一、前言要理解cordic算法，我们先证明一道中学的数学题。已知，OA逆时针旋转θ角度后得到OB，线段OA=OB，∠AOB=θ，A点坐标（x1,y1）,B点坐标（x2,y2）。求证：x2=x1*cosθ -y1*sinθy2=x1*sinθ+y1*cosθ证明：如图所示，假设A在第一象限，点A沿着点O做旋转至点B，可能旋转到第一象限或者第二象限或者第三象限或者第四象限。假设OA=OB=m。假设点B在第一象限，求证如下:根据三角函数定理：x1=m*cosα，y1=m*sinα。x2=m*cos(α+θ)=m*(cosαcosθ-sinαsinθ)=m*(cosαcosθ-cosαtanαsinθ
文章目录一、超参数优化与枚举网格的理论极限1.超参数优化HPO（HyperParameterOptimization）2.网格搜索的理论极限与缺点3.建立benchmark：随机森林中枚举网格搜索的结果二、随机网格搜索RandomizedSearchCV1.基本原理2.随机网格搜索的实现3.相同的全域参数空间4.随机网格搜索的理论极限5.更大/更密集的全域空间6.连续型的参数空间首先，导入我们需要的库。importnumpyasnpimportpandasaspdimportsklearnimportmatplotlibasmlpimportmatplotlib.pyplotaspltimpo
文章目录一、超参数优化与枚举网格的理论极限1.超参数优化HPO（HyperParameterOptimization）2.网格搜索的理论极限与缺点3.建立benchmark：随机森林中枚举网格搜索的结果二、随机网格搜索RandomizedSearchCV1.基本原理2.随机网格搜索的实现3.相同的全域参数空间4.随机网格搜索的理论极限5.更大/更密集的全域空间6.连续型的参数空间首先，导入我们需要的库。importnumpyasnpimportpandasaspdimportsklearnimportmatplotlibasmlpimportmatplotlib.pyplotaspltimpo
分布式事务——Seata分布式事务1.本地事务与分布式事务1.1本地事务本地事务，也就是传统的单机事务。在传统数据库事务中，必须要满足四个原则：1.2分布式事务问题分布式事务，就是指不是在单个服务或单个数据库架构下，产生的事务，例如：跨数据源的分布式事务跨服务的分布式事务综合情况在数据库水平拆分、服务垂直拆分之后，一个业务操作通常要跨多个数据库、服务才能完成。例如电商行业中比较常见的下单付款案例，包括下面几个行为：创建新订单扣减商品库存从用户账户余额扣除金额完成上面的操作需要访问三个不同的微服务和三个不同的数据库。订单的创建、库存的扣减、账户扣款在每一个服务和数据库内是一个本地事务，可以保证A
分布式事务——Seata分布式事务1.本地事务与分布式事务1.1本地事务本地事务，也就是传统的单机事务。在传统数据库事务中，必须要满足四个原则：1.2分布式事务问题分布式事务，就是指不是在单个服务或单个数据库架构下，产生的事务，例如：跨数据源的分布式事务跨服务的分布式事务综合情况在数据库水平拆分、服务垂直拆分之后，一个业务操作通常要跨多个数据库、服务才能完成。例如电商行业中比较常见的下单付款案例，包括下面几个行为：创建新订单扣减商品库存从用户账户余额扣除金额完成上面的操作需要访问三个不同的微服务和三个不同的数据库。订单的创建、库存的扣减、账户扣款在每一个服务和数据库内是一个本地事务，可以保证A
0.说明本文也许比较乱，请看目录再食用。后续会出文机器学习基础理论学习笔记（8）特征选择（featureselection）（二）将分类问题和回归问题分开总结。以及或将出文机器学习基础理论学习笔记（8）特征选择（featureselection）（三）将sklearn上面实现的特征选择API和方法总结。1.特征选择特征选择是特征工程里的一个重要问题，其目标是寻找最优特征子集。特征选择能剔除不相关(irrelevant)或冗余(redundant)的特征，从而达到减少特征个数，提高模型精确度，减少运行时间的目的。另一方面，选取出真正相关的特征简化模型，协助理解数据产生的过程。并且常能听到“数据和
0.说明本文也许比较乱，请看目录再食用。后续会出文机器学习基础理论学习笔记（8）特征选择（featureselection）（二）将分类问题和回归问题分开总结。以及或将出文机器学习基础理论学习笔记（8）特征选择（featureselection）（三）将sklearn上面实现的特征选择API和方法总结。1.特征选择特征选择是特征工程里的一个重要问题，其目标是寻找最优特征子集。特征选择能剔除不相关(irrelevant)或冗余(redundant)的特征，从而达到减少特征个数，提高模型精确度，减少运行时间的目的。另一方面，选取出真正相关的特征简化模型，协助理解数据产生的过程。并且常能听到“数据和
一、基于BP算法的多层感知器模型采用BP算法的多层感知器是至今为止应用最广泛的神经网络，在多层感知器的应用中，以图3-15所示的单隐层网络的应用最为普遍。一般习惯将单隐层前馈网称为三层感知器，所谓三层包括了输入层、隐层和输出层。算法最终结果采用梯度下降法，具体详细过程此处就省略了！二、BP算法的程序实现流程三、标准BP算法的改进——增加动量项标准BP算法在调整权值时，只按t时刻误差的梯度降方向调整，而没有考虑t时刻以前的梯度方向，从而常使训练过程发生振荡，收敛缓慢。为了提高网络的训练速度，可以在权值调整公式中增加一动量项。若用W代表某层权矩阵，X代表某层输入向量，则含有动量项的权值调整向量表达
一、基于BP算法的多层感知器模型采用BP算法的多层感知器是至今为止应用最广泛的神经网络，在多层感知器的应用中，以图3-15所示的单隐层网络的应用最为普遍。一般习惯将单隐层前馈网称为三层感知器，所谓三层包括了输入层、隐层和输出层。算法最终结果采用梯度下降法，具体详细过程此处就省略了！二、BP算法的程序实现流程三、标准BP算法的改进——增加动量项标准BP算法在调整权值时，只按t时刻误差的梯度降方向调整，而没有考虑t时刻以前的梯度方向，从而常使训练过程发生振荡，收敛缓慢。为了提高网络的训练速度，可以在权值调整公式中增加一动量项。若用W代表某层权矩阵，X代表某层输入向量，则含有动量项的权值调整向量表达
此方法理论上讲适用于所有Ubuntu版本（可能太老的不行）本文章中写的是18.04的，之前我在16.04，20.04上均安装成功文章目录下载Python安装Python（方法一：默认安装路径）安装Python（方法二：自定义安装路径）更新命令‘python’默认指向为我们所安装的版本方式一：当前版本号直接将指向链接更新方式二：指向其他版本号众所周知，Ubuntu中自带Python（有些只带2有些只带3，有些两个都带）我们首先查看一下当前系统自带的Python版本及指向：ls-l/usr/bin|greppython从上图可以看出是我们输入python3指向的是Python3.6的版本我们再输入
