关系运算

深度学习（三）——卷积神经网络 文章目录 深度学习（三）——卷积神经网络 概述 CNN的神经网络层 卷积层 卷积核和卷积操作 零填充和填充卷积 感受野与扩张卷积 池化层 全连接层 转置卷积层 感兴趣区域（RoI）池化层 概述 这篇博文主要讨论 卷积神经网络 （Convolutional Neural Networks，CNN）。CNN是目前最流行的神经网络类型之一，特别是对于图像或是视频这种高维数据。与 多层感知器 不同，CNN层中的每层单元是一个二维（或高维）滤波器，这样的滤波器又被称为 卷积核 ，它能够对输入数据进行卷积运算，这是最关键的区别。 CNN的产生也同样来源于人类对自我认知过程的思考。考虑人类辨识一头大象的过程，人类往往是在看到大象的一部分，才能够辨识出这是大象的。例如看到大象的大耳朵、长鼻子、粗壮的腿等。但在计算机中，图像的每一个像素点都是三个数字。人类辨识图像的过程启示我们在辨识过程中， 单一的像素点是没有意义 的，只有将像素点放在一块区域中，才能显示出它的作用。 因此，利用卷积核，可以将一块区域中的像素值进行一些运算得到一个值，就实现了上面的过程。也因为这个，CNN在计算机视觉领域得到了非常广泛的应用。接下来就依次介绍CNN的各个组成部分和一些模型上的细节。 CNN的神经网络层 CNN是由几个基本构建块组成的，称为 CNN层 。最基本的CNN具备的层次有：

#作用：去重，关系运算， #定义： 知识点回顾 可变类型是不可hash类型 不可变类型是可hash类型 #定义集合: 集合：可以包含多个元素，用逗号分割， 集合的元素遵循三个原则： 1：每个元素必须是不可变类型(可hash，可作为字典的key) 2:没有重复的元素 3：无序 注意集合的目的是将不同的值存放到一起，不同的集合间用来做关系运算，无需纠结于集合中单个值 #优先掌握的操作： #1、长度len #2、成员运算in和not in #3、|合集 #4、&交集 #5、-差集 #6、^对称差集 #7、== #8、父集：>,>= #9、子集：<,<= 1、add方法　　 s = {1,2,3,4,5} s.add(6) print(s) View Code 2、 来源： https://www.cnblogs.com/forhowcar/p/12234587.html

(二）EXU模块 EXU段包括指令译码，指令派发，指令发射，指令执行，内存操作，数据写回。而E203是简单的顺序单发射，顺序执行，顺序写回类型的处理器。 将IFU通过IR寄存器发送给EXU的指令进行译码和派遣。 通过译码出的操作数寄存器索引（Index）读取Regfile（如图中RD-Regfile） 维护指令的数据相关性（如OITF) 将指令派遣（Dispatch）给不同的运算单元执行（ALU、Long-Pipes、LSU、以及EAI) 将指令交付(检查指令分支预测是否正确，是否产生中断和异常） 将指令运算的结果写回Regfile（WB ARB) (1)EXU译码模块 （e203_exu_decode.v) 译码模块的输入信号来自于IR阶段，包含当前需要译码的指令，执行PC,预测结果，非对齐和存储器访问错误。 首先根据最后两个比特位判断当前译码指令是RV32还是RV16，再根据指令格式，产生不同的指令类型信息。如：寄存堆的索引和控制信号，跳转类型和所需计算的信息。 输出dec_info包含很多模块的控制信息，有BJP单元的控制信息，ALU单元的控制信息，CSR单元的控制信息，乘除单元的控制信息，AGU单元的控制信息。同时还要生成后面执行所需要的各类型立即数，当执行的指令为非法指令时，译码器模块还将产生各类型的异常指令异常信息。 (2)整数通用寄存器组 （e203_exu

矩阵论 - Part II 文章目录 矩阵论 - Part II 概念索引 4 矩阵空间 概念索引 4 向量空间, 最大线性无关组, 线性(子)空间, 线性空间的维数, 基和坐标, 同构映射, 同构空间, 基变换, 过度矩阵, 坐标变换, 线性变换, 线性变换的矩阵表示, 相似矩阵 , 欧式空间, 內积, 范数, Schwartz不等式, 夹角, 规范正交基, Schmidt正交化过程, 正交矩阵 4 矩阵空间 向量空间 向量空间: n n n 维向量的集合 V V V , 如果对加法和数乘运算封闭, 则集合 V V V 称为 向量空间 生成向量空间 子空间 空间维数 0空间 最大线性无关组 : 向量组 A A A 中有 r r r 个向量(设为向量组 A 0 A_0 A 0 ​ )线性无关, 任意 r + 1 r+1 r + 1 个向量线性相关, 则称 A 0 A_0 A 0 ​ 是一个 最大线性无关组 , r r r 称为向量组的 秩 , 只含有0向量的向量组没有最大无关组, 规定其秩为 0 0 0 矩阵的秩等于其列向量组的秩, 也等于其行向量组的秩 向量组 B B B 可以由向量组 A A A 线性表示, 则向量组 B B B 的秩不大于向量组 A A A 的秩 等价的向量组秩相等 设 C = A B C = AB C = A B , 则 { R ( C ) ≤ R ( A

1、堆栈-Stack 堆栈（也简称作栈）是一种特殊的线性表，堆栈的数据元素以及数据元素间的逻辑关系和线性表完全相同，其差别是线性表允许在任意位置进行插入和删除操作，而堆栈只允许在固定一端进行插入和删除操作。 堆栈中允许进行插入和删除操作的一端称为栈顶，另一端称为栈底。堆栈的插入和删除操作通常称为进栈或入栈，堆栈的删除操作通常称为出栈或退栈。 Java中已经出了Stack的具体实现类 堆栈的数据集合可以表示为a0,a1,…,an-1，每个数据元素的数据类型可以是任意的类类型。 操作集合 　（1）入栈push(obj)：把数据元素obj插入堆栈。 　（2）出栈pop()：出栈, 删除的数据元素由函数返回。 　（3）取栈顶数据元素getTop()：取堆栈当前栈顶的数据元素并由函数返回。 （4）非空否notEmpty()：若堆栈非空则函数返回true，否则函数返回false。 堆栈是各种软件系统中应用最广泛的数据结构之一。括号匹配和表达式计算是编译软件中的基本问题，其软件设计中都需要使用堆栈。 首先来看应用之一： 中缀表达式转为后缀表达式 1、前缀表达式(Prefix Notation)是指将运算符写在前面操作数写在后面的不包含括号的表达式，而且为了纪念其发明者波兰数学家Jan Lukasiewicz所以前缀表达式也 叫做“波兰表达式”。比如- 1 + 2 3 2、后缀表达式

寒假新队员训练计划。 在讲到大数运算前我们先回顾一下我们常用的变量类型的数值范围 类型名称 字节数 取值范围 short int 2 -2^14 ~ 2^14-1 int 4 -2^31 ~ 2^31-1 unsigned int 4 0 ~ 2^32-1 long long 8 -2^63 ~ 2^63-1 unsigned long long 8 0 ~ 2^64-1 0 ~ 18446744073709551615 从中我们可以看到，即使是 unsigned long long ，最大也只能存储 1e19 左右的数 而如果我们被要求进行远大于 1e19 的数的运算，那么常规的做法就无法操作 所以我们引入了一个新的概念——大数 我们可以这么定义它：无法用常规整(浮点)型变量存储，无法进行简单符号运算的数 如：123456789123456789123456789123456789123456789，它就为一个大数 那么现在问你，给你两个大数，要求你对它进行简单(加减乘除)运算，你会怎么做呢？ 大数运算模拟 首先我们要考虑如何来把这个数读入并储存。因为是大数，我们无法用以往的int、long long甚至unsigned long long储存 所以我们得先用字符数组对它进行储存。 我们把该大数每一位分解开来分别存到字符数组的每个位置 假设我们用来储存的字符串为S，则对大数

一、numpy库 numpy：科学计算包，支持N维数组运算、处理大型矩阵、成熟的广播函数库、矢量运算、线性代数、傅里叶变换、随机数生成，并可与C++/Fortran语言无缝结合。树莓派Python v3默认安装已经包含了numpy。 另： scipy：scipy依赖于numpy，提供了更多的数学工具，包括矩阵运算、线性方程组求解、积分、优化、插值、信号处理、图像处理、统计等等。 1.扩展库numpy简介 导入模板：(交换式) >>>import numpy as np 2.numpy库应用于数组 (1)简单数组的生成 >>>import numpy as np #把列表转化为数组 >>> np.array([0,1,2,3,4]) array([0, 1, 2, 3, 4])>>>np.array((0,1,2,3,4)) # 元组转化为数组array([0, 1, 2, 3, 4]) >>>np.array(range(5)) # 把range对象转换成数组 array([0, 1, 2, 3, 4]) >>>np.array([[1,2,3,4,],[5,6,7,8]]) #二维数组 array([[1, 2, 3, 4], [5, 6, 7, 8]]) >>>np.arange(8) # 类似于内置函数range() array([0,1,2,3,4,5,6,7]) >>

常用的逻辑运算有And(表示为&)，Or(表示为|),Not(表示为!)，他们的逻辑是： 1&1=1 1&0=0 0&1=0 0&0=0 1|1=1 1|0=1 0|1=1 0|0=0 !0=1 !1=0 其中，他们的优先关系为：Not(!)>And(&)>Or(|); 例如： A|B&C 实际是 A(B&C) A&B|C&D 实际是 (A&B)|(C&D) !A&B|C 实际是 ((!A)&B)|C 输入描述 1.测试用例中间无空格，无需考虑空格 2.测试用例表示式中只会出现如下字符： 0,1,(,),&,|,! 3.测试用例所给的输入输出都是合法的。无需考虑非法输入。 4.测试用例表达式长度不会超过128个字符。 5.括号可以嵌套。 例如： 1|(1&0) = 1 1&0|0&1 = 0 !0&1|0 = 1 ((!0&1))|0 = 1 import time def logic ( string ) : str = [ ] while string . count ( ")" ) > 0 : #消除字符串中的括号 if string [ 0 ] != ")" : str . append ( string [ 0 ] ) string = string [ 1 : ] else : string = string [ 1 : ] temp = [ ] while str [

　第一选择擅长(简单)的题型。数学运算基本上题型的识别度还是比较高的，一般读完题就知道考哪个概念，所以根据自身平时做题的情况，总结出自己擅长或者命中率比较高的题型来做，能更大化的提升时间的利用率。当然一般数学运算有些题型一般都比较简单，或者说稍微一练就能达到较高的命中率。 　　包括一下几个：等差等比数列，利润问题，几何问题，工程问题。这几种题型从近几年考题来看，第一公式比较单一，第二方法大都只会用到一两种，第三灵活性较低，比较死板。所以就算考生这几种题现在还不太擅长，也可以下来重点突破下，做一些题，让这些题型成为自己擅长的题型。 　　第二选择题干文字少的题。大部分考生做题过程中，读懂题很费时间，所以一旦把题读完，就算没啥想法，或者觉得有点复杂，也不会直接放弃，毕竟读题已经花了时间。因此就会出现纠结的情况，导致时间流逝，因此选择文字少的题相对来说读题时间比较短，可以节约时间，不至于造成时间的浪费。同时呢，正常情况下，文字少的数学运算题大都不至于很复杂，从难易程度来看文字少的题整体还是要简单些，或者更容易入手。 　　第三选择题干数字少的题。一方面数学运算本质上是算数字，而数字的计算一定是基于题干数字的运用，所以题干数字出现的频率高低直接影响计算的复杂度或者繁琐性。另一方面题干数字越少，越能从选项中找到规律，因为正确答案肯定由题干数字得到，所以题干数字和正确答案之间必然存在关联

　运算符用于执行程序代码运算，会针对一个以上操作数项目来进行运算。在python中有7个运算符，分别有：算术运算符、比较（关系）运算符、赋值运算符、逻辑运算符、位运算符、成员运算符、身份运算符。 　算术运算符 　　算数运算符有 + - * / % // ** 7个。 　　注意：使用运算符时，左边对象的 自身方法或 自身的反向方法（如 ： __add__ 和 __radd__ ）是否符合它们的要求，否者就会报错“TypeError”。 　　1 、+ 　　　　用于对象之间的相加，通常用于 数字 的加法运算和 字符串 拼接。 a1 = 10 b1 = 20 a2 = "abc" b2 = "def" print(a1 + b1) ############################################## # 结果 abcdef print(a2 + b2) ############################################## # 结果 30 print(a1 + b2) # ########################################### # 不符合 __add__ 、 __radd__ 要求会报错 # TypeError: unsupported operand type(s) for +: 'int' and 'str'