本篇博客将讲解如何备战美赛。什么是美赛美赛，全称是美国大学生数学建模竞赛（MCM/ICM），由美国数学及其应用联合会主办，是最高的国际性数学建模竞赛，也是世界范围内最具影响力的数学建模竞赛。赛题内容涉及经济、管理、环境、资源、生态、医学、安全等众多领域。竞赛要求三人为一组，在四天时间内，就指定的问题完成从建立模型、求解、验证到论文撰写的全部工作，体现了参赛选手研究问题、解决方案的能力及团队合作精神。美赛为现今各类数学建模竞赛之鼻祖。奖项英文名称中文名简称OutstandingWinner特等奖O奖Finalist特等奖提名F奖MeritoriousWinner优异奖（一等奖）M奖Honorab

链接：https://pan.baidu.com/s/1-u7GvgM0TLuiy9z7LYQ80Q?pwd=1688提取码：1688在Qt中提供了QUdpSocket类来进行UDP数据报（datagrams）的发送和接收。这里我们还要了解一个名词Socket，也就是常说的“套接字”。Qt网络之UDP网络基础学习是本文要介绍的内容，UDP（UserDatagramProtocol即用户数据报协议）是一个轻量级的，不可靠的，面向数据报的无连接协议。对于UDP我们不再进行过多介绍，如果你对UDP不是很了解，而且不知道它有什么用，那么我们这里就举个简单的例子：我们现在几乎每个人都使用的腾讯QQ，其聊

00.目录文章目录00.目录01.I2C简介02.I2C主要特点03.I2C硬件电路04.I2C时序基本单元05.I2C时序波形图06.附录01.I2C简介I2C(Inter－IntegratedCircuit)总线是一种由NXP（原PHILIPS）公司开发的两线式串行总线，用于连接微控制器及其外围设备。多用于主控制器和从器件间的主从通信，在小数据量场合使用，传输距离短，任意时刻只能有一个主机等特性。串行的8位双向数据传输位速率在标准模式下可达100kbit/s，快速模式下可达400kbit/s，高速模式下可达3.4Mbit/s。I2C是一个多主机的总线，每个设备既可以当主控器或被控器，又可作

无监督学习-聚类算法1、聚类介绍1.1、聚类作用知识发现异常值检测特征提取数据压缩的例子1.2、有监督与无监督学习有监督：给定训练集X和标签Y选择模型学习（目标函数的最优化）生成模型（本质上是一组参数、方程）根据生成的一组参数进行预测分类任务无监督：拿到的数据只有X没有标签，只能根据X的相似程度做一些事情Clustering聚类：对于大量未标注的数据集，按照内在的相似性来分为多个类别（簇）目标：类别内相似度大，类别内相似度大，类别间相似小也可以用来改变数据的维度，可以将聚类结果作为一个维度添加到训练数据中。降维算法，数据特征变少1.3聚类算法图片来源：https://scikit-learn.

文章目录1.OCR算法流程1.1传统OCR方法1.2深度学习OCR方法1.2.1two-stage方法：文字检测+识别1.2.2端到端方法2.文本检测算法3.文本识别算法3.1基于分割的单字符识别方法3.2基于序列标注的文本行识别方法1.OCR算法流程OCR(OpticalCharacterRecognition,光学字符识别)是指提取图像中的文字信息。1.1传统OCR方法传统OCR方法一般包含预处理、版面处理、字符切分、字符识别、后处理等五个步骤：传统ORC方法的缺点有：预处理和版面分析都是基于传统图像处理方法以及人工定义的规则，通常是基于固定场景开发的，无法迁移到其它场景中，应用范围有限。

系列文章目录机器学习（一）--概述机器学习（二）--数据预处理（1-3）机器学习（三）--特征工程（1-2）机器学习（四）--模型评估（1-4）未完待续……目录机器学习（四）--模型评估（1）机器学习（四）--模型评估（2）---系列文章目录前言四、 回归模型评估指标1、均方误差（MeanSquaredError，MSE）2、***均方根误差（Root MeanSquaredError，RMSE）3、***均方对数误差（MeanSquaredLogError，MSLE）4、平均绝对误差（MeanAbsoluteError，MAE）5、***平均绝对百分比误差（MeanAbsolutePerce

笔者最近入手了一台戴尔G155510笔记本电脑，第一时间将其初步拆解，了解其内部设计、构造和扩展性。一、机身总览1、屏幕和键盘2、A面略粗糙的手感。3、D面D面共有8颗螺丝，其中4颗（上有保护膜）为戴尔家比较常见的防脱落设计螺丝，另一侧有金属圆环，防止其脱落。如下图所示。二、拆解过程1、拆机工具拆解此电脑需要0号或者1号的十字型螺丝刀。2、按顺序将D面上的8颗螺丝依次拧下（其中的4颗防脱落螺丝只需拧松即可），然后将底壳接缝处划开，即可将底壳全部卸下，如下图所示。3、下图为卸下的底壳。4、主板和内存主板为戴尔家特有的倒装设计，看不到散热系统。内存为DDR4双插槽。5、电池56瓦时标准锂电池。6、

评价类问题解决评价类问题首先需要想到一下三个问题我们评价的目标是什么我们为了达到这个目标有哪几种可行方案评价的准则或者说指标是什么对于以上三个问题，我们可以根据题目中的背景材料，常识以及网上收集到的参考资料进行结合，从而筛选出最合适的指标优先选择知网，或者万方，百度学术等平台有理可依虫部落-快搜：https://search.chongbuluo.com假如你打算去出门游玩，那么可能会考虑景色，花费，居住，饮食，交通五个方面，如果一次性考虑这五个指标之间的关系，往往考虑不周。我们可以采取分而治之的思想，两个两个指标进行比较，最终根据两两比较的结果来推算出权重判断矩阵判断矩阵注意：0.3，4.5

存内计算：提高计算性能和能效的新技术传统的计算机架构是将数据存储在存储器中，然后将数据传输到计算单元进行处理。这种架构存在一个性能瓶颈，即数据传输延迟。存内计算通过将计算单元集成到存储器中，消除了数据传输延迟，从而提高了系统性能。什么是存内计算存内计算（Processing-In-Memory）是指在存储器内部直接进行数据处理的技术。存内计算的实现方式主要有两种：模拟存内计算：这种方法利用存储器单元的模拟特性进行计算。例如，利用存储器单元的阻值或电容进行矩阵乘法。模拟存内计算具有高能效的优势，但精度较低。数字存内计算：这种方法利用存储器单元的数字特性进行计算。例如，利用存储器单元进行加法、乘法

目录摘要一、引言二、相关工作三、方法四、ImageNet实验4.1主要属性4.2与先前结果的对比4.3部分微调五、迁移学习实验六、讨论与结论 七、核心代码Title：MaskedAutoencodersAreScalableVisionLearnersPaper：https://arxiv.org/abs/2111.06377Github：https://github.com/facebookresearch/mae摘要        本文证明了maskedautoencoder(MAE)是一种可扩展的(scalable)CV自监督学习器。MAE的思想很简单：mask输入图像的随机patche