GT

3 月，跳不动了？>>> Goal In this tutorial you will learn how to: Use the OpenCV functions cv::ml::SVM::train to build a classifier based on SVMs and cv::ml::SVM::predict to test its performance. What is a SVM? A Support Vector Machine (SVM) is a discriminative classifier formally defined by a separating hyperplane. In other words, given labeled training data ( supervised learning ), the algorithm outputs an optimal hyperplane which categorizes new examples. In which sense is the hyperplane obtained optimal? Let's consider the following simple problem: For a linearly separable set of 2D-points which

3 月，跳不动了？>>> 说明 OpenCV中实现的正态贝叶斯分类器Normal Bayes Classifier，而不是其他类型的贝叶斯分类器，例如朴素贝叶斯分类器Naive Bayes Classifier。 正态贝叶斯分类器中样本特征属性之间不必是相互独立的，因而适用范围更广，但是只能处理特征属性是连续数值的分类问题 。 源码 实例1 根据身高体重脚长预测性别 题例 例子是维基百科中英文条目Naive Bayes classifier所列举的例子。下表是某国人体特征指标的一组统计资料： 问题是，已知某人身高6英尺，体重130磅，脚掌长8英寸，利用前面的训练样本来预测该人是男还是女。 实现 // NormalBayes.cpp : 定义控制台应用程序的入口点。 // #include "stdafx.h" #include "opencv2/opencv.hpp" #include "opencv2/ml.hpp" #include <iostream> using namespace cv; using namespace cv::ml; using namespace std; void main(int argc, char** argv) { //创建正态贝叶斯分类器 Ptr<NormalBayesClassifier> model =

3 月，跳不动了？>>> 1.神经网络 神经网络最重要的功能是 分类 ，前面用opencv实现的SVM也是 分类器 。 分类器的输入是数值向量，输出是数值。目标是让正确分类的比例尽可能高。一般我们需要建立训练样本，标记好分类结果，用这些标记好的数据去训练分类器，训练好的分类器就可以在新来的特征向量上预测。 下面是一些样本： 若是将其分开，只需要画出一条直线，如下所示： 再来的新的向量，落到左边就是蓝球，在右边就是红球，这样就实现了一个简单的分类器。这个分类器被称为神经元。直线的方程我们可以写出来： 。等式左边大于0还是小于0决定点在直线的哪一侧。 神经元的一个问题是只能分类一次，如果出现下面这种情况，就没有办法画一条直线将其分开，我们的解决办法是使用多层神经网络。 在多层神经网络之中，低层的神经元的输出是高层神经元的输入。上图我们可以分别用几条直线将其割开，再重新组合。这里每使用一条直线就是一个神经元，神经元之间依次连接，就能达到分类的目的。 神经网络的工作与人脑中的神经元有着很大的相似，每一个神经元都有若干神经元作其输入，而且自身也是另外神经元的输入，数值向量就像电信号，在不同神经元之间传导，每一个神经元只有满足了一定条件才会发射信号到下一层神经元。当然，人脑比人工神经网络要复杂的多。 神经网络的训练依靠反向传播算法 ，最开始的输入层输入特征向量，网络层计算得到输出

3 月，跳不动了？>>> #将python的数据类型（列表和矩阵）转换成TensorFlow可用的tensor数据类型 import tensorflow as tf import numpy as np A = [1,2,3] B = np.array([1,2,3]) C = tf.convert_to_tensor(A) D = tf.convert_to_tensor(B) print(type(A), A) print(type(B), B) print(type(C), C) print(type(D), D) 结果 <class 'list'> [1, 2, 3] <class 'numpy.ndarray'> [1 2 3] <class 'tensorflow.python.framework.ops.EagerTensor'> tf.Tensor([1 2 3], shape=(3,), dtype=int32) <class 'tensorflow.python.framework.ops.EagerTensor'> tf.Tensor([1 2 3], shape=(3,), dtype=int32) 点赞 收藏 分享 文章举报 阿卡基猿 发布了230 篇原创文章 · 获赞 192 · 访问量 60万+ 他的留言板 关注 来源： oschina 链接：

3 月，跳不动了？>>> $ python object_detection/builders/model_builder_test.py Traceback (most recent call last): File "object_detection/builders/model_builder_test.py", line 23, in <module> from object_detection.builders import model_builder File "D:\tensorflow\models\research\object_detection\builders\model_builder.py", line 22, in <module> from object_detection.builders import box_predictor_builder File "D:\tensorflow\models\research\object_detection\builders\box_predictor_builder.py", line 20, in <module> from object_detection.predictors import convolutional_box_predictor File "D:\tensorflow\models

3 月，跳不动了？>>> 题目简介 给定一个树/森林，从1号点出发，遍历森林中所有的点最后回到1号点。 大巴可以在有边相连的两点间往返，而出租车可以在任意两点间往返。 要求：乘出租车次数最少的情况下，乘大巴次数也最少，求两个次数。 说明 官方题解： 因为题目保证无环，因此必为树或森林。 当图为一棵树时，答案为 0,2(n−1)。 当图为森林时，出租车次数判一下联通块即可，其实答案就是 n−m。而巴士站数，对于每个联通块，需要 2 倍边的数量减去树的直径，然后求和即可。 注意慎用 memset，初始化仅需 DFS 所需要用的点，不然会 TLE。 #include <bits/stdc++.h> using namespace std ; const int maxn = 1e5 + 5 ; int dep[maxn]; vector < int > g[maxn]; bool vis[maxn]; inline void dfs( int x, int & root, int y= 0 ) { dep[x] = dep[y]+ 1 ; vis[x] = 1 ; if (dep[x] > dep[root]) root = x; for ( auto i: g[x]) { if (i == y) continue ; dfs(i, root, x); } } int main() {

3 月，跳不动了？>>> https://www.luogu.org/problemnew/show/P1006 棋盘dp，化双向为单向：视作从左上往右下传两张纸条且路劲不重复。 又由于只能向右或向下传递，所以两张纸条过程中必定处于同一斜线上，即横纵坐标之和相等。这样就得到了降维的关键。 用dp[s][i][j]表示纸条1走到第i行，纸条2走到第j行时的最大好心程度，那么方程也不难推得了。 #include <cstdio> #include <algorithm> #define N 51 using namespace std ; int a[N][N], dp[N * 2 ][N][N]; int main( void ) { int i, j, s, m, n, tmp; scanf ( "%d%d" , &m, &n); for (i = 1 ; i <= m; ++i) for (j = 1 ; j <= n; ++j) scanf ( "%d" , &a[i][j]); for (s = 3 ; s <= m + n; ++s) for (i = 1 ; i <= min(s - 1 , m); ++i) for (j = 1 ; j <= min(s - 1 , m); ++j){ if (i == j) tmp = a[i][s - i]; else tmp =

3 月，跳不动了？>>> 背景：感觉过了好久没有好好的写文章了，今天休息就来整理一下最近接触到的内容吧。顺便梳理一下学习到的知识。今天需要梳理的内容是图片的上传。 一、前期准备 在配置文件中配置你要上传的路径： picture_windows=E\:\\picture\\ picture_linux=/home/picture/ 二、JSP <%@ page contentType="text/html;charset=UTF-8" %> <html> <head> <title>上传图片</title> <meta name="decorator" content="default"/> <script type="text/javascript"> $(document).ready(function() { $("#name").focus(); $("#inputForm").validate({ submitHandler: function(form){ loading('正在提交，请稍等...'); form.submit(); }, errorContainer: "#messageBox", errorPlacement: function(error, element) { $("#messageBox").text("输入有误，请先更正。"); if

3 月，跳不动了？>>> 其实差不多就是模板集合，如果来得及会加上一些库函数的使用方法……EOJ上已故的10175101282Mercury的Blog里面包含的这里就不重复写了。其实主要都是数论相关。 注意：C++限定。 高精度 //加法（非负） inline string add( string s1, string s2) { string s; int len1 = s1.size(), len2 = s2.size(); if (len1 < len2) for ( int i = 1 ; i <= len2-len1; ++i) s1 = "0" + s1; else for ( int i = 1 ; i <= len1-len2; ++i) s2 = "0" + s2; len1 = s1.size(); int plus = 0 , tmp; for ( int i = len1- 1 ; i >= 0 ; --i) { tmp = s1[i]- '0' + s2[i]- '0' + plus; plus = tmp / 10 ; tmp %= 10 ; s = char (tmp+ '0' ) + s; } if (plus) s = char (plus+ '0' ) + s; return s; } //减法 inline int cmp( const

3 月，跳不动了？>>> 题目简介 给定一个数列和t，求总和最接近t的一段连续子序列及其和。 说明 由于n达到了1e5不能采用n^2算法，因此考虑用前缀和+尺取法（滑动窗口法/two pointers）降低复杂度。 #include <bits/stdc++.h> using namespace std ; const int maxn = 1e5 + 5 ; const int INF = 0x3f3f3f3f ; struct node { int id, sum; bool operator < ( const node& rhs) const { if (sum == rhs.sum) return id < rhs.id; return sum < rhs.sum; } }a[maxn]; int n, q, ans, lans, rans; int main() { int x; while ( cin >> n >> q && n+q) { a[ 0 ].id = a[ 0 ].sum = 0 ; for ( int i = 1 ; i <= n; ++i) { scanf ( "%d" , &x); a[i].id = i; a[i].sum = a[i- 1 ].sum + x; } sort(a, a+ 1 +n); while (q--) { scanf (