Jingle Cath の 博客

demo 子目录 categories: Machine Learning demo my 是网址路径，请保持一致 📐几何变换 1.1 仿射变换 1.2 透视变换 1.3 图像金字塔(pyyramid) 🚫去噪与平滑 🐾 特征提取

1. 简介 ​ 深入了解一些代码之后，发现bash老是阻挡自己的脚步，尤其是一些项目跑在Linux环境下，Coders便会选择写一个shell脚本，想自己改又不是很懂，还有像是Github的action脚本也会用到这些。Shell即贝壳的意思，它就像套在Linux内核的一种抽象接口，对内连接内核，对外为用户提供命令接口，bash便是其中一种 ^1： Shell 接收到用户输入的命令以后，会根据空格将用户的输入，拆分成一个个词元（token）。然后，Shell 会扩展词元里面的特殊字符，扩展完成后才会调用相应的命令。这种特殊字符的扩展，称为模式扩展（globbing）。 2. 内容 2.1 Shebang 行 ​ 脚本的第一行通常是指定解释器，即这个脚本必须通过什么解释器执行。这一行以#!字符开头，这个字符称为 Shebang，所以这一行就叫做 Shebang 行。#!后面就是脚本解释器的位置，Bash 脚本的解释器一般是/bin/sh或/bin/bash。 1#!/bin/bash(sh) 2.2 脚本参数 ​ 调用脚本的时候，脚本文件名后面可以带有参数： 1./script.sh ...

更新日志 2024-04-06 常用键位更新 Vim 键位备忘录 键位 功能 v 可视模式 SHIFT + v 块可视模块 u 撤销前次操作 CTRL + r 恢复前次操作 G 最后一行 gg 第一行 w 移动到下一个单词(word) b 移动到上一个单词(before) (n)dd 删除n行（剪切整行，不写n默认为1） dw 删除当前单词 cw 改变当前单词(change word) yy 复制整行 yw 复制单词(yarn word) y 复制 p 粘贴 u 撤销操作（重做） m + 标签 ~ 当前字符转化大小写 1. 配置目录结构 Github链接： GitHubhttps://github.com/JingleCate/neovimConfig 1.1 不同系统的配置目录： C:\Users\*\AppData\Local\nvim>(Windows) ~/.config/nvim(Linux) 1.2 目录结构 1234567891011121314151617181 ...

更新日志 2024-04-06 添加文件有关命令tar、mv、chmod 只介绍一些常见的命令及其常见用法，有的命令功能太复杂，大多数的option都用不上，只需考虑最基本的使用方法即可；太过简单的也略过。 Index 索引使用了markdown的页内锚点，如： 1<span id="chmod"/> 文件 系统 网络 工具 chmod ps curl ipconfig mv wget tar grep wc 1. 文件 1.1 chmod 原始英文--help： 123456789101112131415161718192021Usage: chmod [OPTION]... MODE[,MODE]... FILE... or: chmod [OPTION]... OCTAL-MODE FILE... or: chmod [OPTION]... --reference=RFILE FILE...Change the mode of each FILE to MODE.With - ...

更新日志 2024-04-024 添加KNN、Regression、Bayes算法 镇楼图： 1.​ 🔪KNN分类器 🏷分类算法 ​ KNN也叫K近邻算法（K-nearest neighbors，KNN )是一种很基本朴实的机器学习方法，归属于分类算法。它是在所有样本空间中寻找距离最近的K个样本，通过投票（多数者获胜）来确定位置样本归属于哪一类，是一种十分简单但却效果很好的算法。 假设有三个类别，如图中所示，K=3（实线）时，待分类样本（绿色🟢）选取最近的3个样本，被划分为红色三角(🔴)所在的类；而当K=5（虚线）时，显然待分类样本被划分蓝色方块（🟦）所在的类。 1.1 超参 ​ 不难发现KNN只有两个超参数： K的取值 如何选择一个最佳的K值取决于数据。一般情况下，在分类时较大的K值能够减小噪声的影响，但会使类别之间的界限变得模糊；而较小的K值易受噪声影响，边界也更加细分。K值的选择其实决定了KNN对样本空间的划分即决策边界，K越大，边界越平滑： 同样的，选择不同的K值，划分出的类别也有不同的偏差和方差： 小的K值偏差（即bias，用来衡量精确度）小，但方差 ...

Regex测试推荐网站 https://regex101.com/ 一 限定符与运算符 ​ 正则表达式（Regular Expression，即regex）十分常见，如字符串检索，文档检索，Linux中的命令等等，要想理解正则表达式，必须学习它的限定符。 需要注意的是，regex的限定符组用于符号前面的字符或字符串。 1. 限定符 ? 1pattern = cate? 如上所示，模式串为cate，?限定符即表示e出现 0次或1次。 2. 限定符 * 1pattern = cat*e 如上所示，模式串为cate，*限定符表示其前面的t出现 0次或多次。 3. 限定符 + 1pattern = cat+e 如上所示，模式串为cate，+限定符表示其前面的t出现 1次以上。 4. 限定次数 { } 指定次数 1pattern = cat{3}e 如上所示，模式串为cate，限定符表示其前面的t出现 3次。 指定次数范围 1pattern = cat{2, 4}e 如上所示，模式串为cate，限定符表示其前面的t出现 2~3次。 ...

更新日志 04-09 Harris Corner Detect 一 前言 在计算机视觉的领域中，有着两类十分基本的任务： 识别(Recognition) 测距(Distance) 这篇博客以全景拼接的角度，从兴趣点检测出发，逐步认知识别任务。 全景拼接有5个基本步骤： 特征点检测(Keypoints Detection) 构建特征描述符(Construct Feature Descriptor) 点对匹配(Corresponding Pair Match) 求出变换矩阵(Compute Transform Matrix) 变换拼接(Stitch Panorama) 以下说明特征点检测的两大方法。 二 Harris 角点检测 12345678910111213141516171819202122232425def harris(filename: str="Images/lenna_img.jpg"): img = cv2.imread(filename) img_copy = cv2.imread(filename) # Co ...

更新日志 2023-03-26 基本术语概念 2024-04-11 重构文章结构，修复了一些错误 在学习机器学习时，往往遇到许多概念性的术语，比如泛化、正则化、特征向量、groundtruth等等。刚学时候看到这些词大都是一知半解，没有一个系统的认知，因此概念篇主要对这些概念做一些梳理。 一 专业术语(Terminology) ​ 一切需先从数据说起，毕竟模型是身体，数据相当于知识，有了知识的输入才能对外输出。 1. 数据 ​ 举个例子，要想判断一个瓜是不是好瓜（你是故意找茬是不是），得从它的色泽、声音、根蒂、含糖量等各个方面来判断，这些判断标准就是特征(Feature)。 ​ 我们将瓜摊所有的瓜编号统计，制作出一个表格，这就是初始的数据集(Data set)，注意我们是假定已经知道这个瓜是好瓜还是坏瓜，这就是标签(Lebel)，其实我们在搜集数据时很多时候是没有标签的，需要人为的为它们打上标签。 单条数据： 不带标签的单个数据称为样本(Sample) 带标签的单个数据称为样例(Example) 这个其实不是很重要，大概知道说的是啥就行。 数据集合： 带有标签且 ...