Seaborn（seaborn是python中的一个可视化库，是对matplotlib进行二次封装而成，既然是基于matplotlib，所以seaborn的很多图表接口和参数设置与其很是接近）
导入库 import seaborn as sns
1、sns.stripplot分布散点图，其中有一个jitter参数表示散点图的各散点在回归模型中小幅度的分布；
2、sns.swarmplot分簇散点图；
3、sns.barplot()直方图；
4、sns.poinplot()点图；
5、sns.boxplot()盒图；
6、sns.set() 通用设置接口。set_style() 设置风格，darkgrid，whitegrid，dark，white，ticks；
7、sns.load_dataset(“”)调用数据集
8、sns.despine(offset=100) #offset表示图形到轴线的距离
9、set_context()环境设置专用接口，设置后全局绘图环境随之改变，绘图环境有notebook，paper，talk，poster；
10、seaborn风格多变的另一大特色就是支持个性化的颜色配置。颜色配置的方法有多种，常用方法包括以下两个：
color_palette，基于RGB原理设置颜色的接口，可接收一个调色板对象作为参数，同时可以设置颜色数量；hls_palette，基于Hue(色相)、Luminance(亮度)、Saturation(饱和度)原理设置颜色的接口，除了颜色数量参数外，另外3个重要参数即是hls
11、sns.palplot()将这些色块打印出来
12、sns.palplot(sns.color_palette(“hls”,n))——显示出n个不同颜色的色块
sns.palplot(sns.color_palette(“Paired”,2n))——显示出2n个不同颜色的色块，且这些颜色两两之间是相近的
sns.palplot(sns.color_palette(“color”))——由浅入深显示出同一颜色的色块
sns.palplot(sns.color_palette(“color_r”))——由深入浅显示出同一颜色的色块
sns.palplot(sns.color_palette(“cubehelix”,n))——显示出n个颜色呈线性变化的色块
13、sns.xkcd_rgb[]设置颜色
14、 观测两个变量之间的分布关系最好用散点图
15、kind='hex’可以通过颜色深浅将数据分布疏密情况表现出来
16、单变量分布（变量分布可用于表达一组数值的分布趋势，包括集中程度、离散程度等）
distplot 直方图
kdeplot 核密度估计图
rugplot 直译为地毯，绘图方式就是将数值出现的位置原原本本的以小柱状的方式添加在图表底部
17、多变量分布
jointplot是一个双变量分布图表接口。绘图结果主要有三部分：绘图主体用于表达两个变量对应的散点图分布，在其上侧和右侧分别体现2个变量的直方图分布，如第14，15点的图
pairplot 当变量数不止2个时，pairplot是查看各变量间分布关系的首选。它将变量的任意两两组合分布绘制成一个子图，对角线用直方图、而其余子图用相应变量分别作为x、y轴绘制散点图。显然，绘制结果中的上三角和下三角部分的子图是镜像的
18、回归分析
regplot() 绘图结果为散点图+回归直线即置信区间。另外，还可通过logistic参数设置是否启用逻辑回归；
Implot 也是用于绘制回归图表，但功能相比更为强大，除了增加hue参数支持分类回归外，还可添加row和col参数（二者均为FacetGrid中的常规参数，用于添加多子图的行和列）实现更多的分类回归关系。这里以seaborn中的小费数据集进行绘制；
residplot 提供了拟合后的残差分布图，相当于先执行lmplot中的回归拟合，而后将回归值与真实值相减结果作为绘图数据。直观来看，当残差结果随机分布于y=0上下较小的区间时，说明具有较好的回归效果
19、盒图，即矩阵图
（IQR即统计学概念四分位距，第一/四分位与第三/四分位之间的距离 ·N=1.5IQR如果一个值>Q3+N或<Q1-N,则为离群点）
sns.heatmap() 热度图
（vmin，vmax为设置的最大，最小值）
20、clustermap 在heatmap的基础上，clustermap进一步挖掘各行数据间的相关性，并逐一按最小合并的原则进行聚类，给出了聚类后的热力图
前言：在日常的开发项目当中，这两个注解是经常会用到的，但是在实际使用当中好像使用起来并没有多大区别，这里我就对这两个注解进行一个详细的区别总结，通过一个完整的典型例子进行论证，思路清晰明了。目录一、结论二、典型案例（一）、准备代码（二）、使用@Autowired默认进行注入（三）、使用@Autowired+@Qualifier进行注入（四）、使用@Resource默认进行注入（五）、使用@Resource指定名称进行注入三、结语一、结论先说结论：1、@Autowired默认是根据类型（ByType）注入的，@Resource默认是根据名称（ByName）注入的。2、@Autowired是Spr
定义：云计算是一种按需提供资源的模式云计算是结合了信息，软件，互联网等技术的一种服务体系在云计算中，网络可以分为虚拟网络和物理网络对上层应用提供的软件按口标准底层可使用虚拟化技术提高资源利用率支持用户使用多种设备通过网络使用云上资源在云计算模型的资源池中，资源能够快速供应并释放,使管理资源的l工作量和与服务提供商的交互减小到最低限度云计算中的云，是网络、互联网的一种比喻说法，是互联网与建立互联网所需要的底层基础设施的抽象体云计算是一种模型，它可以实现随时随地、便捷地、从资源共享池中获取所需的网络、存储、应用、服务器等资源通用点：使用虚拟化技术大规模云计算与虚拟化：虚拟化不等同于云计算云计算是为
P2P、P2C、O2O、B2C、B2B、C2C的区别1P2P(Peer-to-Peer)个人对个人P2P是民间小额借贷的一种模式，是指个人通过第三方平台(P2P公司)在收取一定费用的前提下向他人提供小额借贷的金融模式。P2P两种模式：纯线上模式：纯粹P2P，直接在线上进行信息匹配，但是这种模式并不担保债券转让模式：平台本身先放贷，再将债券放到平台进行转让2O2O(Online-to-Offline)线下商务与互联网结合将线下商务与互联网结合在了一起，让互联网成为了线下交易的前台。3B2C(Business-to-Customer)商对客B2C就是我们通常说的商业零售，直接面向消费者销售产品和服
马尔可夫链前言马尔可夫链（MarkovChain）可以说是机器学习和人工智能的基石，在强化学习、自然语言处理、金融领域、天气预测、语音识别方面都有着极其广泛的应用Thefutureisindependentofthepastgiventhepresent未来独立于过去，只基于当下。这句人生哲理的话也代表了马尔科夫链的思想：过去所有的信息都已经被保存到了现在的状态，基于现在就可以预测未来。虽然这么说可能有些极端，但是却可以大大简化模型的复杂度，因此马尔可夫链在很多时间序列模型中得到广泛的应用，比如循环神经网络RNN，隐式马尔可夫模型HMM等，当然MCMC也需要它。随机过程马尔可夫链是随机过程这门
此篇博客先对音频基础知识进行简要叙述，然后帮助读者入门esp-srSDK。1音频的基本概念1.1声音的本质声音的本质是波在介质中的传播现象，声波的本质是一种波，是一种物理量。两者不一样，声音是一种抽象的，是声波的传播现象，声波是物理量。1.2声音的三要素响度：人主观上感觉声音的大小（俗称音量），由振幅和人离声源的距离决定，振幅越大响度越大，人和声源的距离越小，响度越大。音调：频率的不同决定了声音的高低（高音、低音），频率越高音调越高（频率单位为Hz，赫兹），人耳听觉范围20～20000Hz。20Hz以下称为次声波，20000Hz以上称为超声波）。音色：由于不同对象材料的特点，声音具有不同的特性
文章目录前言1.GPT的前世今生1.1OpenAI及GPT系列1.2ChatGPT及同期对比模型2.技术原理2.1预训练语言模型2.2训练奖励模型2.3用强化学习微调3.目前缺陷参考文献前言2022年11月30日，OpenAI推出人工智能聊天模型ChatGPT（ChatGPT:OptimizingLanguageModelsforDialogue），很快引起百万用户注册使用，公众号和热搜不断，迅速火出圈，甚至引起各大公司在聊天对话机器人上的军备竞赛。1.GPT的前世今生1.1OpenAI及GPT系列OpenAI（开放人工智能）是美国一个人工智能研究实验室，成立于2015年底，由营利组织Open
与GANFLOWVAE类似扩散模型是一种生成模型。需要用到的概率事实：条件概率马尔科夫链的转移公式高斯分布的KL散度公式KL(P,Q)=logσ2σ1+σ2+(μ1−μ2)22σ22−12(其中P.Q为一维高斯分布)KL(P,Q)=log\frac{\sigma_2}{\sigma_1}+\frac{\sigma^2+(\mu_1-\mu_2)^2}{2\sigma_2^2}-\frac12{\tiny(其中P.Q为一维高斯分布)}KL(P,Q)=logσ1σ2+2σ22σ2+(μ1−μ2)2−21(其中P.Q为一维高斯分布)重参数技巧(从特殊高斯分布中采样点时不可
目录MySQL索引、事务、锁、MVCC简述一、索引 1.1执行计划Explain 1.2索引结构 1.2.1Hash 1.2.2二叉搜索树 1.2.3平衡二叉搜索树（AVL） 1.2.4多叉平衡搜索树 1.2.4.1B-Tree 1.2.4.2B+Tree 1.2.5B-Tree与B+Tree的区别 1.3Myisum与InnoDB的区别 1.3.1Myisum 1.3.2InnoDB 1.4名词解释二、事务 2.1事务的定义 2.2不同事物隔离级别效果 2.2事务中的隔离性实现 2.3锁机制 2.3.1常见的
a标签的target属性一共有4个值：_self：默认属性。在当前窗口或者框架中加载目标文档。_blank：打开新的窗口或者新的标签页。在使用这个属性时，最好添加rel=“noopenernorefferrer”属性，防止打开的新窗口对原窗口进行篡改。防止window.openerAPI的恶意行为。_parent：在frame或者iframe中使用较多。在父级框架中载入目标文档，当a标签本身在顶层时，与_self相同。_top：在frame或者iframe中使用较多。直接在顶层的框架中载入目标文档，加载整个窗口。
文本生成图像（text-to-image）指的是使用人工智能技术将文本转换为图像的过程，其可以根据给定文本生成符合描述的真实图像，其是多模态机器学习的任务之一，具有巨大的应用潜力，如视觉推理、图像编辑、视频游戏、动画制作和计算机辅助设计。本篇将简述文本生成图像的技术难点和研究要点等一、难点文本生成图像的技术难点主要有两个：如何捕捉文本和图像之间的复杂关系；如何生成高质量的图像。首先，文本和图像之间的关系非常复杂，文本描述的内容可能包括物体、场景、动作和情感等多种信息，而图像则可能呈现出多种不同的形态和特征。因此，捕捉文本和图像之间的关系是文本生成图像技术的难点。其次，文本生成图像的技术必须能够
