vllbc02
import matplotlib.pyplot as plt
import numpy as np
ypoints = np.array([1,3,4,5,8,9,6,1,3,4,5,2,4])
plt.plot(ypoints, marker = 'o') # "o"代表实心圆
plt.show()maker可用的符号如下：
fmt = '[marker][line][color]'例如 o:r，o 表示实心圆标记，: 表示虚线，r 表示颜色为红色。
\[ {\lVert x \rVert}_p := \left(\sum_{i=1}^n{\lvert x_i\rvert}^p\right)^{\frac{1}{p}} \]
归一化和标准化都是对数据做变换的方式，将原始的一列数据转换到某个范围，或者某种形态。 >归一化：将一列数据变化到某个固定区间(范围)中，通常，这个区间是[0, 1]，广义的讲，可以是各种区间，比如映射到[0，1]一样可以继续映射到其他范围，图像中可能会映射到[0,255]，其他情况可能映射到[-1,1]；
主要记录了在使用softmax这个函数中遇到的一些问题，比较基础，但确实困扰了一段时间。
在学习word2vec中, 使用的一般都是如下的损失函数：
https://leetcode-cn.com/problems/validate-binary-search-tree/
# Definition for a binary tree node.
# class TreeNode:
# def __init__(self, val=0, left=None, right=None):
# self.val = val
# self.left = left
# self.right = right
class Solution:
def isValidBST(self, root: TreeNode) -> bool:
return self.search(root,-(232),232)
def search(self,root,mins,maxs):
if root == None:
return True
if root.val > mins and root.val < maxs:
pass
else:
return False
return all([self.search(root.left,mins,root.val),self.search(root.right,root.val,maxs)])最后用了个all 也是简洁了代码
回看博客，发现深度学习的笔记空荡荡，才发觉一直没有详细得进行笔记，但也感觉确实没有什么可以记录的东西，都是一些网络和模型，具体的trick倒是记录了一些，不过为了博客的美观，还是写一些东西吧，最主要的还是一些小知识。 (MLP就不记录了)
i ，意指 innera ，英文单词 a，一个的意思( 或 ) ：一对 ()b ：一对 (){ 或 } ：一对 {}B ：一对 {}[ 或 ] ：一对 []< 或 > ：一对 <>t ：tag （HTML 或 XML）标签' 或 ' ：一对 ''" 或 " ：一对 ""` 或 ` ：一对 ``w ：一个单词s ：一个句子；以 . ! ? 结尾即为一个句子p ：一个段落；以一个换行符间隔即为一个段落(一般用于对函数体操作)比如i'代表'内部，iw代表光标所在单词，注意到，加上了范围i或者a，则原本的w含义也发生了变化，注意这是两个东西，原本的w为一个移动，而这里的w代表文本对象即单词。
也称为Mean Absolute Error，即平均绝对误差（MAE），它衡量的是预测值与真实值之间距离的平均误差幅度，作用范围为0到正无穷。
优点： 对离群点（Outliers）或者异常值更具有鲁棒性。
https://leetcode-cn.com/problems/non-overlapping-intervals/
利用了贪心 移除的数目就是总数目减去条件成立的数目
class Solution:
def eraseOverlapIntervals(self, intervals: List[List[int]]) -> int:
if len(intervals) == 0:
return 0
res = 0
mins = -float("inf")
for i in sorted(intervals,key=lambda i:i[1]):
if i[0] >= mins:
res += 1
mins = i[1]
return len(intervals) - res注意是根据end进行排序的，引用别人的解释@HONGYANG
https://leetcode-cn.com/problems/diagonal-traverse/
每个对角线的两索引之和是一样的
class Solution:
def findDiagonalOrder(self, matrix: List[List[int]]) -> List[int]:
if not matrix:
return []
hashs = collections.defaultdict(list)
row, col = len(matrix), len(matrix[0])
for i in range(row):
for j in range(col):
hashs[j + i].append(matrix[i][j])
res = []
flag = True
for k, v in sorted(hashs.items()):
if flag:
res.extend(v[::-1])
else:
res.extend(v)
flag = not flag
return res注意flag的作用
主成分分析（Principal components analysis，以下简称PCA）是最重要的降维方法之一。在数据压缩消除冗余和数据噪音消除等领域都有广泛的应用。注意的是PCA属于无监督学习。