基于wsgiref的web框架
把mvc或mtv框架的model数据库，view:html,control逻辑处理，url判别，wsgiref集中在一个文件 代码如下 1 #!/usr/bin/env python
2 #-*- coding:utf-8 -*-
3
4 from wsgiref.simple_server import make_server
5 def new():
6 f = open('add.html','r')
7 data = f.read()
8 f
Python操作MySql --Python
Python版本：v3.7 模块：pymysql 1、连接数据库 connectDB.py： # encoding:utf-8 import pymysql host = 'localhost' # 主机 username = 'root' # 用户名 pwd = 'nxl123' # 密码 dbName = 'testdb' # 数据库名 # 打开数据库连接 db = pymysql.connect(host, username, pwd, dbName) # 通过cursor方法获
19行为型模式之策略模式
概念 Strategy模式也叫策略模式是行为模式之一，它对一系列的算法加以封装，为所有算法定义一个抽象的算法接口，并通过继承该抽象算法接口对所有的算法加以封装和实现，具体的算法选择交由客户端决定（策略）。Strategy模式主要用来平滑地处理算法的切换 。 角色和职责 Strategy: 策略（算法）抽象。 ConcreteStrategy 各种策略（算法）的具体实现。 Context 策略的外部封装类，或者说策略的容器类。根据不同策略执行不同的行为。策略由外部环境决定。 适用于： 准备一
Python9-loggin模块-day29
什么叫日志 日志 是用来记录用户行为或者代码的执行过程 # import logging
# logging.debug('debug message') #低级别的 排除信息
# logging.info('info message') #正常信息
# logging.warning('warning message') #告警信息
# logging.error('error message') #错误信息
# logging.critical('criti
gj2 python中一切皆对象
2.1 python中一切皆是对象 动态语言和静态语言的区别，Python的面向对象更彻底 同时动态语言，代码的灵活性高 没有编译（检查）的过程，错误只有在运行起来后才会发现 函数和类也是对象，属于python的一等公民 1. 赋值给一个变量 2. 可以添加到集合对象中 3. 可以作为参数传递给函数 4. 可以当做函数的返回值 def ask(name="lewen"):
print(name) class Persoon(object):
def __init__(sel
接口文档自动生成工具apidoc
前后端分离之后，接口文档是前后端沟通的必要手段。然后接口文档包含大量的重复性工作，费时费力，像apidoc这样工具就十分必要了。 官方文档：http://apidocjs.com/ -------------------------------------------------------------------------------------------------- 首先说一下自己遇到的坑： 1、安装，node.js版本要高（在官网下最新的就行），不然后面有的模块
吴恩达深度学习 第五课 第二周 自然语言处理与词嵌入
词汇表 上周我们学习了RNN、GRU和LSTM单元，本周我们将会将他们应用到NLP当中，其中，在词处理有一个很重要的概念叫词嵌入(word embeddings)这是语言的一种表达方式，可以让算法自动理解一些词语的类别关系，例如苹果和橘子都是水果，再比如男人对女人类比到国王对王后。 我们之前是采用one hot向量表示词，这种算法最大的缺点是将每个词孤立起来，使得算法对相关词的泛化能力不强。 我们采用一种新的方式来表达词，如下图，我们把新的向量的词特征定义为300个，而不是之前的10000个。
文件路径-相对路径和绝对路径
相对路径 当处于当前文件夹时，我们只需要使用相对路径 path1=os.path.abspath('.') 绝对路径 绝对路径就是完整的路径 path2=os.path.abspath('..')
机器学习实战(9) 使用Apriori算法进行关联分析
文章目录 使用Apriori算法来发现频繁集 关联规则生成 使用Apriori算法来发现频繁集 支持度：某一项集的记录在数据集所占的比例 可信度：某一项集包含的细分项集的比例 如何找到支持度大于0.8的所有项集？ 首先自建一个简单的数据集，构建两个辅助函数，createc1函数用来构建不变集合，scand函数扫描数据集，计算出现频数和支持度。 def loaddata():
return [[1,3,4],[2,3,5],[1,2,3,5],[2,5]]
def createc1(da
机器学习实战(8) 利用K-means聚类算法对未标注数据分组
文章目录 K-均值聚类算法 二分K-均值算法 对地理坐标进行聚类 K-均值聚类算法 随机选择k个点为质心，依据于距离函数划分类，更新质心，划分类，直到所有样本类别不再改变。 首先构建距离计算函数和随机选取质心的函数，关于距离计算函数可以采用其他方式。 def dist(veca,vecb):
return np.sqrt(np.sum(np.square(veca-vecb)))
def randcent(data,k):
n = data.shape[1]
cent
机器学习实战(7) 树回归
CART算法 之前树构建的算法是ID3，每次选取最佳特征来分割数据，并按该特征的所有可能取值来划分，这种分割方法过于武断，并且不能直接处理连续型特征。CART算法采用二元切分，如果大于给定值就走左子树，否则走右子树。 如下代码，loaddata函数导入数据，生成数组。 binsplit函数根据特征和特征值将数据划分为两个子树 createtree函数创建树，通过bestsplit函数获取切分的最佳特征和特征值，如果没有最佳特征和特征值，返回一个均值估计，调用binsplit将数据切分为左右子树
机器学习实战(12) 利用SVD简化数据 基于python3
文章目录 SVD初探 基于协同过滤的推荐引擎 基于物品相似度的推荐引擎 利用SVD提高推荐的效果 基于SVD的图像压缩 SVD初探 SVD是一种最常见的矩阵分解技术，SVD将原始的数据Data分解为U Sigma和 VTV^TVT，U为m行m列，Sigma为m行n列， VTV^TVT为n行n列。Sigma矩阵只有对角元素，其他元素均为0，Sigma的对角元素是从大到小排列的，这些对角元素称为奇异值。这里的奇异值是矩阵Data*Data.T特征值的平方根。 这里我们直接调用numpy的linal
机器学习实战(10) FP-growth 基于python3
文章目录 fp-growth理论 fp-growth code 构建频繁项集 记录下FP-growth，由于赶着把正本机器学习看完，所以好多没来得及写笔记，这里先把今天看的FP-growth补上。 fp-growth理论 FP树描述 1.FP树中，一个元素可以出现多次，FP会存储项集的出现频率 2.存在相同元素的集合会共享树的一部分 3.当集合完全不同时，树才会分叉 FP构建 1.首先构建FP树，对所有元素项出现次数进行计数 2.去掉不满足最小支持度的元素项，读入每个项集并将其假如一条已经存在
排列组合/八皇后问题
全排列的递归解法法一
#include <iostream>
#include <cstdio>
using namespace std;
void swap_alpha(char *a,char *b)
{
char temp=*a;
*a=*b;
*b=temp;
return;
}
void main_function(char *str,char *pbegin)
{
if(*pbegin=='\0')
{
p
CS231n李飞飞计算机视觉 卷积神经网络详解下
卷积神经网络详解下 LeNet-5 AlexNet ZFNet VGGNet GoogLeNet ResNet LeNet-5 LeNet-5的结构是卷积-池化-卷积-池化-全连接层。 AlexNet AlexNet：最后的1000个神经元对应1000种分类。 AlexNet第一次使用了ReLU，使用了现在不常用的规范化，对数据进行了数据增强，在全连接层使用了dropout p=0.5，batch size =128，使用的更新方法是SGD momentum，mu=0.9，学习率设置为1e-2
CS231n李飞飞计算机视觉 迁移学习之物体定位与检测上
迁移学习之物体定位与检测上 分类和定位 分类：给定一个图像，输入图像包含的对象的类别。 定位：给定一个图像，找到图像中对象所在的区域，即找出边界框。 数据集：一千个类别，每个类别有800张图像。 网络结构如上图，定位和分类可以同时训练也可以分别训练。 方法一：当做回归问题求解 分类是一个回归问题，可以将定位也当成回归问题，定位及找到对象所在边界框，边界框为方形，所以确定边界框的左上角的坐标以及长和宽四个参数即可。所以也可以将定位看成是给定一个图像，找出这四个参数的回归问题。 如上图所示，在一个
CS231n李飞飞计算机视觉 迁移学习之物体定位与检测下
迁移学习之物体定位与检测下 目标检测 当输入一张图片，图片包含几个类别的几个对象，需要找到每个对象的边界框。如下图： 能否将目标检测当成回归问题？对于不同的图片输出的多个对象的边界框，可能输出4个边界框也可能输出8个边界框，输出的数量不固定，所以无法当成是回归问题。 将其当做分类问题：把图片的一部分输入到CNN中，对其进行分类和定位。比如 输入的大小是怎么确定的？将其从小到大全部试一遍。显然这样的方法是很耗时的，于是提出了Region proposal，即输入一张图像，给出目标可能在的全部区域
凸优化第五章对偶 5.1Lagrange对偶函数
5.1Lagrange对偶函数 Lagrange Lagrange对偶函数 最优值的下界 例子 Lagrange对偶函数和共轭函数 Lagrange 标准形式的优化问题： 其中，问题的定义域，注意这里不要求该优化问题是凸优化问题。 定义问题的Lagrange函数为： 定义域：，为第i个不等式约束对应的Lagrange乘子，为第i个等式约束对应的Lagrange乘子。向量为对偶变量或者问题的Lagrange乘子向量。 Lagrange对偶函数 定义Lagrange对偶函数为Lagrange函数关
percona mysql备份与恢复 一
author：skate time：2012/06/27 percona mysql备份与恢复(一) XtraBackup 是开源的热备mysql的软件，可以备份InnoDB, XtraDB, and MyISAM类型的表，它是由如下三个工具组成的 1.innobackupex：有perl脚本封装的，可以备份MyISAM, InnoDB, and XtraDB类型表，推荐使用此工具 2.xtrabackup：由c语言编译的，只copy表InnoDB和XtraDB的数据 3.xbstream：允
今日推荐
周排行