文羊羽

环境配置 1conda create --name spider python=3.8 第一个爬虫程序 Python urllib 库为Python的自带库，用于操作网页 URL，并对网页的内容进行抓取处理。 123456from urllib.request import urlopenurl = "http://www.baidu.com"resp = urlopen(url)print(resp.read().decode("utf-8")) 保存到html文件中 123456789101112from urllib.request import urlopenurl = "http://www.baidu.com"resp = urlopen(url)## with open("mybaidu.html", mode="w") as f:## f.write(resp.read().decode("utf-8"))with open(" ...

正则表达式 正则表达式在线验证工具：https://regex101.com/ 正则表达式在线验证工具：https://regexr-cn.com/ python官方文档：https://docs.python.org/3/howto/regex.html 参考博客：https://www.byhy.net/tut/py/extra/regex/ 练习网站：https://codejiaonang.com/#/course/regex_chapter1/0/0 练习讲解：https://www.bilibili.com/video/BV19t4y1y7qP?share_source=copy_web 总览 特殊字符，术语叫做metacharacters（元字符） 1. * + ? \ [ ] ^ $ { } | ( ) 特殊字符表 实例 描述 . 匹配除 \n 之外的任何单个字符。要匹配包括 \n 在内的任何字符，请使用象 [.\n] 的模式。 ? 匹配一个字符零次或一次，另一个作用是非贪婪模式 + 匹配1次或多次 * 匹配0次或多 ...

参考视频：玩机必看！带你入坑安卓刷机，小白也能看懂的ROOT基础指南来啦！ 玩机资源合集：wanji.jamcz.com 解BootLoader——BL锁 开启开发者选项 连续点击设置/我的设备/全部参数中的MIUI版本打开开发者选项 进入设置/更多设置/开发者选项/设备解锁状态，点击绑定账号和设备 （注意绑定账号与设备时需要关闭wifi在移动网络下进行） 下载解锁工具 解锁工具下载地址 解锁工具国际版 进入FastBoot模式 关机后(不要连接电脑)，同时长按开机键+音量下键，进入FastBoot模式，再连接电脑 小米手机解锁工具中显示已连接手机 点击解锁 账号与设备绑定后间隔168个小时(一周)才能进行解锁 解锁成功 安卓的分区 Boot分区 Boot分区存放有启动和引导文件，它包含了操作系统的Kernel(内核)和Ramdisk(虚拟内存)，目前安卓系统Root的操作主要也是在修改Boot分区。 此外我们修改CPU的调度或者给GPU超频，很多这些操作也是涉及Boot分区的。 如果Boot分区被擦除或损坏，手机就不能正常启动，通常会卡在开机的第 ...

求解常微分方程 yy′′=1+y′2yy'' = 1+y'^2yy′′=1+y′2在初始条件y(0)=1, y′(0)=0y(0) = 1,\ y'(0) = 0y(0)=1, y′(0)=0下的特解 解: 设 y′=py'=py′=p, 即 dydx=p\frac{dy}{dx}=pdxdy​=p, 又由于dpdx=dpdy⋅dydx=pdpdy\frac{dp}{dx} = \frac{dp}{dy}\cdot\frac{dy}{dx} = p\frac{dp}{dy}dxdp​=dydp​⋅dxdy​=pdydp​, 原方程化为 ypdpdy=1+p2yp\frac{dp}{dy} = 1+p^2 ypdydp​=1+p2 ​ 分离变量 pdp1+p2=dyyp\frac{dp}{1+p^2} = \frac{dy}{y} p1+p2dp​=ydy​ ​ 两边积分 ∫p1+p2dp=∫1ydy\int \frac{p}{1+p^2}dp = \int \frac{1}{y}dy ∫1+p2p​dp=∫y1​dy ​ ...

基本模型 输入层和循环层 对于一个输入信号u(n)∈RNu\boldsymbol{u}(n)\in\mathbb{R}^{N_u}u(n)∈RNu​, 给定期望的目标输出信号ytarget(n)∈RNy\boldsymbol{y}^{target}(n)\in\mathbb{R}^{N_y}ytarget(n)∈RNy​, 其中n=1,2,⋯ ,Tn=1,2,\cdots,Tn=1,2,⋯,T 是离散的时间点, TTT是训练集中数据点的个数. 我们的目标是训练一个模型, 使得模型的输出y(n)∈RNy\boldsymbol{y}(n)\in\mathbb{R}^{N_y}y(n)∈RNy​尽可能地匹配期望的目标输出信号ytarget(n)∈RNy\boldsymbol{y}^{target}(n)\in\mathbb{R}^{N_y}ytarget(n)∈RNy​, 即最小化y\boldsymbol{y}y和ytarget\boldsymbol{y}^{target}ytarget之间的误差测度E(y,ytarget)E(\boldsymbol{y},\bold ...

设A∈Rm×n,x∈Rn×1A\in\mathbb{R}^{m\times n},x\in \mathbb{R}^{n\times 1}A∈Rm×n,x∈Rn×1 矩阵求导的本质是元素对元素一对一求导 分子布局 ∂[Ax]m×1∂[xT]1×n=[∂Axx1∂Axx2⋯∂Axxn]=[∂A1xx1∂A1xx2⋯∂A1xxn∂A2xx1∂A2xx2⋯∂A2xxn⋮⋮⋱⋮∂Amxx1∂Amxx2⋯∂Amxxn]m×n=[a11a12⋯a1na21a22⋯a2n⋮⋮⋱⋮am1am2⋯amn]m×n=A\begin{split} \frac{\partial [Ax]_{m\times 1}}{\partial [x^T]_{1\times n}} &= \begin{bmatrix} \frac{\partial Ax}{x_{1}} & \frac{\partial Ax}{x_{2}} & \cdots & \frac{\partial Ax}{x_{n}} \\ \end{bmatrix}\\ &= \begin{bmatrix} \frac ...

循环神经网络Recurrent Neural Networks RNN的数学描述 参考零基础入门深度学习(5) - 循环神经网络 输入层 网络的输入是一串m维向量序列 x1,x2,⋯ ,xt,⋯\boldsymbol{x^1},\boldsymbol{x^2},\cdots,\boldsymbol{x^t},\cdotsx1,x2,⋯,xt,⋯ x1=[x11x21⋮xm1],x2=[x12x22⋮xm2],⋯ ,xt=[x1tx2t⋮xmt],⋯\boldsymbol{x^1} = \begin{bmatrix} x^1_1\\x^1_2\\\vdots\\x^1_m \end{bmatrix}, \boldsymbol{x^2} = \begin{bmatrix} x^2_1\\x^2_2\\\vdots\\x^2_m \end{bmatrix}, \cdots, \boldsymbol{x^t} = \begin{bmatrix} x^t_1\\x^t_2\\\vdots\\x^t_m \end{bmatrix}, \cdots x1=​x11​x21​⋮xm1​​​,x2= ...

MNIST手写数字数据集介绍 参考：MNIST手写数据集的Python读取 MNIST数据集的train-images.idex3-ubyte是60000张28×2828\times2828×28像素的图片，我们将其转换成784×1784\times1784×1的向量 MNIST数据集的train-labels.idex1-ubyte是60000个[0−9][0-9][0−9]的整数，我们将其转换成10×110\times110×1的one-hot向量 网络结构设计 采用两层前馈网络结构, 输入层设置784个节点, 隐藏层设置30个节点, 输出层设置10个节点 正向传播 输入层 oiI=xiI,i=1,2,⋯ ,784o^I_i= x_i^I,\qquad i=1,2,\cdots,784 oiI​=xiI​,i=1,2,⋯,784 隐藏层 xjJ=∑i=1784wjiJoiI+bjJojJ=σ(xjJ),j=1,2,⋯ ,30\begin{split} x_j^J &= \sum_{i=1}^{784} w_{ji}^Jo_i^I + b_j^J\\ o ...

MNIST手写数字数据集介绍 MNIST（Mixed National Institute of Standards and Technology） 获取 MNIST 数据集 数据库官网 THE MNIST DATABASEof handwritten digits 在官网上下载如图所示的4个文件并解压，得到下面4个文件 train-images.idx3-ubyte, Size: 44.8MB: ==训练集图片, 60000个样本, 每个样本是25*25像素的图片== train-labels.idx1-ubyte, Size: 58.6KB: ==训练集标签, 60000个标签, 每个标签是0-9的数字== t10k-images.idx3-ubyte, Size: 7.47MB: ==测试集图片, 10000个样本, 每个样本是25*25像素的图片== t10k-labels.idx1-ubyte, Size: 9.77KB: ==测试集标签, 10000个标签, 每个标签是0-9的数字== 注意, 从官网下载的源文件是4个.gz格式的压缩包, 需要分别解压才能得到上面的 ...

题目 定义一个非对称的随机游走: 令Y1,Y2,⋯ ,Yi,⋯Y_1,Y_2,\cdots,Y_i,\cdotsY1​,Y2​,⋯,Yi​,⋯独立同分布, 其中Pr{Yi=1}=23,Pr{Yi=−1}=13Pr\{Y_i = 1\} = \frac{2}{3},Pr\{Y_i = -1\} = \frac{1}{3}Pr{Yi​=1}=32​,Pr{Yi​=−1}=31​, 且定义Z0=0,Zn=∑i=1nYiZ_0=0,Z_n = \sum_{i=1}^nY_iZ0​=0,Zn​=∑i=1n​Yi​ 的随机过程{Zn,n≥0}\{Z_n,n\geq0\}{Zn​,n≥0}. 求这个过程从状态0到状态1的期望首达时间μ01\mu_{01}μ01​ μ01=E{T01∣Z0=0}=∑i=1∞nf01(n)\mu_{01} = E\{T_{01}|Z_0 = 0\} = \sum_{i=1}^\infty nf_{01}^{(n)} μ01​=E{T01​∣Z0​=0}=i=1∑∞​nf01(n)​ 其中 Tij=min{n∣Z0=i,Zn=j,n≥1}T_{ij} = ...