随笔之一Powershell视频
目前，应该是比较系统的做了50个课件，还要做20个，然后再集中整理一下，准备录制视频。这个课件的制作还是相当费心血的，我只想说不容易。学习，要会方法，方法对了，就是事半功倍。
[BZOJ-3676] && [CodeForces-245H]：回文树的基础应用
题面：BZOJ---3676 题意： 求出所给字符串的所有本质不同的回文串的数量及其长度 分析： 没啥好分析的，就是一道回文树的裸题，建议阅读：回文树【处理一类回文串问题的强力工具】 说说我的一些理解： 回文树的每个节点都表示一个本质不同的回文串，和AC自动机类似，也有一个fail指针，指向当前不包括自己的最长的回文后缀所在的节点，每加入一个字符，通过跳fail指针去找和这个字符匹配的最长回文串；最后有多少个节点就有多少个本质不同的回文串（当然要减去两个根节点），再从fail树的叶子节点往上跳
CodeForces---961F：k-substrings【二分+哈希】
题面： 题面在这里~~~ 题意： 给定一个字符串，对每一个k-substrings求一个最长且相同的前后缀 分析： 由于查询很多，就不能跑kmp了；容易想到尝试二分相同前后缀的长度+哈希，但它不具有单调性；题目要求前后缀长度为奇数，考虑固定前后缀的中点来向左右两边扩散，这样再来二分扩散的半径就具有单调性了，比如固定前缀中点：X，那么后缀的中点为：N-X+1，二分求出它们同时向两边扩散的最大半径：R，然后就能求出这两个相同前后缀贡献的位置：X-R+1，但它也能为X-R+1+1这个位置贡献半径为R
BZOJ---4484：[Jsoi2015]最小表示【bitset】
题面： BZOJ---4484 题意： 给定一张有向无环图，求最多能删多少条边使得原图的联通性不变 分析： 设从一个点出发的一条边能到达的点为一个集合，那么这个点所有出边的集合的并就是该点能到达的点的集合，只需要删掉那些没有做出贡献的边即可，当然需要贪心的删除，先按照每个集合的贡献排序，从大到小依次选，如果当前集合不能做出贡献，那就删除它，这个集合正好可以用bitset表示，按理说复杂度也是(n*m/32)，但跑得十分慢 代码: #include <bits/stdc++.h>
using
BZOJ---4810：[Ynoi2017]由乃的玉米田【莫队+bitset】
题面： BZOJ---4810 题意: 给定一个序列，每次查询一个区间的三种情况：（1）是否有两数之差为X（2）是否有两数之和为X（3）是否有两数之积为X 分析： 容易想到离线后莫队，考虑该怎么维护答案；对于①操作：A - B = X ----> A = B + X，对于一个集合都加上X，用bitset维护区间的数的集合S，只需要判断 S&(S<<X)即可，对于②：A + B = X ----> A = -B + X，但bitset不能维护负数，索性再维护（N-B）的集合T，那么有：A - （
Matlab连通分量标记函数之bwlabel\bwboundaries
Matlab中有bwlabel\bwboundaries两个连通分量标记函数 bwlabel（二维0-1） 作用：Label connected components in 2-D binary image 语法 L = bwlabel(BW) L = bwlabel(BW,conn) [L,n] = bwlabel(___) 说明 L = bwlabel(BW)返回标签矩阵L，其中包含BW中找到的8个连接对象的标签。 L = bwlabel(BW,conn)返回一个标签矩阵，其中conn指定
HEV之HM代码流程注解
推介一个网址：https://hevc.hhi.fraunhofer.de/HM-doc/annotated.html HEVC Test Model (HM) HM-16.18官方注解网址，里面有详细的函数调用关系，不过可能比较复杂，也需要一点点英文基础。 友情提示，上面这个class比较重要 上面这个是TEncCu Class Reference 这个是TComTU Class Reference 上面这个是TComTURecurse Class Reference
动态聚类算法之K-means（C-means）算法
最近在学习模式识别相关知识，也需要用到动态聚类算法知识，所以就发了K-means聚类。 C-means（K-means）聚类算法是一种很常用的聚类算法，其基本思想史通过迭代寻找C个聚类的一种划分方案，是的用这C个聚类的均值来代表相应各类样本时所得到的的总体误差最小。 参考：《模式识别(张学工第二版)》 在MATLAB中有kmeans函数，实例如下 解决方案： X=[0 0; 1 1; 2 2; 4 3; 4 4; 5 3; 5 4; 6 5];
figure;
plot(X(:,1),X(:,
动态聚类算法之ISODATA算法
参考书目：《模式识别(张学工第二版)》 ISODATA聚类算法是k-means算法的改进。与k-means均值算法有两点不同：第一，它不是每调整一个样本的类别就重新计算一次各类样本的均值。而是在每次把全部样本都调整完毕之后才重新计算一次样本的均值，前者一般称为逐个样本修正法，后者称为成批样本修正法。第二，ISODATA算法不仅能通过调整样本所属类别完成聚类分析，而且还能自动地进行类的“合并”和“分裂”，从而得到类数较为合理的各个聚类。 全部步骤如上，乍一看ISODATA比k-means要复杂一
matlab之do-while的实现
matlab 中的while循环只有 while statement .... end 这种循环结构。有时候由于问题的需要，使用do...while{}结构能够更好的解决问题。 其实仔细分析一下，do{...} while()的结构就是可以保证先执行一次操作，再进行判断。 而while(条件){...}是先对条件进行判断来决定是否采取相应的操作。 我采用的解决方法就是使用matlab里面的break跳出循环来解决： while 1 操作代码； if(条件） break;%跳出循环 end en
词袋BOW（bag of words）及matlab编程实现
最近要用到词袋，所以接触了一下，正好有博主讲这个转过来学习一下。 之后肯定是要再次修改的，等跑通了数据再添加新的内容。 原文1：视觉词袋模型BOW学习笔记及matlab编程实现 原文2：BOW 原理及代码解析 参考资料1：视觉词袋技术介绍 参考资料2：词袋模型的理解 正文 BoW 模型简介 Bag of words模型最初被用在文本分类中，将文档表示成特征矢量。它的基本思想是假定对于一个文本，忽略其词序和语法、句法，仅仅将其看做是一些词汇的集合，而文本中的每个词汇都是独立的。简单说就是讲每篇文
方向梯度直方图（Histogram of Oriented Gradient, HOG）特征
方向梯度直方图（Histogram of Oriented Gradient, HOG）特征来源于论文《HistogramsofOrientedGradientsforHumanDetection_cvpr2005》，网上可以下载到该论文，也有这篇论文的中文翻译：用于人体检测的方向梯度直方图 因为HOG不是一个新鲜概念，所以网上有很多资料讲述，OpenCV和MATLAB甚至直接写好了封装函数，不过这也说明HOG是一个应用得比较多的概念。 比较详细的HOG分析：https://blog.csdn
LibSVM的介绍与实例
推介引文1：LIBSVM在Matlab下的使用 推介引文2：matlab中libsvm的svmtrain函数用法 推介引文3：libsvm在MATLAB中的简单使用 推介引文4：libsvm的C++使用 推介引文5：libsvm C++ 代码参数说明汇总 推介引文6：libsvm的C++使用详细例子（采用TXT格式的数据）
将jpg等格式的图片转化为YUV序列（OpenCV、FFmpeg、MATLAB）
将jpg等格式的图片转化为YUV序列有多种，简单介绍其中三种（网上也有很多资料） 1、FFmpeg和Python 原文：https://blog.csdn.net/yuejisuo1948/article/details/83512539 由于跑编码的需要，所以需要制作一个.yuv格式的图片数据集，但是手头只有.png/.jpg格式的，故记录下转换过程。其他图片格式也可以，代码里修改一下就行。 单个文件转换的命令为： ffmpeg -i xxx.png -s WxH -pix_fmt yuv4
!!!!欢迎使用CSDN-markdown编辑器
这里写自定义目录标题 欢迎使用Markdown编辑器 新的改变 功能快捷键 合理的创建标题，有助于目录的生成 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 欢迎使用Markdown编辑器 你好！ 这是你第一次使用 Markd
处理方法：/usr/bin/env: "python\r"或者"bash\r"没有那个文件或目录
最近在github上download了一个程序但是总是有点问题 searched for a useful solution. 1 使用VIM打开该文件 按一下ESC
输入
:set ff #千万别少了“:”冒号
后回车
发现文件格式为dos，需要被改为unix格式 2 输入
:set ff=unix #千万别少了“:”冒号
后回车，设置为unix格式
3 :wq #保存后退出
这样就可以用./ 来运行了
PlotNeuralNet-一款绘制神经网络的好工具
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/cskywit/article/details/87905172 今天发现github上一款绘制神经网络的好工具，项目名称：PlotNeuralNet，clone下来试了一下，效果很好，目前主要支持的是卷积神经网络，卷积层、池化层、bottleneck、skip-connection、up-conv、Softmax等常规的层在代码中都有定义，还缺少RNN相关的可视化层展示，未来作者可能会补上。这里
【论文阅读笔记】RADnet: Radiologist level accuracy using deep learning for hemorrhage detection in CT scans
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/cskywit/article/details/88017667 本文发布在IEEE Symposium on Biomedical Imaging (ISBI) 2018，通过深度学习检测CT中的脑出血。根据作者描述，本文旨在模拟医生检测三维CT的方式构建网络结构，即：在遍历二维切片的同时重点关注潜在的出血区域。本文的网络结构如图： 文章亮点如下： 1.基础网络结构是DenseNet，三个分叉的
使用NetworkX绘制深度神经网络结构图
本文转载自微信公众号 Python中文社区，作者： jclian，展示如何利用Python中的NetworkX模块来绘制深度神经网络（DNN）结构图。 已知我们创建的DNN结构图如下： DNN结构示意图 该DNN模型由输入层、隐藏层、输出层和softmax函数组成，每一层的神经元个数分别为4,5,6,3,3。不知道聪明的读者有没有发现，这张示意图完全是由笔者自己用Python绘制出来的，因为并不存在现成的结构图。那么，如何利用Python来绘制出这种相对复杂的神经网络的示意图呢？答案是利用Ne
【论文阅读笔记】Supervised Learning of Universal Sentence Representations from Natural Language Inference Da
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/cskywit/article/details/88592132 本文是Facebook AI team发表在EMNLP2018，个人觉得比较有意思。文章主要目的是验证NLP领域做迁移学习的可行性，在多种NLP任务上进行sentence level的embedding，实验得出在NLI任务上进行预训练的表达在迁移学习的效果上是最好的，作者认为这是由于NLI任务使得句子向量中蕴含了句法或知识等对句子
今日推荐
周排行