weixin_63904583的博客

下面我们开始项目的整体部署！# 查看目前可用的内核下面是我已经配置好的，你若是之前没有添加过的话只有最后一个环境接下来我们需要把自己创建的虚拟环境添加到jupyter的内核（自己训练模型必须有自己的深度学习环境！！！！！！），若是没有现在自己立刻创建一份， 可以参考我之前写的博客从零开始配置深度学习环境（含CUDA11.8\CUDnn\Torch离线下载百度网盘链接），之后我不再提醒。

提示：至此我们就完成了深度学习虚拟环境的基本配置，后续需要用pycharm或者jupyter notebook进行深度学习的训练。若缺失基本的包只需要到当前环境下pip 安装其他包即可。有需要的话我后续会出pycharm和jupyter notebook配置环境以及训练模型。t=O83At=O83At=O83ACUDA官网链接https://developer.nvidia.com/cuda-toolkit-archive。

完整的详细步骤，亲测实现，可能只适合yolov5 6.1版本，只适用于小白，大佬请绕行，希望大家可以得到帮助，也希望大家可以指正错误。

3.11 什么是Web框架Web框架是用来简化web开发的软件框架。事实上，该框架根本就不是什么新的东西，它只是一些能够实现常用功能的Python文件。可以把Web框架看成是工具的集合，而不是特定的东西。框架的存在是为了避免“重新发明轮子”，并且在创建一个新的项目的时候帮助减轻开发成本。管理路由支持数据库支持MVC支持ORM支持模板引擎管理会话和Cookies3.1.2什么是MVC。

决策树思想的来源非常朴素，程序设计中的条件分类结构就是if-else结构，最早的决策树就是利用这个结构来分割数据的一种学习方法。如果还是没有理解，通俗讲就是在你知道一定条件的基础上，再选择其他的特征，你就会比不知道任何特征得出的结果快。熵是信息论中的概念，用于表示信息的不确定程度。这里也就是如何才能进行高效的决策，很明显可以根据特征的先后顺序来做出决策。当然决策树的原理不止信息增益这一种，还有其他方法，但是原理都类似。解释：H(D）为总的信息熵   H(D|A)为条件熵。这里的对数底数一般为2。

问题4：在不是垃圾短息的情况下，含字母A内容为AAA的，且含字母B（内容为AAB）概率？解决问题3： P(AAA|垃圾短信）= 分子：0+1 分母：特征词出现的个数：5个特。答案4：P(AAA,AAB|不是垃圾短信）= 2/(9-3) = 1/3。问题2：信息含字母A（内容为AAA）且含字母B（内容为AAB）的概率？最终答案：P(AAA|垃圾短信）= 0+1/3+5 = 1/8。问题3：在是垃圾短息的情况下，含字母A内容为AAA的概率？答案1： P（垃圾短信）： 3/9 ==1/3。

2.estimator.fit(x_train,y_train) ，当这个函数执行完毕，就有一个训练好的模型了。1.实例化（用sklearn中提供的函数来实现），其本质是实例化一个转换器类（Transformer()）fit() 计算 代入的每一列的平均值、标准差（代入上面的公式 进行最终的转换）在sklearn中，估计器（estimator）是一个重要的角色，是一类实现了算法的API。参数需要传x_test,y_test分别指的是测试集和目标测试集。如：这是一个knn的预估器。

定义如果一个样本在特征空间中的K个最相似（即特征空间中最邻近）的样本中的大多数属于某一个类别，则该样本也属于这个类别。通俗说就是用你的 ‘邻居’ 来判断你属于那个类别怎么计算距离？距离公式1.两个样本的距离可以通过如下公式计算，又叫欧式距离比如说：A(x1,y1) B(x2,y2),距离为2.曼哈顿距离（这里不做过多描述）3.明可夫斯基距离（这里不做过多描述）例子：通俗说：当你选择离你最近的一个邻居，本题则K=1 邻居为：由这个邻居可以将自己划分为爱情片。

机器学习算法分类监督学习（supervised learning）(预测）无监督学习（unsupervised learning）监督学习（supervised learning）(预测）定义：输入数据是由输入特征值和目标值所组成。函数的输出可以是一个连续的值（称为回归），或是输出是有限个离散值（称作分类）。目标值： 类别 - 分类问题   k-近邻算法、贝叶斯分类、决策树与随机森林、逻辑斯蒂回归目标值： 连续性的数据 - 回归问题    回归：线性回归、岭回归无监督学习（unsupe

引用百度百科的介绍，“在程序设计中，断言是一种放在程序中的一阶逻辑，目的是为了标示与验证程序开发者预期的结果－当程序运行到断言的位置时，对应的断言应该为真。若断言不为真时，程序会中止运行，并给出错误消息。

养成使用递归深度import syssys.setrecursionlimit(30000) #设置递归深度的习惯。

复杂度为o（1）（其本质是两层的树）

普通做法：(节点用数据结构表示用l、r分别指向左右子节点)竞赛做法：(用一维数组存二叉树)

普通做法：(节点用数据结构表示用l、r分别指向左右子节点)竞赛做法：(用一维数组存二叉树)