5的喜好来判断Alice对商品5的喜好。而基于物品的协同过滤 ...

问题引入  假设我们是一个电影供应商，我们有5部电影和4个用户，我们要求用户为电影打分。 电影中前3部为爱情片，后两部则是动作片，我们可以从表中数据看出Alice和Bob更喜欢爱情片，而Carol和Dave更倾向于动作片。没有一个用户给所有电影打过分，我们希望构建一个算法来预测他们每个人可能会给他们没看过的电影打分，并以此作为推荐的依据。 下面我们下引入一些标记： nun_{u}nu​代表用户的数量 nmn_{m}nm​代表电影的数量 r(i,j)=1表示用户j给电影i评过分，如果为0则没有 y(i,j)y^{(i,j)}y(i,j)表示用户给电影的i的评分 mjm_{j}mj​ 表示用户j评过分的电影的总数 基于内容的推荐系统  如图所示，我们假设每部电影都有两个特征，用x1x_{1}x1​代表电影的浪漫程度，用x2x_{2}x2​代表电影的动作程度。则每部电影都有一个特征向量，如第一部电影的特征向量为x1=[1,0.9,0]x_{1}=[1,0.9, 0]x1​=[1,0.9,0]（加上截距x0=1）. 下面我们要根据这些特征来构建一个推荐系统算法。我们采用线性回归模型，对每一 ...

降维  当我们处理待处理样本数据的特征过多，而其中有些特征有有些重复，计算起来速度较慢，我们可以采用降维算法。 假使我们要采用两种不的仪器来测量一些东西的尺寸，其中一个仪器测量结果的单位是英寸，另一个仪器测量的结果是厘米，我们希望将测量的结果作为我们机器学习的特征。现在的问题的是，两种仪器对同一个东西测量的结果不完全相等（由于误差、精度等），而将两者都作为特征有些重复，因而，我们希望将这个二维的数据降至一维.将数据从二维降至一维的过程就叫做降维。 如图所示，将所有在一个平面上的样本点转换到一条直线上，将一组两维的数据用一组一维的来表示，这就是将二维数据降为一维。 而对于三维的数据我们可以降维两维，将所有的样本点投影至一个平面。 为什么要降维 数据压缩 数据压缩可以使用较少的计算机内存或磁盘空间，同时也可以加速我们的学习算法。对于一些特征数量较高的样本数据，如果不进行数据压缩，计算量会非常的大，学习的速度太慢。 数据可视化 在许多机器学习问题中，如果我们能将数据可视化，我们就有可能寻找到一个更好的解决方案。这时候就用到了降维。 假设我们有许多关于不同国家的数据，每个特征向量都有50 ...

1.决策树 决策树指一类常见的机器学习算法，以二分类为例，我们希望从给定训练集学得一个模型用以对新实列进行分类，这个把样本分类的任务，可以看作对‘“当前样本属性正常吗”这个问题的“决策”过程。而决策树就是基于树结构来进行决策的，如下图所示如果一个女生的妈妈给她介绍对象，如果这个被介绍的人的年龄大于30岁就不见，如果小于30岁长相丑的话也不见，年龄低于30岁长的帅收入低也不见，如果收入中等不是公务员不见，是公务员才会见面。最终这个女生经过了一系列的决策，决定最终见面还是不见。这个决策的过程就构成了一颗决策树。决策过程的最终结论对应了我们所希望的判定结果：见还是不见。一般的，一棵决策树包含一个根节点，若干个内部节点和若干个叶结点。叶节点对应与决策结果，其他每个结点则对应于一个属性测试。 下面给出决策树学习的基本流程： 有训练集D，属性集A ①生成结点node ②如果D中所有样本全部属于同一类别C，这时将node标记为C类结点。结束 ③如果 A为空集或者D中所有样本在A上取值相同，这时将node标记为D中样本数最多的类。结束 ④从A中选取最优划分a ⑤对a中的每一个值生成子决策树 显然生 ...