草庐IT

Codeforces 1672 F1. Array Shuffling

全部标签

Codeforces Round #834 (Div. 3) A~E题解

原题地址:CodeforcesRound#834(Div.3)题目:A.Yes-Yes?题意:    给定一个字符串s,看这个字符串s是不是多个Yes组成的字符串ans=“YesYesYesYesYes...”的子串,因为题目所给定的s的长度为50,那么我们定义一个长度为100的“YesYes...”串ans,然后看s是否是ans的子串即可代码:        #include#include#include#include#include#include#includetypedeflonglongll;usingnamespacestd;constintN=1e5+10;constintm

YOLO 模型的评估指标——IOU、Precision、Recall、F1-score、mAP

YOLO是最先进的目标检测模型之一。目标检测问题相比分类问题要更加复杂,因为目标检测不仅要把类别预测正确,还要预测出这个类别具体在哪个位置。我将目标识别的评估指标总结为两部分,一部分为预测框的预测指标,另一部分为分类预测指标。预测框的预测指标——IOU(交并比)预测框的准确率用IOU来反映。交并比是目标检测问题中的一项重要指标,它在训练阶段反映的是标注框与预测框的重合程度,用于衡量预测框的正确程度。 如上图所示,绿色框为标注框,是在标注数据集时人为标注的框;红色框为预测框,是训练的模型预测出的预测框;中间的橙色区域则为两个框的重合区域。而判断这个模型预测框预测的准不准,就要看IOU了。  如上

STM32学习-基于STM32F1具有控制菜单的温控小风扇

一、前言本文仅作个人学习记录,非教程,内容不完整,仅供参考,请勿用于商业用途。二、概述使用ADC读取环境温度,根据环境温度设置PWM占空比,从而控制FAN转速。控制菜单功能:1.设置特定转速,2.切换为手动模式任意控制FAN转速。三、系统框图整个系统并不复杂:MCU负责运行代码并输出信号;NTC是温变电阻,阻值随温度变化;电位器用于手动任意控制FAN转速;按键;L298N是电机驱动模块,单片机IO口无法直接驱动Motor;Motor。四、软硬件设计4.1设置定时器输出PWM&驱动电机4.1.1软件设置使用TIM3的CH1输出PWM频率计算公式:占空比计算公式:__HAL_TIM_SetComp

Codeforces Round #791 (Div. 2)(A-D)

CodeforcesRound#791(Div.2)(A-D)A.AvtoBus题意:给你n,问满足4x+6y=n4x+6y=n4x+6y=n的x+yx+yx+y的最小值和最大值是多少?x,yx,yx,y都是非负整数。题解:n如果是奇数,无解。如果是偶数,等式除以2,考虑2x+3y=n2x+3y=n2x+3y=n。要想使得x+yx+yx+y尽可能大,那么x要尽量多,就需要找最小的y满足n−3yn-3yn−3y是偶数,分别讨论摸3的各种情况。反之同理。#includeusingnamespacestd;typedeflonglongll;typedefpairint,int>pii;consti

实例分割计算指标TP,FP,FN,F1(附代码)

目录源代码:返回值 我使用的groundTruth图像: 预测图像  基于IOU的F1是评价模型实例分割能力的一种评价指标,该指标在2018年的Urban3DChallenge和2020年的阿里天池建筑智能普查竞赛中作为评价标准。计算公式如下:其余计算指标:1、IoU: 交并比,两个区域重叠的部分除以两个区域的集合部分,IOU算出的值score>0.5就可以被认为一个不错的结果了2、mIoU(meanIoU):均交并比,识别或者分割图像一般都有好几个类别,把每个分类得出的分数进行平均一下就可以得到meanIoU,也就是mIoU。3、Precision:精确率,混淆矩阵计算得出,P=TP/(TP

Lesson 5.2 混淆矩阵与 F1-Score

文章目录一、混淆矩阵与F1-Score1.准确率局限2.混淆矩阵(Confusionmatrix)3.混淆矩阵中的模型评估指标3.1围绕识别类别1所构建的评估指标3.2围绕识别类别0所构建的评估指标4.混淆矩阵评估指标使用策略5.多分类混淆矩阵接下来,我们重点讨论关于分类模型评估指标相关内容。#科学计算模块importnumpyasnp​#绘图模块importmatplotlibasmplimportmatplotlib.pyplotasplt​#自定义模块fromML_basic_functionimport*一、混淆矩阵与F1-Score分类模型作为使用场景最为广泛的机器学习模型,相关模型

机器学习评估指标 - f1, precision, recall, acc, MCC

1介绍TP,TF,FP,FN       TP,TF,FP,FN是针对二分类任务预测结果得到的值,这四个值构成了混淆矩阵;       如下图的混淆矩阵:       左侧表示真实的标签,human标记为0;fake标记为1;       右侧部分predictedclass表示预测的标签;       因此:TN表示(True--预测正确,Negitive,预测为0)预测标签为0(human),预测正确;                    FN表示(False--预测错误,Negitive,预测为0)预测标签为0(human),预测错误;                    FP表示 

分类问题的评价指标(Precision、Recall、Accuracy、F1-Score、Micro-F1、Macro-F1)以及混淆矩阵、ROC曲线

文章目录一、四个基本概念TP、FP、TN、FN二、精确率(precision)、召回率(recall)、准确率(accuracy)三、F1-Score(F1分数)四、宏平均Macro-F1、微平均Micro-F1、加权平均Weightedavg五、混淆矩阵(ConfusionMatrix)六、ROC曲线和AUC(AreaUndertheCurve,曲线下面积)一、四个基本概念TP、FP、TN、FN真阳性:预测为正,实际为正。把正样本成功预测为正。 TP——TruePositive假阳性:预测为正,实际为负。把负样本错误预测为正。 FP——FalsePositive ——>误报真阴性:预测为负、

STM32F1系列简单介绍及入门学习

目录一、初识STM321.什么是STM322.STM32的应用场景3.STM32产品命名规则二、STM32F103C8T6介绍1.简要说明2.基本参数3.最小系统板三、STM32F103系列芯片寄存器映射1.什么是寄存器2.什么是存储器映射3.确定寄存器地址的方法4.实例说明四、GPIO端口初始化1.时钟配置2.输入输入配置及最大速率的配置五、实例战斗——仿真点亮LED灯1.创建工程2.编写.h文件3.编写main函数六、软件仿真1.编译成功后,调试2.调试,软件仿真七、参考文献:一、初识STM321.什么是STM32STM32,从字面上来理解,ST是意法半导体,M是Microelectron

windows - 如何将 alt + f1 键分配给打开的 Windows 应用程序

我通常有超过10个打开的应用程序窗口。当我编写代码时,我需要在浏览器、IDE和终端窗口之间快速切换。Alt+tab太慢,太多窗口无法选择。虚拟桌面对我来说是一种变通方法。我在第一个桌面上使用浏览器,在第二个IDE上,等等。这样我就可以在我最重要的应用程序之间快速切换。还有问题。是否有适用于WindowsXP/Vista的实用程序允许将键盘快捷键(如alt+f1..f10)分配给打开的应用程序窗口?更新:我发现的所有程序都允许定义应用程序的快捷方式。例如。他们将打开新的Firefox实例,而不是切换到已打开的实例。最接近我需要的是Switcher.它会显示所有打开的窗口的大缩略图,以及要