算法

【推荐】2020年最新Java电子书集合.pdf(吐血整理) >>> 由于细节内容实在太多啦，所以只把部分知识点截图出来粗略的介绍，每个小节点里面都有更细化的内容！ 内容简介 这套精选集覆盖多个热门技术领域：算法、机器学习、大数据、数据库、中间件、运维、安全、移动开发等，文章内容涉及技术架构、核心算法、解决方案等干货。无论你是计算机相关专业的在校学生、科研机构的研究人员，还是步入社会的 IT 从业人员，相信都能从中受益。 书本目录 章节目录 AI算法 学术前沿 机器学习 大数据 基础架构 企业内部IT应用 来源： oschina 链接： https://my.oschina.net/u/4441013/blog/3186589

简单介绍 　　本篇主要是对论文：Automatic Exposure Correction of Consumer Photographs 的实现总结。 作用是为了让图像曝光、细节更好。 论文地址：点击打开链接 实现原理 　　依据对输入图像的亮度信息进行分析处理，进而获得该图片相应的S型Gamma曲线。利用这条曲线对输入图像进行处理，得到更好曝光和细节效果的图像。 算法实现 图像切割 　　将输入图像缩放后。利用：graph-based segmentation方法进行图像切割。直接网上搜索该keyword，有相应的论文和直接的代码下载。代码做点小改动之后 能够直接opencv编译通过。 　　得到的结果例如以下： 缩放后图像 区域切割后图像 区域合并 　　首先将图像归一化。接着依据亮度0.0、0.1....1.0将图像分为11层。然后将之前切割出来的区域块，依据亮度层进行合并。 得到的结果例如以下： 区域合并后图像 细节提取 　　将图像依据前面的分层和亮度中间值V为分界线。将图像分为暗区和两区两部分。，对图像分别用Gamma(2.2, 0.445)进行处理，得到欠曝和过曝图像。 接着对着三张图像进行canny 细节提取。针对之前得到的前面分层。依据每层亮度是否大于V，计算出该层的细节占总细节的比例：Vb或者Vh。 区域尺寸比例 　　计算出每层区域的像素占整个图像像素的比例。相应为

AlexeyAB（darknet yolov3）训练自己的数据时，在命令行中加入-map 和 -dont_show。 -map 是为了把loss曲线和测试的准确率打印出来； -dont_show 是在训练中图像显示给隐藏了； @https://blog.csdn.net/qq_43487391/article/details/102933080 @https://github.com/AlexeyAB/darknet#how-to-use @https://github.com/muyiguangda/darknet @https://github.com/Zzh-tju/DIoU-darknet @https://blog.csdn.net/qq_33270279/article/details/103482085 @www.freesion.com/article/1819217386/ IoU，GIoU，DIoU和CIoU三种目标检测lossIoU：使用最广泛的检测框loss。 GIoU：2019年CVPR Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression DIoU和CIoU：2020年AAAI Distance-IoU Loss: Faster and

评估就是估计算法在预测新数据时候能达到什么程度，但这不是对算法准确度的保证。 当评估完算法模型之后，可以用整个数据集（训练数据集和评估数据集的合集）重新训练算法，生成最终的算法模型。 接下来将学习4种不同的分离数据集的方法，用来分离训练数据集和评估数据集，并用其评估算法模型： 分离训练数据集和评估数据集 K折交叉验证分离 弃一交叉验证分离 重复随机评估。训练数据集分离 分离训练数据集和评估数据集 最简单的方法就是将评估数据集和训练数据集完全分开，采用评估数据集来评估算法模型。通常将67%的数据集作为训练集，将33%的数据作为评估集。这是一种非常简洁。快速的数据分离技术，通常在具有大量数据。数据分布比较平衡，或者对问题的展示比较平均的情况下非常有效。 下面给出一个简单的按照67%，34%的比例分离数据，来评估逻辑回归模型的例子。 1 #数据集分离 2 from pandas import read_csv 3 from sklearn.model_selection import train_test_split 4 from sklearn.linear_model import LogisticRegression 5 6 filename='/home/aistudio/work/pima_data1.csv' 7 names=['preg','plas','pres',

第一阶段：练经典常用算法，下面的每个算法给我打上十到二十遍，同时自己精简代码， 因为太常用，所以要练到写时不用想，10-15分钟内打完，甚至关掉显示器都可以把程序打 出来. 1.最短路(Floyd、Dijstra,BellmanFord) 2.最小生成树(先写个prim,kruscal要用并查集，不好写) 3.大数（高精度）加减乘除 4.二分查找. (代码可在五行以内) 5.叉乘、判线段相交、然后写个凸包. 6.BFS、DFS,同时熟练hash表(要熟，要灵活,代码要简) 7.数学上的有：辗转相除（两行内），线段交点、多角形面积公式. 8. 调用系统的qsort, 技巧很多，慢慢掌握. 9. 任意进制间的转换 第二阶段：练习复杂一点，但也较常用的算法。 如： 1. 二分图匹配（匈牙利），最小路径覆盖 2. 网络流，最小费用流。 3. 线段树. 4. 并查集。 5. 熟悉动态规划的各个典型：LCS、最长递增子串、三角剖分、记忆化dp 6.博弈类算法。博弈树，二进制法等。 7.最大团，最大独立集。 8.判断点在多边形内。 9. 差分约束系统. 10. 双向广度搜索、A*算法，最小耗散优先. 相关的知识 图论 路径问题 0/1边权最短路径 BFS 非负边权最短路径（Dijkstra） 可以用Dijkstra解决问题的特征 负边权最短路径 Bellman-Ford Bellman

文章目录 AdaBoost算法 AdaBoost算法学习目标 AdaBoost算法详解 Boosting算法回顾 AdaBoost算法 AdaBoost算法目标函数优化 AdaBoost算法流程 输入 输出 强分类器流程 强回归器流程 AdaBoost算法优缺点 优点 缺点 小结 AdaBoost算法   集成学习中弱学习器之间有强依赖关系的，称之为Boosting系列算法，而AdaBoost则是Boosting系列算法中最著名的算法之一。   AdaBoost算法强大之处在于既可以解决分类问题，又可以解决回归问题。 AdaBoost算法学习目标 AdaBoost算法目标函数优化 强分类器和强回归器流程 AdaBoost算法优缺点 AdaBoost算法详解 Boosting算法回顾   Boosting算法的流程是：首先训练处一个弱学习器，根据弱学习器的误差率更新训练样本的权重，然后基于调整权重后的训练集训练第二个弱学习器，直到弱学习器达到事先指定的数目T，停止算法。   对于Boosting算法的流程，可以看到如果我们解决以下4个问题，既可以得到完整的Boosting算法 弱学习器的误差率 训练样本的权重 w w w 更新方法 更新样本权重的方法 结合策略 AdaBoost算法   上面讲到了Boosting算法需要解决的4个问题

还记得面试时被算法支配的恐惧吗？ <font size = '5'> <center>面试造火箭，上班拧螺丝</center> </font> 大多数程序员心里会想"总结的真精辟"，当面试到算法时，各种“跪”、“再跪”、“还是跪”......，多少人因为算法而拿不到心仪的offer，算法毁一生啊。 智力面试时代 现在算法已经成为大厂面试的重中之重，甚至一些国外的大厂只面试算法，为什么会这样呢？其实在早期，也就是微软当老大的时候，大厂面试最爱考“智力题”，比如： 井盖为什么是圆的？ 如何用3升和5升桶量取4升水？ 有一对夫妇，先后生了两个孩子，其中一个孩子是女孩，问另一个孩子是男孩的概率是多少 等等等等等等等等等等等等。 实在想象不出面试程序员还需要会“脑筋急转弯”，不过按照当时微软的半官方说法是： 计算机行业是一个新兴的行业，前面没有灯塔可以对齐，每天都有大量新鲜的问题需要解决，拥有 创新性 的员工是公司急需的，公司需要这些人去打破常规，创造奇迹。 不得不说拥有“创新性”的人才不仅是公司，甚至是全社会都急需的，但真理毕竟只掌握在少数人的手中，大神也屈指可数，公司需要这些高屋建瓴的人来掌舵，也需要普通的水手来划桨，做为普通人中的一员，我仅仅是来应聘“水手”的，我能踏踏实实、认认真真的完成领导交给我的任务，就像一个团队需要“孙悟空”一样的大神，也需要“沙僧”一样踏踏实实干活的人。

简单（simple）并不意味着微不足道（trivial），简单也可以有强大的力量。 深蓝（deep blue）的推土机智能：以强大的算力弥补对定式和棋局理解记忆上的不足，与人类智能并不完全相同。 随时算法：逐步深入，获取保单，保证在规定的时间内给出最好的答案。 基于规则的专家系统，将知识用简单的规则加以表示。基于规则的专家系统真的具有智能吗？仅仅是一层伪饰让人们觉得其有智能。规则与常识并不相同。（不可知论） 深度优先搜索：将扩展的新路径放入队列首，之后继续扩展；广度优先搜索：将扩展的新路径放入队列尾。 编写以目标为中心的程序，它能解释自己的行为：根据目标树上节点的前趋和后继。 分支限界:每次扩展当前代价最小的序列。算法优化：不重复扩展已扩展节点；可容许启发式（优先扩展更有价值的节点）。A*算法=分支限界+扩展列表+可容许启发式。 模式识别中的最近邻：在特征空间中近邻分布的点。思想：在某些方面相似总有可能在其他方面也相似。使用最近邻算法需要考虑的问题是：不同维度中哪些起了作用？不起作用的维度会干扰结果。 从工程的角度来说，研究人工智能要先研究人类的智能，建立人类智能模型并完善之。 识别树：进行一系列测试（测试树）进行识别。测试时先考虑能划分出较多同质子集的特征（好的特征）、再考虑较差的特征。无序度的计算：借助信息论中信息量的计算方法。选择的特征进行测量后使得结果的无序度尽可能小—

1.引言 计算机网络中的带宽、交换结点中的缓存和处理机等，都是网络的资源。在某段时间，若对网络中某一资源的需求超过了该资源所能提供的可用部分，网络的性能就会变坏。这种情况就叫做拥塞。 拥塞控制就是防止过多的数据注入网络中，这样可以使网络中的路由器或链路不致过载。拥塞控制是一个全局性的过程，和流量控制不同，流量控制指点对点通信量的控制。 2.慢开始与拥塞避免 发送方维持一个叫做拥塞窗口cwnd（congestion window）的状态变量。拥塞窗口的大小取决于网络的拥塞程度，并且动态地在变化。发送方让自己的发送窗口等于拥塞窗口，另外考虑到接受方的接收能力，发送窗口可能小于拥塞窗口。 慢开始算法的思路就是，不要一开始就发送大量的数据，先探测一下网络的拥塞程度，也就是说由小到大逐渐增加拥塞窗口的大小。 这里用报文段的个数的拥塞窗口大小举例说明慢开始算法，实时拥塞窗口大小是以字节为单位的。如下图： 当然收到单个确认但此确认多个数据报的时候就加相应的数值。所以一次传输轮次之后拥塞窗口就加倍。这就是乘法增长，和后面的拥塞避免算法的加法增长比较。 为了防止cwnd增长过大引起网络拥塞，还需设置一个慢开始门限ssthresh状态变量。ssthresh的用法如下： 当cwnd<ssthresh时，使用慢开始算法。 当cwnd>ssthresh时，改用拥塞避免算法。 当cwnd=ssthresh时

论文笔记：公钥密码算法的硬件实现及侧信道攻击研究 作者：王晖（天津大学,2017届硕士学位论文） RSA 算法计算流程 1. 密钥对生成（软件实现） • 选取两个大素数 p 和 q； • 计算𝑛 = 𝑝 × 𝑞，以及 n 的欧拉函数𝜙(𝑛) = (𝑝 − 1) ∙ (𝑞 − 1)； • 随机选取一个整数𝑒 (1 < 𝑒 < 𝜙(𝑛))，满足𝑔𝑐𝑑(𝑒, 𝜙(𝑛)) = 1； • 计算私钥 d，满足𝑑 × 𝑒 ≡ 1 𝑚𝑜𝑑 𝜙(𝑛)； • 其中 n, e 可以公开为公钥；p, q 可以抛弃但不能泄露， d 需要保密 为私钥。 2. 加密过程 • 加密方拥有公钥信息 n, e，首先需要将明文信息数字化，即转换成 二进制数据，保证每次加密明文信息 m 的长度小于log2𝑛； • 加密方对明文 m 进行加密，即进行模幂运算𝑐 = 𝑚^e 𝑚𝑜𝑑 𝑛； • 加密方将加密好的密文 c 通过可信通信渠道发送给解密方。 3. 解密过程 • 解密方拥有私钥信息 d； • 解密方接收密文信息 c； • 解密方对密文 c 进行解密操作，即𝑚 = 𝑐^d 𝑚𝑜𝑑 𝑛。 显然，加解密过程的基本运算单元都是：message = 𝑚𝑒𝑠𝑠𝑎𝑔𝑒^k𝑒𝑦 𝑚𝑜𝑑 𝑛。最后通过设计状态机调用模幂模块，分别能够实现 RSA 的加解密过程。RSA整个模块在 Xilinx ISE 开发环境中基于 Xilinx