方寸之土

数学建模基本题型预测类概述指的是通过分析已有的数据或者现象，找出其内在发展规律，然后对未来情形做出预测的过程。根据已知条件和求解目的，往往将预测类问题分为： 小样本内部预测 大样本内部预测 小样本未来预测 大样本随机因素或周期特征的未来预测 大样本的未来预测 例题——2021年第十一届MathorCup高校数学建模挑战赛B题 B题 三维团簇的能量预测团簇，也称超细小簇，属纳米材料的尺度概念。团簇是由几个乃至上千个原子、分子或离子通过物理或化学结合力组成的相对稳定的微观或亚微观聚集体，其物理和化学性质随所含的原子数目而变化。 团簇是材料尺度纳米材料的一个概念。团簇的空间尺度是几埃至几百埃的范围，用无机分子来描述显得太小，用小块固体描述又显得太大，许多性质既不同于单个原子分子，又不同于固体和液体，也不能用两者性质的简单线性外延或内插得到。因此，人们把团簇看成是介于原子、分子与宏观固体物质之间的物质结构的新层次。团簇科学是凝聚态物理领域中非常重要的研究方向。 团簇可以分为金属团簇和非金属团簇，由于金属团簇具有良好的催化性能，因此备受关注。但由于团簇的势能面过于复杂，同时有时候还需要考虑相 ...

简介topsis综合评价法即根据有限个评价对象与理想化目标的接近程度进行排序的方法，是在现有的对象中进行相对优劣的评价，是一种逼近于理想解的排序法。 基本过程为先将原始数据矩阵统一指标类型（一般正向化处理）得到正向化的矩阵，再对正向化的矩阵进行标准化处理以消除各指标量纲的影响，并找到有限方案中的最优方案和最劣方案，然后分别计算各评价对象与最优方案和最劣方案间的距离，获得各评价对象与最优方案的相对接近程度，以此作为评价优劣的依据。该方法对数据分布及样本含量没有严格限制，数据计算简单易行。 适用于：决策层中指标的数据是已知的，利用这些数据使得评价的更加准确。 算法原理统一指标类型将所有的指标转化为极大型称为指标正向化(最常用) 第一步：将原始矩阵正向化常见的四种指标： 指标名称 指标特点 例子 极大型(效益型)指标 越大(多)越好 成绩、GDP增速、企业利润 极小型(成本型)指标 越小(少)越好 费用、坏品率、污染程度 中间型指标 越接近某个值越好 水质量评估时的PH值 区间型指标 落在某个区间最好 体温、水中植物性营养物量 注：将原始矩阵正向化，就是要将所 ...

所以你读了几篇论文？写了几段代码？真正思考过什么东西？你真的没有在努力。 只要我还在一直读书，我就能够一直理解自己的痛苦。一直与自己的无知、狭隘、偏见、阴暗见招拆招。很多人说：“和自己握手言和”，我不要做这样的人，我要拿着石头打磨我这块石头。会一直读书，一直痛苦，一直爱着从痛苦荒芜里生出来的喜悦。乘兴而来，尽兴而归，在一生中，这是很难得很难得的一件事情。 再后来我知道阅读只是理解世界的一种方式，如果你有其他的方式与世界产生沟通，进行理解，被世界在风雨雷电中触动，那甚至不读书也行，不是必须要走的路，也不是那条路比另一条路高级，你需要做的甚至也不是阅读，是与世界产生对话，理解自己所在的时代。 你知道你最大的问题是什么么？误认为自己有无限的时间和无限的可能，又不知道自己需要努力的方向在哪里。

目标检测算法评价指标——mAP值 mAP值即为平均精度，是衡量目标检测算法优劣的常用指标。AP（平均精度）是衡量目标检测算法好坏的常用指标，在Faster R-CNN，SSD等算法中作为评估指标。AP等于recall值取0-1时，precision值的平均值。 Precision & Recall(查准率和查全率)概念 Precision：衡量你的模型预测准确度。即预测的数目中正确的百分比。 例：你预测100个图片是苹果，其中80个真的是苹果，那么你的Precision为0.8 recall：召回表示预测正确的目标数量。 例：总共有100张苹果图片，你成功找到其中50张，那么你的recall为0.5 定义以二分类结果为例： 对于二分类问题，可将样例根据其真实类别与学习器预测类别的组合划分为真正例(true positive)、假正例(false positive)、真反例(true negative)、假反例(false negative)四种情形，令TP、FP、TN、FN分别表示其对应的样例数，则显然有TP+FP+TN+FN=样例总数。分类结果的“混淆矩阵 ...

Deep_Learning学习笔记2极简手写数字识别模型基础模型：神经网络 套用房价预测的模型 输入：由28*28改为784/每个像素值 输出：1，预测的数据值 以类的方式组建网络 初始化函数：定义每层的函数 Forward函数：层之间的串联方式 123456789101112# 定义mnist数据识别网络结构，同房价预测网络class MNIST(fluid.dygraph.Layer): def __init__(self, name_scope): super(MNIST, self).__init__(name_scope) name_scope = self.full_name() # 定义一层全连接层，输出维度是1,激活函数为None，即不使用激活函数 self.fc = Linear(input_dim=784, output_dim=1, act=None) # 定义网络结构的前向计算过程 def forward(self, inputs): outputs = sel ...

文献阅读3|EfficientNet: Rethinking Model Scaling for Convolutional Neural NetworksIntrudoction在论文中，作者介绍了放大卷积神经网络是一种常见的提高模型准确率的方法。但是在传统的方法中，通常只是在某单一维度上进行放大（宽度width，深度depth，图片分辨率resolution），宽度就是网络中的过滤器的数量，因为增加了过滤器的数量，该层的输出的通道数就相应变大了，深度可以理解为整个网络结构的长度，即网络中layer的数量。那么为什么在这几个维度上进行放大可以提高准确率？因为增加了图片的分辨率或则增加了网络的宽度，网络就能够捕获到更过细节的特征，而增加网络的深度能够捕获到更丰富和更复杂的特征。虽然也可以任意的放大两个或三个维度，但是因为维度变多，设计空间也随之变大，因此随意的放大多个维度需要耗费较大的人力来调整，并且也通常会一个次优的精度和效率。因此作者通过研究实验提出了一种新的缩放方法——复合缩放方法(compound scaling method)。 在一些手工设计网络中(如AlexNET、VGG ...

鼠标右键属性相关右键文件夹指定软件打开GitHub上下载的代码通常需要对应的编译器打开项目文件，比如我们通常要指定用pycharm或webcharm打开相关文件夹。 教程如下： win+R，输入regedit打开注册表编辑器。 2.在路径HKEY_CURRENT_USER\SOFTWARE\Classes\Directory\shell下新建项，命名为Open Folder as XXX Project。 在此文件夹右击新建字符串值Icon,属性为 软件的本地安装路径\xxx.exe 在Open Folder as XXX Project文件夹下新建项Command,其值修改为 “软件的本地安装路径\xxx.exe” “%1” 设置完成，选项即可出现在您右击文件夹之后！ 删除不需要的鼠标右键属性 打开注册表 win+R -> input “regedit” 在地址栏输入“HKEY_CLASSES_ROOT\Directory\shell”，并回车进入 进入ContextMenuHandlers项后，可以根据个人的需求，把鼠标右键菜单中不需要项目删掉，或 ...

“远处的拉莫在看着你，那是你的神。 你存在的每一秒，被痛苦占据的每一秒，他都在看着你。 有时候你可以感觉到他，但一生只有那么几个瞬间。” 2022.4.3P54重要的是，我知道痛苦其他的样貌，它们像是白色的羽毛，像是水面上的烟火，像是雪山的幽灵，它们是一切不可诉说的、静默在永恒里的、被掩埋着的枯萎、灰败和消亡。 P62很久之前，我就告诉自己不能被任何所击垮，只要有一瞬间的崩塌，便会迅速瓦解。 P68人就是这样，要有比他们自身更糟的东西在上方控制着他们，才能不处于濒死的状态。 P69有一种叫作塌陷的感受，几乎每次入睡时都会溢出来，最开始是胸腔，然后是腹部、膝盖，向上抵达脊椎，向下抵达生殖器，最后是四肢的末端，全部塌陷，然后进入睡眠。 P74那些聪明人，从古至今追求着智慧的人，他们令文明得到进化，逐利使文明扩张，扩张代表着侵蚀、封锁、屠杀，然而仍有奔向智慧的人，一切糟糕的结果由他们而起，他们进化着文明的同时，让更野蛮的力量得以无限扩张。这从来都不是双刃剑，一直都是通向此刻的必然。 P79上一代人总是会不遗余力地压制下一代，这与进化的意志相反。在我吃这橘子的那个夜晚，我的朋友说。他的女朋友坐 ...

Yolov5改进|YOLOv5-Face|改进原理解读与论文复现YOLOv5Face的设计目标和主要贡献设计目标YOLOv5Face针对人脸检测的对YOLOv5进行了再设计和修改，考虑到大人脸、小人脸、Landmark监督等不同的复杂性和应用。YOLOv5Face的目标是为不同的应用程序提供一个模型组合，从非常复杂的应用程序到非常简单的应用程序，以在嵌入式或移动设备上获得性能和速度的最佳权衡。 主要贡献 重新设计了YOLOV5来作为一个人脸检测器，并称之为YOLOv5Face。对网络进行了关键的修改，以提高平均平均精度(mAP)和速度方面的性能； 设计了一系列不同规模的模型，从大型模型到中型模型，再到超小模型，以满足不同应用中的需要。除了在YOLOv5中使用的Backbone外，还实现了一个基于ShuffleNetV2的Backbone，它为移动设备提供了最先进的性能和快速的速度； 在WiderFace数据集上评估了YOLOv5Face模型。在VGA分辨率的图像上，几乎所有的模型都达到了SOTA性能和速度。这也证明了前面的结论，不需要重新设计一个人脸检测器，因为YOLO5就可以完成它。 ...

Deep_Learning学习笔记——深度神经网络(DNN)实现手写数字识别深度神经网络（Deep Neural Networks， 以下简称DNN）是深度学习的基础，而要理解DNN，首先我们要理解DNN模型，下面我们就对DNN的模型与前向传播算法做一个总结。 从感知机到神经网络感知机接收多个输入信号，输出一个信号。如下图所示： 输出和输入之间学习到一个线性关系，得到中间输出结果： $$x_i代表人们选择的输入信号，w_i为感知机的内部参数，称为权重，上图中的○通常称为“神经元”或“节点”。$$感知机的多个输入都有各自的权重，权重越大，对应信号的重要性就越高。 接着是一个神经元激活函数： 当输出1时，称此神经元被激活，其中w是体现输入信号重要性的参数，而偏置b是调整神经元被激活的容易程度的参数。有时将w，b统称为权重。 这个模型只能用于二元分类，且无法学习比较复杂的非线性模型，因此在工业界无法使用。而神经网络则在感知机的模型上做了扩展，总结下主要有三点： 加入了隐藏层：隐藏层可以有多层，增强模型的表达能力，如下图实例，当然增加了这么多隐藏层模型的复杂度也增加了好多。 输出层的神经 ...