-
iOS热修复框架JSPatch
什么是 JSPatch Github：https://github.com/bang590/JSPatch JSPatch是一个开源项目，只需要在项目里引入极小的引擎文件，就可以使用JavaScript调用任何Objec……
Joe.Ye 2023-04-01
0 0 -
Android自定义支持多层嵌套RadioButton的RadioGroup
Android原生自带的RadioGroup不支持嵌套RadioButton（从源码可看出仅仅是判断子控件是不是RadioButton），参考RadioGroup自定义一个支持嵌套CompoundButton的……
0 1 -
iOS通用适配
图片素材 iOS常用的切图为@1x、@2x和@3x，是为iOS程序开发不同分辨率的设备统一为一个尺寸而标记的。@3x就是@1x分辨率的3倍。 @1x 为非retina屏的iPhone。iPh……
0 0 -
深度学习基础：概率论(1)_正态分布(高斯分布)
正态分布 定义 $$ N(x; \mu, \sigma^2) = \frac{1}{\sqrt{2\pi\sigma^2}}e^{-\frac{(x-\mu)^2}{2\sigma^2}} $$ 其中$\mu$是分布的均值，即$E(x) = \mu$；$\si……
0 1 -
深度学习基础：线性代数(5)_矩阵的迹
定义 迹运算返回的是矩阵对角元素的和： $$ Tr(A) = \sum{i} A{i,i} $$ 意义 迹运算有时可以简化公式的表达，例如Frobenius范数可以写作：$ \mid \mid A \mid……
0 0 -
深度学习基础：线性代数(4)_范数
Lp范数 $$ \mid\mid x\mid\midp = (\sum{i}|x_i|^p)^{\frac {1} {p}} $$ 其中$p \in {\Bbb {R}}, p \geq 1$ $L_1$范数：$ \mid \mid x\mid\mid1 = \sum{i} x_……
0 0 -
深度学习基础：线性代数(3)_逆矩阵与伪逆矩阵
矩阵的逆 定义 矩阵$A$的逆矩阵记作$A^{-1}$，其定义的矩阵满足如下条件 $$AA^{-1} = A^{-1}A = E$$ 其中$E$是单位矩阵。 Python实现 Numpy import numpy as ……
0 0 -
深度学习基础：线性代数(2)_奇异值分解及numpy、scipy实现
奇异值分解的意义 除了特征分解外，还有另一种分解的方法，称为奇异值分解(SVD)，它可以将矩阵分解成奇异值和奇异向量。相对特征分解来说，奇异值分解的应用更……
0 0 -
深度学习基础：线性代数(1)_特征分解及numpy、scipy实现
特征分解的意义 有时，我们会将现实中的某些事物抽象成矩阵的形式，例如可以将一张图片抽象成一个像素值组成的矩阵。此时，我们也许希望中将矩阵分解成多个组……
0 1 -
矩阵特征值和特征向量详细计算过程
矩阵特征值和特征向量定义 A为n阶矩阵，若数\lambda和n维非0列向量x满足Ax=λx，那么数\lambda称为A的特征值，x称为A的对应于特征值\lambda的特征向量。式Ax=λx……
0 0 -
matplotlib之plt.figure
简介 matplotlib.pyplot.subplots：https://matplotlib.org/api/_as_gen/matplotlib.pyplot.figure.html 创建一个图形（figure）对象。 def figure(num=None,……
0 0 -
matplotlib之plt.subplots
简介 matplotlib.pyplot.subplots：https://matplotlib.org/api/_as_gen/matplotlib.pyplot.subplots.html 创建一个图像对象（figure）和一系列的子图（subplo……
0 0 -
matplotlib之plt.subplot
简介 matplotlib.pyplot.subplot：https://matplotlib.org/api/_as_gen/matplotlib.pyplot.subplot.html 返回一个指定子图分布的网格位置的 figure 对象。 su……
0 0 -
numpy.linalg学习
矩阵和向量积 两个数组点积 numpy.dot(a, b, out=None) a、b都是常量或一维数组，则返回标量 对于一维数组，其结果等于两向量的内积：设向量 $a=(x_1, y_1)$……
0 0 -
NumPy常见运算之min、max、mean、sum、exp、sqrt、sort、乘法、点积、拼接、切分
基本运算 ndarray.min() / np.min(ndarray) ndarray.max() / np.max(ndarray) ndarray.mean() / np.mean(ndarray) ndarray.sum() / np.sum(ndarray) ndarray.……
0 0
您好，这是一条评论。若需要审核、编辑或删除评论，请访问仪表盘的评论界面。评论者头像来自 Gravatar。
评论于 CentOS 7下安装MySQL