导数

题目： http://www.patest.cn/contests/pat-b-practise/1010 设计函数求一元多项式的导数。（注：x n （n为整数）的一阶导数为n*x n-1 。） 输入格式： 以指数递降方式输入多项式非零项系数和指数（绝对值均为不超过1000的整数）。数字间以空格分隔。 输出格式： 以与输入相同的格式输出导数多项式非零项的系数和指数。数字间以空格分隔，但结尾不能有多余空格。注意“零多项式”的指数和系数都是0，但是表示为“0 0”。 输入样例： 3 4 -5 2 6 1 -2 0 输出样例： 12 3 -10 1 6 0 法一： #include <stdlib.h> #include <string.h> #include <iostream> using namespace std; int main() { int a,b; int flag = 0; b = 1; while(cin>>a>>b){ if(b>0){ if(flag ==0){ cout<<a*b<<' '<<b-1; flag = 1; } else cout<<' '<<a*b<<' '<<b-1; } } if(flag ==0) cout<<"0 0"; //system("pause"); return 0; } 法二： #include <iostream>

设计函数求一元多项式的导数。（注： x ​ n ​​（ n为整数）的一阶导数为 n x ​ n − 1 ​​。） 输入格式: 以指数递降方式输入多项式非零项系数和指数（绝对值均为不超过 1000 的整数）。数字间以空格分隔。 输出格式: 以与输入相同的格式输出导数多项式非零项的系数和指数。数字间以空格分隔，但结尾不能有多余空格。注意“零多项式”的指数和系数都是 0，但是表示为 0 0 。 输入样例: 3 4 -5 2 6 1 -2 0 输出样例: 12 3 -10 1 6 0这道题目不难，但是刚开始的零多项式困惑了我好久（数学太菜！），上网查了一下：原来零多项式就是结果为0的多项式。这个概念搞清楚后就简单多了。另外还有输入时读取数据的问题，用Ctrl+Z表示文件结束符EOF。如何告诉程序输入已经结束了呢？在Windows下，输入完毕后先按Enter，再按Ctrl+Z键，最后再按Enter键即可结束输入。在Linux下，输入完毕后按Ctrl+D键即可结束。我的思路：计算系数coe与ind的成绩，如果为0则不输出；否则输出导数形式coe*ind ind-1。另外要注意每次输出时要判断是否为第一次输出（与题目要求输出格式相符合）。最后判断一下是否有输出，如果没有输出，则给定的多项式的导数项为零多项式。 #include <bits/stdc++.h> using namespace

特征提取 直方图 用于计算图片的特征（Feature) 和表达（representation） 对图片数据/特征分别的一种统计 ** 灰度、颜色 ** 梯度/边缘、形状、纹理 ** 局部特征点、视觉词汇 区间（bin） ** 均有一定的统计或者物理意义 ** 一种数据或者特征的代表 ** 需要预定义或者基于数据进行学习 ** 数值是一种统计量： 概率、频数、特定积累 维度小于原始数据 对数据空间（Bin）进行量化 人工分割 人工分割： 简单高效，但是存在量化问题，量化过宽容易造成精度的损失或者量化过窄容易过拟合 聚类算法进行无监督学习 常用方法：Kmeans、 EM算法、Mean shift、谱聚类、层次聚类等 Kmeans 容易受到类中心书K的选择和初始点的选取的影响-->容易陷入局部最优 ** 改进：多次全随机取最优；Kmeans++ 半随机 几何特征 边缘（Edge） ** 像素明显变化的区域 ** 具有丰富的语义信息 用于物体识别和几何、视角变化 一般边缘定义为：像素值函数快速变化的区域-->一阶导数（灰度值函数）的极值区域 边缘提取： ** 先高斯去噪，在使用一阶导数获取极值（导数对噪声敏感） ** 梯度幅值/强度： $ h_{x}{{(x,y)}^{2}}+h_{y}{{(x,y)}^{2}} $ ** 梯度（增加最快）方向 $ \arctan (\frac{h_{y}

设计函数求一元多项式的导数。（注：x​n​​（n为整数）的一阶导数为nx​n−1​​。） 输入格式: 以指数递降方式输入多项式非零项系数和指数（绝对值均为不超过 1000 的整数）。数字间以空格分隔。 输出格式: 以与输入相同的格式输出导数多项式非零项的系数和指数。数字间以空格分隔，但结尾不能有多余空格。注意“零多项式”的指数和系数都是 0，但是表示为 0 0 。 输入样例: 3 4 -5 2 6 1 -2 0 输出样例: 12 3 -10 1 6 0 Python实现： nums = input().split() num = [] for i in nums: num.append(int(i)) nums = num result = [] for i in range(0, len(nums), 2): if nums[i] * nums[i+1] != 0: result.append(nums[i] * nums[i + 1]) result.append(nums[i + 1] - 1) if len(result) != 0: print(" ".join(str(i) for i in result)) else: print("0 0") 来源： CSDN 作者： Dora Yihong 链接： https://blog.csdn.net/lee1hong

（一）什么是梯度下降法 梯度下降法 和之前介绍的k近邻算法和线性回归法不同，梯度下降法不是一个机器学习算法。它既不能解决分类问题也不能解决回归问题，那梯度下降是什么呢？以及它的作用又是什么呢？ 其实，梯度下降法是一种基于搜索的最优化方法。 作用就是最小化一个损失函数，或者最大化一个效用函数，当然最大化一个效用函数就不是梯度下降了，而是梯度上升，但是本质都是一样的。 为什么会有梯度下降 我们在线性回归中，我们可以求出最小化一个函数所对应的参数的解。但是后面我们会看到，很多算法我们是没办法直接求到解的。那么基于这样的模型，我们就需要使用搜索的策略，来找到这个最优解。那么梯度下降法就是在机器学习领域，最小化损失函数的一个最常用的方法。 图解梯度下降 图中描述了损失函数J和参数θ之间的变化关系，图像上每一个点都会对应一个切线，或者说是导数。由于我们这里是一维的，所以就用导数来描述了，如果是多维的，那么就要对每一个维度上进行求导，组合起来就叫做梯度。 我们发现当蓝色的点在左边的时候，那么随着θ的减小，J对应的取值就会变大。θ增大，J对应的取值就会减少。而我们的目的，是希望找到一个合适的θ，使得J能取到最小值。首先我们要知道，梯度(这里是导数)代表方向，代表J增大的方向，所以我们要沿着梯度的反方向(所以才叫梯度下降啊，如果是梯度上升，那么这里的函数就是效用函数)，才能找到一个最小值

Neo4j 数据导入 一、安装与部署Neo4j 直接在官网下载安装包安装，解压即可。 2.mysql 数据导入neo4j的jar包 apoc-3.4.0.1-all.jar mysql-connector-java-8.0.8-dmr.jar 3.将对应jar包放在Neo4j的安装目录plugins文件目录里，然后在Neo4j的conf目录里的neo4j.conf文件的最后面加上 dbms.security.procedures.unrestricted=apoc.*,algo.* apoc.import.file.enabled=true apoc.export.file.enabled=true 注意：(APOC jar包要与neo4j版本对应，否则启动Neo4j有可能出现无法连接这种情况 我这里用到的Neo4j版本为3.4.6 APOC为3.4.0 本人曾经在Neo4j-3.5.0版本plugins文件目录里 添加APOC-3.4版本，出现启动Neo4j无法连接这种情况 ) 4.程序： package com.dataexa.neo4j.test;import org.neo4j.driver.v1.AuthTokens;import org.neo4j.driver.v1.Driver;import org.neo4j.driver.v1.GraphDatabase

图像的卷积 ，可以理解为kernel和像素点pixel之间的运算。 把kernel旋转180度（图像是反过来的），使其中心压在图片的第一个像素点，然后每个点和kernel对应的数值相乘，然后把各个值累加得到一个新的值，取代kernel中心压着的像素值。在进行这个运算时，需要copy一下原图或者创建一个size一样的图片，不能直接在原图上修改。 例： 注意： 在图片的某一像素点周围没有足够的值时，比如左上角，忽略最外边的一圈像素或者给边缘插值，然后计算再把边缘扔掉。 New value取值为0-255，小于0认为是0，大于255认为是255。 kernel一般取奇数矩阵 图像边缘提取 图像边缘来源于不同颜色、纹理、光照、表面。 Step edge（阶跃函数） 一阶导数 一个峰值 Ramp edge（缓慢上升） 二阶导数 两个峰值 Peak edge（矩形信号） 一阶导数 一个峰值 图像的导数可以用梯度来表示，但是计算梯度比较麻烦而且效率略低。计算导数需要用到剑减法来求变化率，这就衍生出一些算子，类似于通过分配权重的方式计算梯度。 Sobel 算子其主要用于边缘检测，在技术上它是以离散型的差分算子，用来运算图像亮度函数的梯度的近似值，Sobel算子是典型的基于一阶导数的边缘检测算子，由于该算子中引入了类似局部平均的运算，因此对噪声具有平滑作用，能很好的消除噪声的影响

问题描述 先来看看问题描述。 当我们使用sigmoid funciton 作为激活函数时，随着神经网络hidden layer层数的增加，训练误差反而加大了，如上图所示。 下面以2层隐藏层神经网络为例，进行说明。 结点中的柱状图表示每个神经元参数的更新速率(梯度)大小，有图中可以看出，layer2整体速度都要大于layer1. 我们又取每层layer中参数向量的长度来粗略的估计该层的更新速率，得到下图。 可以看出，layer2的速率都要大于layer1. 然后我们继续加深神经网络的层数。 可以得到下面的结论： 靠近输出层的hidden layer 梯度大，参数更新快，所以很快就会收敛； 而靠近输入层的hidden layer 梯度小，参数更新慢，几乎就和初始状态一样，随机分布。 在上面的四层隐藏层网络结构中，第一层比第四层慢了接近100倍！！ 这种现象就是 梯度弥散（vanishing gradient problem） 。而在另一种情况中，前面layer的梯度通过训练变大，而后面layer的梯度指数级增大，这种现象又叫做 梯度爆炸(exploding gradient problem) 。 总的来说，就是在这个深度网络中， 梯度相当不稳定(unstable)。 直观说明 那么为何会出现这种情况呢？ 现在我们来直观的说明一下。 在上面的升级网络中，我们随意更新一个参数，加上一个Δw

一晚上看完杰弗里·波梅兰茨《元数据：用关于数据的数据管理你的世界》。 元数据最为常见、也许是最不实用的一个定义是”关于数据的数据“。 这句话第一次见是在地理信息系统课堂上，那时也是讲得很悬乎，没懂什么意思。这种嵌套的定义被搞得很玄学一样。 类似的二阶导数不是也定义为”关于函数导数的导数“嘛？ ”元数据“里提到了 都柏林核心元素集 ，其实就对数据描述用到的一个描述维度合集。通过元数据的描述，让用户可以定位到数据。所以”关于数据的数据“这个定义其实也是恰当的，但仅限于定义，其实用性和理解性都不够好。 于是参考15元素自定义一个自用的 T元数据元素集 。 日期Date 标题Title 主题Subject 描述Description 关联Relationship 范围Coverage 来源Source Reference： 1.都柏林核心元数据元素集，1.1版本 2.元数据：用关于数据的数据管理你的世界 来源： https://www.cnblogs.com/tamkery/p/11365468.html

http://www.baike.com/wiki/%E5%BE%AE%E5%88%86 http://www.cnblogs.com/hustlzp/archive/2011/09/11/the-framework-of-the-calculus.html 以直代曲，以切线代曲线。 1. 微分由求给定曲线在给定点的切线问题开始的，求切线就是求导，就是得到Δy/Δx的极端值， 算出这个商的最终比。这个最开始研究的时候需要一点点计算出来，首先需要估计出Δy的值，Δy=f(x0+Δx)-f(x0) 要得到Δy/Δx的极端值，假设它有值，值等于A，那么Δy长什么样呢？ Δy≈A×Δx，Δy=A×Δx+ο(Δx), ο(Δx)=Δy-A×Δxο(Δx)，ο(Δx)大小怎么样呢？它应该是相对于Δy忽略不计的小，很小。伴随着Δx，Δy越来越小，ο(Δx)应该是越来越可以忽略掉了。 ο(Δx)是相比Δx的无穷小量，二者的比值ο(Δx)/Δx会无限接近0，而不是一个绝对值大于0的数，比如ο(Δx)是这样的(Δx)², (Δx)³, ln(Δx), 最精彩的地方是我们把ο(Δx)去掉，正如y=x²,在x=2处的切线，Δx=0.000000000000000001, Δy=4Δx+(Δx)²=0.000000000000000004000000000000000001≈0