- 博客(22)
- 收藏
- 关注
RSS订阅原创 js中的 == 相等比较
假值undefinednullfalse+0、-0、NaN“”空数组、空对象、空函数、包装了假值的对象，都是真值1.字符串和数字之间的相等比较字符串转为数字，再比较2.其他类型和布尔类型之间的相等比较布尔类型转成0或1，再比较var x = true;var y = "42";x == y; // falseType(x) 是布尔值，所以 ToNumber(x) 将 true 强制类型转换为 1，变成 1 == "42"，二者的类型仍然不同，"42" 根据规则被强制类型转换
2021-04-06 10:06:57
514
原创 JavaScript中的this全面解析
文章目录this全面解析调用位置绑定规则1. 默认绑定2. 隐式绑定隐式丢失3. 显式绑定硬绑定new绑定优先级ES6 箭头函数小结参考文献this全面解析每个函数的 this 是在调用时被绑定的，完全取决于函数的调用位置（也就是函数的调用方法）调用位置调用位置就是函数在代码中被调用的位置（而不是声明的位置）。最重要的是要分析调用栈（就是为了到达当前执行位置所调用的所有函数）。调用位置就在当前正在执行的函数的前一个调用中，调用位置决定了this的绑定。function baz() {
2021-01-14 20:21:27
150
原创 JavaScript闭包详解
JS闭包作用域区分函数声明与函数表达式提升——函数优先闭包基本概念闭包的形式闭包举例1——return 一个函数分析闭包举例2——异步回调闭包举例3——循环和闭包闭包应用——模块参考文献作用域词法作用域就是定义在词法阶段的作用域, 换句话说词法作用域是由你在写代码时将变量和块作用域写在哪里来决定的, 因此当词法分析器处理代码时会保持作用域不变 //1 function foo(a){
2021-01-12 10:12:33
188
原创 Java基础知识梳理
Java基础Java基础语法面向对象基础常用API如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入Java基础语法1、Java语言跨平台实现：依赖于JVM2...
2020-12-02 21:54:38
472
2
原创 mini-batch SGD 和 backprop
mini-batch SGD 是先将train_data顺序打乱，每次取mini-batch个训练数据进行一次梯度下降与反向传播。取完整个训练集称为一个epoch在⼀个⼩批量数据上的反向传播的全矩阵⽅法 我们对于随机梯度下降的实现是对⼀ 个⼩批量数据中的训练样本进⾏遍历。所以也可以更改反向传播算法使得它同时对 ⼀个⼩批量数据中的所有样本进⾏梯度计算。这个想法其实就是我们可以⽤⼀个矩阵 X = [...
2019-05-08 17:01:05
243
转载 空间金字塔池化SPP
空间金字塔池化，使得任意大小的特征图都能够转换成固定大小的特征向量，送入全连接层。对特征图尺寸有要求的部分就是从卷积层到全连接层过渡的那里。因为全连接层Y=W*X，W是固定的。空间金字塔池化如何提取特征，得到固定大小的特征向量：我们假设一个很简单两层网络：输入一张任意大小的图片,假设其大小为(w,h)，输出21个神经元。也就是我们输入一张任意大小的特征图的时候，我们希望提取出21个特征。空间...
2019-03-31 17:34:11
370
转载 图片尺寸和分辨率
像素数，就是在横向上和纵向上有多少个像素，组成一个矩阵，就是你看到的图片，比如你听到的800*600，1600*1200等。另一个指的是图片文件占据存储空间的多少，比如文件大小100k，指的是这个图片文件占用存储空间大小是100KB。一般我们称此数据为文件大小。分辨率，是指的图片精度，比如过去普通显示器的显示精度是76dpi（每英寸长...
2019-03-30 19:06:12
2307
原创 yolov3源码结构
darknet. pydef get_test_input() #对测试图片进行预处理（图片的大小，GBR通道改成RGB通道）def parse_cfg(cfgfile) #对cfg配置文件进行处理-->输入yolov3.cfg配置文件，返回列表对象,其中每一个元素为一个字典类型对应于一个要建立的神经网络模块（层）class EmptyLayer(nn.Module):clas...
2019-03-29 21:10:47
810
转载 根据LeNet-5理解CNN训练过程
LeNet-5是一个较简单的卷积神经网络。下图显示了其结构：输入的二维图像，先经过两次卷积层到池化层，再经过全连接层，最后使用softmax分类作为输出层。关于CNN参见：https://blog.csdn.net/qq_42570457/article/...
2019-03-22 14:09:10
1836
原创 Numpy.array中的shape
numpy 创建的数组都有一个shape属性，它是一个元组，返回各个维度的维数。有时候我们可能需要知道某一维的特定维数。一维二维>>> import numpy as np>>> y = np.array([[1,2,3],[4,5,6]])>>> print(y)[[1 2 3] [4 5 6]]>>> p...
2019-03-21 20:22:15
823
转载 CNN每一层都做了什么
本文讲解计算机如何处理图像进行分类的，这里我们以CNN（卷积神经网络）对汪汪图片进行分类为例！1：问题空间 图像分类是对输入图像的操作，最终输出一组最好地描述了...
2019-03-17 21:32:28
3223
1
转载 Java学习路线
原文转自这里 java详细路线： 原文出自点击打开链接本文将告诉你学习Java需要达到的30个目标，学习过程中可能遇到的问题，及学习路线。希望能够对你的学习有所帮助。对比一下自己，你已经掌握了这30条中的多少条了呢？路线Java发展到现在，按应用来分主要分为...
2019-03-14 21:29:03
436
原创 损失函数
线性回归问题解未知参数==>最小二乘法 loss function选MSEMSE可以用于最大似然估计，最小化MSE与最大化似然函数效果相同。大多数现代的神经网络使用最大似然来训练，这意味着loss function就是负的对数似然。...
2019-03-13 20:44:38
778
转载 交叉熵
原文转自这里交叉熵（cross entropy）是深度学习中常用的一个概念，一般用来求目标与预测值之间的差距。以前做一些分类问题的时候，没有过多的注意，直接调用现成的库，用起来也比较方便。最近开始研究起对抗生成网络（GANs），用到了交叉熵，发现自己对交叉熵的理解有些模糊，不够深入。遂花了几天的时间从头梳理了一下相关知识点，才算透彻的理解了，特地记录下来，以便日后查阅。信息论交叉熵是信息论中...
2019-03-13 19:42:12
231
转载 深度学习模型训练基本步骤
原文转自这里 一.数据预处理二.将数据输入神经网络（每个神经元先输入值加权累加再输入激活函数作为该神经元的输出值）正向传播，得到得分三.将“得分”输入误差函数（正则化惩罚，防止过度拟合），与期待值比较得到误差，多个则为和，通过误差判断识别程度（损失值越小越好）四.通过反向传播（反向求导，误差函数和神经网络中每个激活函数都要求，最终目的...
2019-03-13 19:30:58
21899
转载 线性回归逻辑回归and极大似然估计
原文转自机器学习算法之线性模型线性方程与非线性方程线性方程：代数方程如y = 2x + 5,其中任何一个变量都为1次幂，这种方程的图像为一条直线(平面)，所以称为线性方程非线性方程：y**2 = 2x + 5,因变量和自变量之间不是线性关系，如平方关系、对数关系、指数关系和三角函数关系等线性模型（线性回归；逻辑回归——对数几率回归） ...
2019-03-12 21:54:38
3711
转载 机器学习西瓜书第四章——决策树
原文转自机器学习-第四章决策树读书笔记（周志华）正文周志华的机器学习第四章讲的是关于决策树。1.决策树的基本流程顾名思义，决策树就是基于树的结构来进行决策的。如图4.1所示，从树的根结点，到叶子结点（也就是判别结果），其中一般会经过若干个中间结点，每个中间结点对应一个属性测试，例如图中的色泽属性，根蒂属性，敲声属性。其中根结点是包含样本全集的，每经过一个中间结点，则会根据中间结点属性测试的结果划...
2019-03-07 16:21:42
1112
转载 机器学习西瓜书泛读笔记(一)
原文转自：周志华《机器学习》读书笔记(一) 本书前几章讲的都是基本术语，最硬核的数学部分很少，所以比较简单。机器学习的主要内容，是从数据产生模型，再由模型做出相应的判断和预测。比如已经知道某房屋所在街区的其他房屋的价格，通过给这些面积，价格等各异的其他房屋的数据进行分析，产生模型，利用此模型来预测本房屋的市场价格。一. 基本术语...
2019-03-07 16:09:56
200
转载 机器学习西瓜书泛读笔记(二)
原文转自：周志华《机器学习》读书笔记（二） 一. 经验误差与过拟合错误率：分类错误的样本数，占样本总数的比例。精度：分类正确的样本数，占样本总数的比例。显然有，错误率+精度=1 恒成立误差：学习器的实际预测输出，与样本的真实输出之间的差异。训练误差/经验误差：学习器在训练集上的误差泛化误差：学习器在新样本上的误差显然我们的目...
2019-03-07 16:00:12
230
原创 list and tuple
Python基础list and tuplelistlist小结：tuplelist and tuplelistlist=[‘a’,‘b’,‘c’]len(list)list[0]list[-1]list.append(‘d’)list.insert(1,‘insert’)list.pop()list.pop(1)list[1]='changeValue’list中...
2018-11-28 10:01:55
206
原创 设置MySQL密码
Program Files\MySQL\MySQL Server 5.7\bin管理员身份进入路径net stop mysqlmysqld -nt --skip-grant-tables重启一个cmd管理员进入路径mysql -u-root-pupdate mysql.user set authentication_string=password('love,123') wher...
2018-10-22 19:15:35
116
转载 面向对象和面向过程的区别
面向过程就是分析出解决问题所需要的步骤，然后用函数把这些步骤一步一步实现，使用的时候一个一个依次调用就可以了。 面向对象是把构成问题事务分解成各个对象，建立对象的目的不是为了完成一个步骤，而是为了描叙某个事物在整个解决问题的步骤中的行为。 例如五子棋，面向过程的设计思路就是首先分析问题的步骤：1、开始游戏，2、黑子先走，3、绘制画面，4、判断输赢，5、轮到白子，6、绘制画面，7、判断输赢，8、...
2018-08-19 09:18:46
231
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人