MUL

在C语言中我们是如何实现函数的传递呢？ 没错就是函数指针! template <class T> void Say (T a) { cout << a << endl ; } void All_Fuc ( int arr[], int len, void (*say)( int )) { for ( int i = 0 ; i < len; i++) say(arr[i]); } int main () { int arr[ 5 ] = { 1 , 2 , 3 , 4 , 5 }; All_Fuc(arr, 5 ,Say); return 0 ; } 在C++中我们又可以如何去实 现仿函数呢？ 那就是仿函数(函数符、函数对象). 如何实现呢？ 如果我们在一个类中重载了()运算符。那么这个类的对象就可以像调用函数一样去调用 。 template < class T > class Say { public : void operator () (T a) { cout << a << endl ; } }; template <class T> void All_Fuc ( int arr[], int len,T func) { for ( int i = 0 ; i < len; i++) func(arr[i]); } int main () { int arr[ 5 ] =

数据集二分类 第一类1000张， 第二类600张 1. darknet + resnet50 Loss，训练出来测试的时候是NULL， 暂时不知道为什么, 将CUDA-10.0 换成 cuda-8.0 依然显示不出label Loss 也是3.8 2. darknet + alexnet Loss = 3.8 , 3. keras + inceptionV3 　　1.) OpenCV4.0 调用失败， 提示FusedBatchNorm is_learning = True 　　2) https://github.com/opencv/opencv/issues/14236 修改代码，修复bug后，出现下面bug DataType = DT_BOOL 不被识别 　　 　　3） 需要更新到最新版的opencv 4. keras + inception_resnetV2 同上 6. tensorflow + slim + inceptionV4 验证集准确率90%以上 ， 但是OpenCV4.0 调用失败， slim 居然把DecodeJpeg层都加到 pb模型里去了， 暂时不知道怎么修改模型 　　1) 修改为 opencv 报错 ： 　　2）修改为 　　　　opencv ---in 'Mul' 　　3) 修改为 　　　　opencv --- 错误同上 4) modify as call

一个玻璃效果主要分为两个部分，一部分是折射效果的计算，另一部分则是反射。下面分类进行讨论： 折射： 1.利用Grass Pass对当前屏幕的渲染图像进行采样 2.得到法线贴图对折射的影响 3.对采集的屏幕图像进行关于法线方向上的扭曲和偏移，以模拟折射效果 反射： 主要利用环境贴图产生反射的残影，并和主贴图采样结果混合 得到反射和折射的结果后，以一个插值变量控制最终效果（类似于玻璃的透光率）； 脚本如下： 1 // Upgrade NOTE: replaced '_Object2World' with 'unity_ObjectToWorld' 2 3 Shader " MyUnlit/GlassRefraction " 4 { 5 Properties 6 { 7 _MainTex ( " Texture " , 2D) = " white " {} 8 // 这里的法线贴图用于计算折射产生的扭曲 9 _BumpMap( " Normal Map " ,2D)= " bump " {} 10 // 这里的环境贴图用于反射周围环境的部分残影 11 _Cubemap( " Environment Map " ,cube)= " _Skybox " {} 12 _Distortion( " Distortion " ,range( 0 , 100 ))= 10 13 // 一个折射系数

一.简介 今天来学习一下后处理中比较常用的一种效果，屏幕模糊效果。模糊效果，在图像处理中经常用到，Photoshop中也有类似的滤镜。我们在游戏中也会经常用到。因为屏幕模糊效果是一些高级后处理效果的基础，比如景深等效果都需要用屏幕模糊效果来实现，所以我们首先看一下屏幕模糊效果，然后通过屏幕模糊，进一步学习景深效果与运动模糊效果的实现。 所谓模糊，也就是不清楚，清晰的图片，各个像素之间会有明显的过渡，而如果各个像素之间的差距不是很大，那么图像就会模糊了，极端一点的情况，当一张图片所有的像素之间颜色都差不多时，那么这张图片也就是一个纯色的图片了。模糊操作就是让像素间的颜色差距变小，比如A点是红色，A点周围的点是绿色，模糊就像用一把刷子，将A点和周围的点的颜色混合起来，变成最终的颜色。而怎样混合，按照不同的权值进行混合，就可以达到不同的效果了。比如均值模糊，以及著名的高斯模糊。 影响模糊程度的重要因素是模糊半径，模糊半径越大，模糊程度越大，模糊半径越小，模糊程度越小。那么，模糊半径是什么？所谓模糊半径，也就是我们采样的一个范围，比如我们模糊的半径很小，只是把像素和它周围的一圈定点混合，那么模糊的程度就很小，而如果我们加大模糊半径，极端情况是每个顶点都取了周围所有点，也就是整张图的像素平均值，那么这张图的颜色就会偏向一种颜色。 二.均值模糊 最简单的，我们看一下简单的模糊

download: C语言系统化精讲 重塑你的编程思想 打造坚实的开发基础 修炼内功最强语言，训练编程思想最有效语言，圣经般存在的语言，2020 TIOBE排行冠军语言——这些说的，都是C语言。每个优秀开发者都应该精通C语言，这门课程就是为所有没学过、没学好C语言的你专属打造，多种编程语言技术专家bennyhuo独家分享，带你系统、高效、轻松啃透C语言这个硬骨头！ 适合人群 希望获得更深层次进阶语言的开发者 希望夯实语言基础的开发者 希望精雕细琢掌握多门语言的开发者 有面试/跳槽/晋升需求的开发者和在校生 技术储备要求 零门槛，有计算机基础、操作系统、编程基础和经验更佳 挑选法找素数是个不错的办法，2、3、4、5、6、7、8、9、10 ... 这些数中，第一个数 2 是素数，取出来，然后将 2 的倍数全部去掉；剩下的第一个数 3 还是素数，再去掉一切 3 的倍数，不断停止下去，就能找到很多素数。本例子也就是用的这个办法。 详细逻辑是：第一个管道记载从2开端的自然数，取第一自然数/质数 2；然后第二个管道记载从第一个管道中过滤后的一切自然数，再取一个质数 3；第三个管道取第二个管道中过滤后的数，又得一个质数；一切的管道都是无限长的，只需程序嚒有终止，这些挑选/过滤便不断在停止着。 c add1 ( x * Number ) * Number { e := new ( Number )

　　以下是读本书第三章的收获。 　　如何知道一个源程序的各符号（指令和变量）地址？简单来说，地址就是该符号偏移文件开头的距离，符号的地址是按顺序编排的，所以两个相邻的符号，其地址也是相邻的。对于指令来说，指令的地址=上一个指令的地址+上一个指令的大小，最初的符号地址为0，可以根据此公式推算出所有符号的地址。 section称为节，它是提供给程序员编排程序用的，我们可以将一段读取字符串的代码放在section A下，将读取硬盘的代码放进section B下，可以给A,B换成一个更具体的名字，来提高可读性。 例如，下图这段代码，将整个程序分成section code和section data两节，顾名思义，就是存放代码和数据的两个section，这样我们就很清楚地知道每部分代码是做什么用的。另一个值得注意的细节是section并不会对符号的编址用什么影响，去掉section和不去掉其实符号的地址都是一样的。 vstart用于告诉编译器，之后的符号都以某个地址为初始地址来编址。如下图，像$$的地址替换成以0x7c00为初始地址的地址，符号var1和var2的地址被替换成以0x900的地址。 当然，我们还可以通过section.节名称.start来获得在文件中真正的地址。如section.code.start值为0x0，即section code偏移文件的距离为0

#朴素贝叶斯定力 import numpy as np import pandas as pd import matplotlib from matplotlib import pyplot as plt %matplotlib inline matplotlib.rcParams['font.sans-serif'] = ['SimHei'] data = pd.read_csv('./010-data_multivar.csv',header=None) #拆分数据 dataset_X,dataset_y = data.iloc[:,:-1],data.iloc[:,-1] # print(dataset_X.head()) dataset_X = dataset_X.values dataset_y = dataset_y.values # print(dataset_y) #将标签去重 classes = list(set(dataset_y)) print(classes) #数据集可视化 def visual_2D_dataset(dataset_X,dataset_y): '''将二维数据集dataset_X和对应的类别dataset_y显示在散点图中''' assert dataset_X.shape[1]==2,'only support dataset with

点击上方 Z先生点记 ，加为星标 第一时间收到 Python 技术干货！ 分组(Group)的理解 处理数据时，在一个数据列表中会以某一列的元素作为参考基点，统计该列中每个不重复元素对应其他列的相关数据，这里可能我描述的比较复杂，可以通过下面两张表格数据处理前后帮助理解： 源数据为5列，分别为 age、gender、occupation、zip_code; 下面我需要对 occupation (职业)这一列进行分组分析、统计一下每类职业对应 gender、age 的最大、最小、平均值，处理结果如下： 以上就是聚类分组的简单介绍，Pandas 包里提供了函数 goupby 进行日常操作，本文将基于 Pandas 的 groupby 的用法做一个简单了解 1，库导入，数据读取 import pandas as pd users = pd.read_table( "https://raw.githubusercontent.com/justmarkham/DAT8/master/data/u.user" ,sep = "|" ,index_col = 'user_id' ) users.head() 数据以 age，gender，occupation ，zip_code 作为一条样本存入数据集中，接下来的处理将围绕 age，gender，occupation 三列作为分析对象； 2，把

　　关于矩阵乘法的定义我 就不再多说 关键是考验的还是建模能力 和 问题的转换问题。 我自认没有学长做的好但是我想 也具有一般的建模能力了（莫名自信）。 入坑矩阵是这样的故事 %15000 这种大法我不屑使用 所以入坑矩阵乘法当时学的很基础只知道其 能加速递推（利用快速幂） 现在的话是大概学会了建模 就是构造矩阵进行 乘法 当然 一般矩阵乘法都是要进行矩阵快速幂的。。 放上我年轻时青涩的代码： #include<bits/stdc++.h> #include <cstdio> #include <cstring> #include < string > #include <ctime> #include <cmath> #include <iostream> #include <iomanip> #include <vector> #include <stack> #include <map> #include <queue> #include <algorithm> #define mod 10000 using namespace std; inline int read() { int x= 0 ,f= 1 ; char ch= getchar(); while (ch< ' 0 ' ||ch> ' 9 ' ){ if (ch== ' - ' )f=- 1 ;ch=

数据库的基本操作 通过mysql客户端进入mysql后,实际位于所有仓库之外: * 选中要操作的数据库实例 * 操作数据库实例中的表或其他实体. 注意: ";"表示一条SQL命令的结束,当命令结束后才会执行此命令 * 登陆数据库 mysql[-h主机名或者ip] -u账号 -p密码 一、库操作 查询所有的数据库实例: show databases; 选中要操作的数据库实例: use 数据库实例名; 查询当前数据库实例中的所有表: show tables; 查询数据库信息[版本,编码,位置等等]: \s 创建数据库实例: create database 数据库实例名; 删除数据库实例: drop database [if exists] 数据库实例名; 查看当前使用的数据库 select databases(); 二、表操作 操作之前应连接某个数据库 建表: ​ 命令：create table <表名> ( <字段名> <类型> [,..<字段名n> <类型n>]); mysql> create table MyClass( > id int(4) not null primary key auto_increment, > name char(20) not null, > sex int(4) not null default ’′, > degree double(16,2))