使用随机梯度下降法(SGD)求解一元三次方程的根。在知乎上看的。 求解分析 原题目是求解: a3+a2a^3+a^2a3+a2 这里为了方便于我们理解，我把方程简化成2元方程：a2=49a^2 = 49a2=49。使用随机梯度下降法求解方程。 我们可以把我们平时遇到的神经网络看成是一个函数 y=fθ(x)y=f_\theta(x)y=fθ​(x)，其中y是神经网络的输出，θ\thetaθ是神经网络的参数，而x是神经网络的输入。 我们就可以把题目看成是有一个神经网络，假定函数为 y=fθ(x)=θ2−49y=f_\theta(x)=\theta^2-49y=fθ​(x)=θ2−49，要求的这样一个最佳的θ\thetaθ 使得无论输入x的任意值，使得y都逼近于0。 我们首先需要定义一个损失函数来对参数进行评估：cost(x)=fθ2(x)cost(x)=f_\theta^2(x)cost(x)=fθ2​(x)，当cost(x)的值越小，那么θ\thetaθ的表征预测值和准确值就越接近。 神经网络的目标就是求得一个θ\thetaθ使得上面的损失函数最小。 使用随机梯度下降法迭代求取θn\t ...

树莓派已经完全脱离了一般的嵌入式单片机体系了，它对于嵌入式软件开发已经走在了一个非常高的高度了。用树莓派做嵌入式开发的好处在于你不需要关心硬件层面的东西，只要按照引脚接好，然后调用特定的函数就可以使用了。。。 Tips：本文用到的工具都可以在文章末尾的压缩包中找到。 前言 我把嵌入式开发分成硬件开发以及软件开发，STM32属于完全型的，既要懂得硬件原理，会操作寄存器，会通过使能特定的信号来实现对硬件不同状态的控制。也要能够对算法逻辑非常的清晰，中断处理，算法程序设计等等，还有各种稀奇古怪的知识，比如volatile，这个关键字基本上不会在软件开发中用到，但是在STM32中经常被提及，因为STM32的中断啥的特别多。 树莓派和Ardunio是可以属于那种纯粹的上层软件开发，你可以只关心代码怎么写，而不需要考虑我该怎么驱动他。当然，如果你找不到对应的库文件，你还是需要自己去驱动硬件的，就像小学期的一个超声波模块一样，死活找不到合适的树莓派的超声波模块，只能自己动手写一个驱动程序了。 还有一个是树莓派使用的语言是C或者Python，Python用的比较多，所以要学树莓派还需要一点Pytho ...

如果我们在日常生活中，想要写一个手势识别的程序，需要从哪开始？先选一个合适的神经网络模型，然后拍摄大量的手势图片，手动分类之后进行训练？这对于想学习机器学习的同学来说是不错的。但是这种方法需要耗费大量的精力还有时间成本，如何快速有效的写一个图像手势识别程序？ 说明 这篇文章是教大家在做一些项目的时候，如果我们遇到了一些需要用到机器学习的地方，例如图像识别，语音识别，人脸定位，行为分析，数量统计等等，或者说你要自己训练一个神经网络，完全可以寻求别人已经训练好的模型。可以在百度云AI开放平台上面轻松找到。在阿里云上也可以找到类似的平台。 这里可以找到你需要用到的绝大部分AI接口。这里以图像手势识别为例，简单介绍一下使用方法。 准备 一个百度云账号 合理搭建的Python环境 创建一个人体分析应用 在百度ai开放平台上创建一个应用，名称随意，类型随意，接口选择人体分析，应用描述随便写点。 人体分析每天可以免费使用10000次，基本上足够我们日常使用了。 在创建完之后，我们可以在应用下面获得APP_ID、API_KEY和SECRET_KEY。 使用接口 接口的使用其实不难，如果不会使 ...

这只是一个最最最基础版本的Python爬虫入门，代码是我两年前写的，最近两天没事翻出来再写(shui)一篇博客。就是爬取王者荣耀英雄的皮肤。然后备注也是写的十分的详细，所以就不做过多的解释，如果想提高自己Python水平的同学可以照着敲一遍。 获取加载文件 打开王者荣耀官网。 然后随便点一个英雄的界面，然后按f12打开开发者调试工具。 然后我们把这个花间舞的头像指向的地址复制出来，就是后面那个地址，然后把它粘贴在地址栏，就可以看到我们得到了一张花间舞的高清图片，我们要爬取的就是这张图片。 获取图片地址信息 我们一般会多打开几张图片，然后观察他们的共性。 我们可以发现，就只有上面的141和bigskin后面的代码不一样，那我们就可以猜测414和199应该就是英雄的代号，2和3就是指第几张图片，这就好办了，那我们又怎么知道英雄的代码和皮肤的代号呢。 我们先返回到这个英雄界面，我们知道，网页要加载这些图片，肯定不是一开始就这样排好的，肯定有一个文件里面存了这些图片的信息，所以一般只需要更新那个文件就可以更新这个网页的内容了，我们先把那个文件找出来，一般这种文件都是json或者js为后 ...

最近森林里出现了一件怪事，夜空中的星星每天晚上都会少一颗，最先发现这件事的是小狐狸。 为什么小狐狸会在意这种根本没人在乎的事情呢？原来，小狐狸种的葡萄快成熟了，他每天盯着这些青葡萄流口水，他实在是太喜欢吃葡萄了，可是现在又没法吃，最后导致自己经常性失眠。于是，小狐狸用起了最原始的办法，每天晚上躺在葡萄架下面数星星，一颗星星，两颗星星，三颗星星…等到小狐狸数够3000颗的时候，小狐狸就打着呼噜睡着了。 可是这一次，当小狐狸数到2999颗星星的时候，却找不到第3000颗星星了，到了第二天，只剩下2998颗星星了，小狐狸连续观察了好几天，发现每天都会比昨天少一颗星星。 这下子小狐狸开始着急了，如果这样下去，天上的星星越来越少，以后自己岂不是又要失眠了？ 小狐狸的眼睛滴溜溜地转:“一定是谁把星星给偷走了，看我怎么把你找出来。” 小狐狸给葡萄树围上了木栅栏，带上背包和干粮就出发了。 第一天，小狐狸先去了长颈鹿的家，因为长颈鹿的脖子长，看得也远，说不定他知道是谁偷走了星星。 “长颈鹿先生，请问你知道是谁偷走了星星吗？” “什么？星星少了吗？我看这夜空中的星星很多呀，怎么会少呢？”长颈鹿抬头看了 ...

由于这几天接触到了各种通信协议，但是却没有搞懂，造成了一点尴尬。。。来总结一下各个通信协议之间的区别。 IIC协议(也叫I2C协议) IIC协议(Inter-Integrated Circuit)协议，是由PHILIPS(荷兰皇家飞利浦)公司提出的。为了让主板、嵌入式系统或手机用以连接低速周边外部设备而发展。IIC协议是我们现在使用最多的通信协议。 物理接口 IIC总线只使用两条双向漏极开路的信号线（串行数据线：SDA，串行时钟线：SCL），并利用上拉电阻。IIC总线仅仅使用SCL，SDA两根线，就实现了数据间的交互。而且IIC支持的电压范围相当大，例如+3.3V或者+5V都可以。 SCL（Serial Clock）：串行时钟线，传输CLK信号，一般是主设备向从设备提供 SDA（Serial Data）：串行数据线，传输通信数据 物理接口示意图 IIC协议符合严格的通讯时序图，如果需要传输数据，就要符合通讯协议。 具体的时序图不需要知道的太清楚，了解即可。i2c时序图的详细讲解 地址及数据方向 IIC总线上的每个设备都有自己的独立地址，主机发起通讯时，通过 SDA 信号线发送设备地 ...

如何在一串字符串中高效的匹配到我们想找的字符串的位置？比如abcd中bc在哪个位置？ 暴力匹配算法 假设我们有一个长字符串S:[BBCABCDABABCDABCDABDE]和短字符串P:[ABCDABD] 我们最容易想到的算法就是直接对字符串直接遍历，然后使用滑动匹配的方法一个一个进行比对。 首先让S[0]和P[0]进行比对，A!=B，所以匹配失败 再让S[1]和P[0]进行比对，依然失败，继续滑动 然后到S[5]和P[0]匹配成功，则让S[6]和P[1]相匹配，直到P被匹配完或者匹配失败为止。 直到S[10]遇到空格匹配失败，然后又继续从S[6]往后重新开始匹配。 至此，我们可以看到，如果按照暴力匹配算法的思路，尽管之前文本串和模式串已经分别匹配到了S[9]、P[5]，但因为S[10]跟P[6]不匹配，所以文本串回溯到S[5]，模式串回溯到P[0]，从而让S[5]跟P[0]匹配。 这个时候，同学们思考一下，我们在S[10]匹配失败的时候有没有必要再回退到S[6]去？很显然，是没有必要的，为什么？ 因为我们可以清楚的看到，回退回去肯定是匹配失败的，所以我们应该回退到哪个点？ ...

几乎零成本打造属于你的专属hexo博客。 前言 本方法是基于阿里云对象云存储(OSS)，先在PC本地生成Hexo静态博客页面，再使用aliyun-oss插件自动将静态网页上传到OSS上，就完成了。 我研究了一个礼拜，这个方法是搭建博客最简单的方法了，没有之一，不需要服务器，不需要域名，也不需要复杂的前端后端知识。 hexo介绍 hexo 可以理解为是基于node.js制作的一个博客工具，不是我们理解的一个开源的博客系统。其中的差别，有点意思。 hexo 正常来说，不需要部署到我们的服务器上，我们的服务器上保存的，其实是基于在hexo通过markdown编写的文章，然后hexo帮我们生成静态的html页面，然后，将生成的html上传到我们的服务器。简而言之：hexo是个静态页面生成、上传的工具。 准备工具 开始之前，建议你准备以下内容： PC(推荐Windows 10) 腾讯云账号（腾讯云/Github都可以，本文使用阿里云） 一个域名(没有的话，私聊我，我帮你解析一个，申请一个的话需要备案，不过也不贵，就是需要大约一个礼拜的时间来回审核) 一颗机智的脑袋 搭建hexo环境 首先， ...

深度学习并没有想象的那么难，甚至比有些传统的机器学习更简单。所用到的数学知识也不需要特别的高深，本章将会一边讲解深度学习中的基本理论，一边通过动手使用PyTorch实现一些简单的理论，本章内容很多，所以只做一个简短的介绍。 这个是搬运的Pytorch手册里面的chapter2 2.2-deep-learning-basic-mathematics里面的内容。我觉得这个写的比较好，就搬运过来了。其他的以后再搬运吧。如果想要自己运行代码的话，可以下载下来，用jupyter运行一下就可以了。 监督学习和无监督学习 监督学习、无监督学习、半监督学习、强化学习是我们日常接触到的常见的四个机器学习方法： 监督学习：通过已有的训练样本（即已知数据以及其对应的输出）去训练得到一个最优模型（这个模型属于某个函数的集合，最优则表示在某个评价准则下是最佳的），再利用这个模型将所有的输入映射为相应的输出。 无监督学习：它与监督学习的不同之处，在于我们事先没有任何训练样本，而需要直接对数据进行建模。 半监督学习 ：在训练阶段结合了大量未标记的数据和少量标签数据。与使用所有标签数据的模型相比，使用训练集的训练 ...

One day ladies will take their computers for walks in the park and tell each other, “My little computer said such a funny thing this morning”. —Alan Turing 写在前面 这是一个入门级的讲解，所以并不需要担心自己会看不懂，而且LSTM在神经网络中属于那种比较简单的模型。首先我们会简单讲解一下LSTM的原理，然后再结合一个例子。 软件要求 anaconda 3(64-bit) （anaconda是一个包管理和环境管理软件，因为我们在平时的使用中难免会遇到有些古老的包不支持最新的Python版本，或者是有些项目会使用到特定版本的模块，这时候就需要用到anaconda了） Python IDE （直接使用Python自带的IDE也可以，但是好像并不好用，推荐使用anaconda自带的Jupyter Note，也可以使用Pycharm，我自己用的IDE是VScode） tensorflow 2.1 （一般在anaconda自带的powersh ...