Delta

本文章用于记录自己使用open CV过程中的要点，便于遗忘时查看。 首先使用 using namespace std; using namespace cv; 避免每次都需要敲 ::cv及::std; 图像的读写显示存取 图像定义： Mat image; 图像读取： imread(const String & filename,int flags = IMREAD_COLOR)； 支持格式有： Windows bitmaps - *.bmp, *.dib (always supported) JPEG files - *.jpeg, *.jpg, *.jpe (see the Notes section) JPEG 2000 files - *.jp2 (see the Notes section) Portable Network Graphics - *.png (see the Notes section) WebP - *.webp (see the Notes section) Portable image format - *.pbm, *.pgm, *.ppm *.pxm, *.pnm (always supported) Sun rasters - *.sr, *.ras (always supported) TIFF files - *.tiff, *.tif

/* * This is the main, per-CPU runqueue data structure. * * Locking rule: those places that want to lock multiple runqueues * (such as the load balancing or the thread migration code), lock * acquire operations must be ordered by ascending &runqueue. */ struct rq { /* runqueue lock: */ raw_spinlock_t lock; /* * nr_running and cpu_load should be in the same cacheline because * remote CPUs use both these fields when doing load calculation. */ unsigned long nr_running; #define CPU_LOAD_IDX_MAX 5 unsigned long cpu_load[CPU_LOAD_IDX_MAX]; unsigned long last_load_update_tick; #ifdef CONFIG_NO_HZ u64

python 实现 def edit_distance(word1, word2): len1 = len(word1) len2 = len(word2) dp = np.zeros((len1 + 1,len2 + 1 )) for i in range(len1 + 1 ): dp[i][0] = i for j in range(len2 + 1 ): dp[0][j] = j for i in range(1, len1 + 1 ): for j in range(1, len2 + 1 ): delta = 0 if word1[i-1] == word2[j-1] else 1 dp[i][j] = min(dp[i - 1][j - 1] + delta, min(dp[i-1][j] + 1, dp[i][j - 1] + 1)) 转载于： https://blog.csdn.net/koibiki/article/details/83031788 来源： oschina 链接： https://my.oschina.net/u/4389636/blog/4307850

目录 Decision Based Model of Diffusion Large Cascades Extending the Model Probabilistic Spreading Models Epidemic Models Rumor spread modeling using SEIZ 转自本人： https://blog.csdn.net/New2World/article/details/106265878 我们研究网络，不仅是为了提取网络结构的特征或对节点进行分类。更多的是为了研究网络上的传播过程，比如消息在社交网络中的传播，以及传染病在人群中的传播。而现实世界中的网络是不会显式地表现出传播过程的，而是通过时间先后的关系展示出传播性的。 Decision Based Model of Diffusion 现在有两种选择 A 和 B，一个人现在要决定要么选 A 要么选 B。如果你的朋友和你做出同样的选择那么能得到一定的奖励，否则没有奖励。就像分系统的手游，你用 IOS 你可以和你周围用 IOS 的朋友一起玩，开心；但这样就失去了 Android 的朋友。那么用数学来描述就是，选 A 能得到 a 的 payoff，B 能得到 b。然后你有 d 个朋友，他们之中选择 A 的占比例 p，那么 \[payoff = \begin{cases}a\cdot p\cdot

在根目录新建http文件夹 新建 request.js文件 apiConfig.js文件 // request.js文件 const request = { // 将接口参数和公共参数合并 buildParams(params) { // const uToken = wx.getStorageSync('uToken'); const baseParams = { // 用户token uToken: wx.getStorageSync('uToken' ) }; return Object.assign({}, baseParams, params); }, // post请求 postData(url, params, isToken = false ) { // isToken 登录接口是否需要uToken const data = isToken ? params : this .buildParams(params); return new Promise((resolve, reject) => { wx.request({ url, method: 'POST' , data, header: { 'content-type': 'application/x-www-form-urlencoded' }, success(res) { // console.log(

本文将系统分享 Git 底层知识：对象生命周期变化，底层数据结构，数据包文件结构，数据包文件索引，以及详细分析对象查询流程和算法。 状态模型 上图描述了 git 对象的在不同的生命周期中不同的存储位置，通过不同的 git 命令改变 git 对象的存储生命周期。 工作区 (workspace) 就是我们当前工作空间，也就是我们当前能在本地文件夹下面看到的文件结构。初始化工作空间或者工作空间 clean 的时候，文件内容和 index 暂存区是一致的，随着修改，工作区文件在没有 add 到暂存区时候，工作区将和暂存区是不一致的。 暂存区 (index) 老版本概念也叫 Cache 区，就是文件暂时存放的地方，所有暂时存放在暂存区中的文件将随着一个 commit 一起提交到 local repository 此时 local repository 里面文件将完全被暂存区所取代。暂存区是 git 架构设计中非常重要和难理解的一部分。 本地仓库 (local repository) git 是分布式版本控制系统，和其他版本控制系统不同的是他可以完全去中心化工作，你可以不用和中央服务器 (remote server) 进行通信，在本地即可进行全部离线操作，包括 log，history，commit，diff 等等。完成离线操作最核心是因为 git 有一个几乎和远程一样的本地仓库

官网 http://www.hzhcontrols.com/ 前提 入行已经7,8年了，一直想做一套漂亮点的自定义控件，于是就有了本系列文章。 GitHub： https://github.com/kwwwvagaa/NetWinformControl 码云： https://gitee.com/kwwwvagaa/net_winform_custom_control.git 如果觉得写的还行，请点个 star 支持一下吧 欢迎前来交流探讨： 企鹅群568015492 来都来了，点个【推荐】再走吧，谢谢 NuGet Install-Package HZH_Controls 目录 http://www.hzhcontrols.com/blog-63.html 用处及效果 准备工作 这个是在前面滚动条上完善的，加入了对常用控件滚动条的美化，实现逻辑是添加一个滚动条控件，然后覆盖在滚动条上面，然后实现联动 绘制滚动条的工作，你可以参考 （六十九）c#Winform自定义控件-垂直滚动条-HZHControls 开始 添加一个组件ScrollbarComponent， 实现接口IExtenderProvider 1 Dictionary<Control, bool > m_controlCache = new Dictionary<Control, bool > (); 2 public

代码学习和论文阅读 学习理解MobileNetV1、MobileNetV2的代码；阅读《HybridSN: Exploring 3-D–2-DCNN Feature Hierarchy for Hyperspectral Image Classification》，并学习其代码实现，理解3D卷积和2D卷积； 阅读《Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising》 MobileNetV1代码实现 关于MobileNetV1的相关学习和理解，都整理在上一篇文章里面，其核心内容就是将传统卷积拆分为Depthwise+Pointwise两部分，从而减少了参数量，并保持了网络性能。 假如当前输入为19x19x3 标准卷积：3x3x3x4（stride = 2, padding = 1），那么得到的输出为10x10x4 深度可分离卷积： 深度卷积：3x3x1x3（3个卷积核对应着输入的三个channel），得到10x10x3的中间输出 点卷积：1x1x3x4，得到最终输出10x10x4 一个标准的卷积层以 \(D_F * D_F * M\) 大小的feature map F作为输入，然后输出一个 \(D_G * D_G * N\) 的feature G 卷积核K的参数量为 \(D_K *

一、前提： 1、首先对于大股票像baba gg Amazon 等，看纯粹的溢价百分比意义不大，也需要关注绝对值。 2、费用：美式期权。平台使用费15. 交易费 每张3， 佣金 0.3%左右 3、由于短期，故忽略利息和股息的影响。 二、策略： 买入短期实值call。 卖出中期虚值call 由于中期虚值的时间价值要比短期实值的时间价值高的多，从而产生了更多的下行保护。 三、举例： 对于x股票目前市价410. 此处浅度0度实值call的delta接近0.5， 虚值4度call的delta接近0.2 5.28 410call 13.19，6.29 440call 7.57 手续费20*2 = 40 设定买入1张期权（上涨2个call的delta都会变大，下跌2个call的delta都会变小，故此处只会赚更多，无需积分计算） 1、如果上涨n，且都达到行权价440，达最大盈利 盈利 n*0.5 - n*0.2 即 21*100，最大盈利约400% 2、如果上涨n，未达到行权价 盈利 n*0.5 + 100*7.57 3、如果小幅度下跌n 盈利 100*5.57 - n*0.5 4、如果大幅度下跌，达最大亏损 亏损 100*13.19 - 100*7.57，故此策略最大可以实现 57%的保护。 对于看涨的标的股票，比如即将到来的x股票q1财报，尤为适用。 a

　　　　在 机器学习中的矩阵向量求导(三) 矩阵向量求导之微分法 中，我们讨论了使用微分法来求解矩阵向量求导的方法。但是很多时候，求导的自变量和因变量直接有复杂的多层链式求导的关系，此时微分法使用起来也有些麻烦。需要一些简洁的方法。 　　　　本文我们讨论矩阵向量求导链式法则，使用该法则很多时候可以帮我们快速求出导数结果。 　　　　本文的标量对向量的求导，标量对矩阵的求导使用分母布局， 向量对向量的求导使用分子布局。如果遇到其他资料求导结果不同，请先确认布局是否一样。 1. 向量对向量求导的链式法则 　　　　首先我们来看看向量对向量求导的链式法则。假设多个向量存在依赖关系，比如三个向量$\mathbf{x} \to \mathbf{y} \to \mathbf{z}$存在依赖关系，则我们有下面的链式求导法则：$$\frac{\partial \mathbf{z}}{\partial \mathbf{x}} = \frac{\partial \mathbf{z}}{\partial \mathbf{y}}\frac{\partial \mathbf{y}}{\partial \mathbf{x}}$$ 　　　　该法则也可以推广到更多的向量依赖关系。但是要注意的是要求所有有依赖关系的变量都是向量，如果有一个$\mathbf{Y}$是矩阵，，比如是$\mathbf{x} \to