🥳博 主：初映CY的前说(前端领域)🌞个人信条：想要变成得到，中间还有做到！🤘本文核心：当我们在路由跳转前与后我们可实现触发的操作【前言】当我们在做类似于登录页面的时候，从登录页跳转到首页需要对token做一个判断，如果我们的token存在的话那么我们就可以直接进行跳转，如没有token的话会自动跳转登录页。或者当我们在处理页面跳转时，对某一些条件进行一个判断，true走什么路径/false走什么路径。 补充路由的声明与写法详见：http://t.csdn.cn/YCsD7 文末附所有的源码目录一、路由守卫介绍1.什么是路由导航守卫？2.为什么要有路由导航守卫？3.路由导航守卫有哪
🥳博 主：初映CY的前说(前端领域)🌞个人信条：想要变成得到，中间还有做到！🤘本文核心：当我们在路由跳转前与后我们可实现触发的操作【前言】当我们在做类似于登录页面的时候，从登录页跳转到首页需要对token做一个判断，如果我们的token存在的话那么我们就可以直接进行跳转，如没有token的话会自动跳转登录页。或者当我们在处理页面跳转时，对某一些条件进行一个判断，true走什么路径/false走什么路径。 补充路由的声明与写法详见：http://t.csdn.cn/YCsD7 文末附所有的源码目录一、路由守卫介绍1.什么是路由导航守卫？2.为什么要有路由导航守卫？3.路由导航守卫有哪
文章目录1.stack的使用2.stack的模拟实现3.queue的使用4.queue的模拟实现5.deque——双端队列deque优缺点6.priority_queue——优先级队列1.priority_queue的使用2.priority_queue的模拟实现push——插入pop——删除top——堆顶仿函数问题完整代码实现1.stack的使用栈不在是一个容器，而是一个容器适配器，stack的模板中第二个deque暂时不知道干什么的，后面会说说明stack是一个容器适配器，并且为了保证严格的先进后出，所以不存在迭代器#include#includeusingnamespacestd;int
文章目录1.stack的使用2.stack的模拟实现3.queue的使用4.queue的模拟实现5.deque——双端队列deque优缺点6.priority_queue——优先级队列1.priority_queue的使用2.priority_queue的模拟实现push——插入pop——删除top——堆顶仿函数问题完整代码实现1.stack的使用栈不在是一个容器，而是一个容器适配器，stack的模板中第二个deque暂时不知道干什么的，后面会说说明stack是一个容器适配器，并且为了保证严格的先进后出，所以不存在迭代器#include#includeusingnamespacestd;int
关于torch.cat()与torch.stack()整理代码中一直使用torch.cat()和torch.stack()进行tensor维度拼接，花点时间整理下。方便使用🤷♂️：1.用法torch.cat():用于连接两个相同大小的张量torch.stack():用于连接两个相同大小的张量，并扩展维度见代码示例更清晰：importtorcha=torch.tensor(torch.arange(10)).reshape(3,3)b=torch.tensor(torch.arange(10,100,10)).reshape(3,3)print(a)Out[7]:tensor([[1,2,3]
关于torch.cat()与torch.stack()整理代码中一直使用torch.cat()和torch.stack()进行tensor维度拼接，花点时间整理下。方便使用🤷♂️：1.用法torch.cat():用于连接两个相同大小的张量torch.stack():用于连接两个相同大小的张量，并扩展维度见代码示例更清晰：importtorcha=torch.tensor(torch.arange(10)).reshape(3,3)b=torch.tensor(torch.arange(10,100,10)).reshape(3,3)print(a)Out[7]:tensor([[1,2,3]
k-means聚类接下来是进入聚类算法的的学习，聚类算法属于无监督学习，与分类算法这种有监督学习不同的是，聚类算法事先并不需要知道数据的类别标签，而只是根据数据特征去学习，找到相似数据的特征，然后把已知的数据集划分成几个不同的类别。比如说我们有一堆树叶，对于分类问题来说，我们已经知道了过去的每一片树叶的类别。比如这个是枫树叶，那个是橡树叶，经过学习之后拿来一片新的叶子，你看了一眼，然后说这是枫树叶。而对于聚类问题，这里一堆树叶的具体类别你是不知道的，所以你只能学习，这个叶子是圆的，那个是五角星形的；这个边缘光滑，那个边缘有锯齿……这样你根据自己的判定，把一箱子树叶分成了几个小堆，但是这一堆到底
k-means聚类接下来是进入聚类算法的的学习，聚类算法属于无监督学习，与分类算法这种有监督学习不同的是，聚类算法事先并不需要知道数据的类别标签，而只是根据数据特征去学习，找到相似数据的特征，然后把已知的数据集划分成几个不同的类别。比如说我们有一堆树叶，对于分类问题来说，我们已经知道了过去的每一片树叶的类别。比如这个是枫树叶，那个是橡树叶，经过学习之后拿来一片新的叶子，你看了一眼，然后说这是枫树叶。而对于聚类问题，这里一堆树叶的具体类别你是不知道的，所以你只能学习，这个叶子是圆的，那个是五角星形的；这个边缘光滑，那个边缘有锯齿……这样你根据自己的判定，把一箱子树叶分成了几个小堆，但是这一堆到底
文章目录前言中值中值计算和期望的不同前言一开始看到themedianofthisdistribution的时候，人是懵逼的，我这么孤陋寡闻吗？分布竟然还有中值？不是只有期望吗？中值那么中值到底是什么呢？我们知道一个概率密度函数的积分是1，因此我们可以找到一条竖线，将其分为两部分，左边面积为1/2，右边面积为1/2。这条线所对应的横坐标就是这个分布的中值，如下图所示（横坐标标识随机变量x的取值范围，纵坐标表示概率密度）：上面这一条线将面积一分为2，该竖线对应的横坐标就是该分布的中值！！现实含义：有一半的概率会落在竖线左边，另一半的概率落在右边，所以叫做中值。。。。。中值计算所以，给你一个分布，你
文章目录前言中值中值计算和期望的不同前言一开始看到themedianofthisdistribution的时候，人是懵逼的，我这么孤陋寡闻吗？分布竟然还有中值？不是只有期望吗？中值那么中值到底是什么呢？我们知道一个概率密度函数的积分是1，因此我们可以找到一条竖线，将其分为两部分，左边面积为1/2，右边面积为1/2。这条线所对应的横坐标就是这个分布的中值，如下图所示（横坐标标识随机变量x的取值范围，纵坐标表示概率密度）：上面这一条线将面积一分为2，该竖线对应的横坐标就是该分布的中值！！现实含义：有一半的概率会落在竖线左边，另一半的概率落在右边，所以叫做中值。。。。。中值计算所以，给你一个分布，你
