所以写此文章,意在用于分享自己对于PID算法的理解,希望可以帮助同样与我曾经有相同困惑的人排除困惑。注:本文是自己通过查阅书籍和观看视频学习而得,若有错误,欢迎批评指正。...X1、X2、X3 … Xn-1、Xn; 第k时刻的 偏差:e(k)=Expect — Xk; e(k)>0 :控制系统还未达到期望值; e(k)=0 :控制系统已经达到期望值; e(k)<0 :控制系统已经超过期望值...偏差序列:e(k)=Expect — Xk e1、e2、e3 … en-1、en; ∑ei:对过去所有时间的偏差进行求和; ∑ei<0 :控制系统在 过去大部分时间段还未达到期望值; ∑ei=0 :控制系统在...过去大部分时间段已经达到期望值; ∑ei>0 :控制系统在 过去大部分时间段已经超过期望值; I环节的第k时刻的输出:u(k)=Ki * ∑ei 。...ಠ_ಠ 不想写了,我觉得没人有耐心看到这里了 ▄█▀█● 不写了直接放文档吧,以后有心情了再更一篇[我鸽了,时隔这么久我还是没写?
如果indent是非负整数或字符串,那么JSON数组元素和对象成员将使用该缩进级别进行输入;indent为0,负数或“”仅插入换行符;indent使用正整数缩进多个空格;如果indent是一个字符串(例如...class 'dict'> {'name': 'Tom', 'age': 23} {'name': 'Tom', 'age': 23} 常见的错误...json.decoder.JSONDecodeError: Extra data: line 2 column 1 (char 17) 表示数据错误,数据太多,第2行第一列 因为json只能读取一个文档对象...,有两个解决办法 1、单行读取文件,一次读取一行文件。...= 0: json_data = json.loads(line) 合并为一个对象 将json文件处理成一个对象文件。
你好,我是 zhenguo 这是我的第498篇原创 这是第六个Python小项目,做一个图片下载器。...之前项目: 我的第五个项目:实现一个文本定位器 我的第四个项目:Python自动生成密码 爬取网易云音乐每日推荐歌单,然后定时自动发送到朋友邮箱 我的第二个Python趣味项目,来了!...w=889&h=500 正在下载第16张图片,图片地址:https://img0.baidu.com/it/u=1511507281,552216865&fm=253&fmt=auto&app=138&...下面介绍这个下载器的代码,完整代码见文末。...有了API,再根据返回的数据,解析之即可。 代码解释 代码框架只有一个baidu_img模块组成,模块里主要有BaiduImgDownloader类。
正态分布有两个关键参数,分别是期望μ和方差为σ^2(即σ的平方),在第6行和第7行里,分别定义这两个关键变量。...从图上能看到这些随机数的分布情况,而0位置的分布最为密集,其中0是生成该正态分布随机数时指定的数学期望值。...而且,满足正态分布的随机变量样本集,大约68.3%的样本落在距数学期望值有1个标准差(即σ)的范围内,大约95.4%样本落在在距数学期望值有2个标准差(即2σ)的范围内,大约99.7%样本落在距数学期望值有...NormaltestResult(statistic=1.9905539749433805, pvalue=0.36962104996359296) 其中主要看pvalue,从统计学上看,这个数有三档意义...在显著性验证里,α一般的取值有0.05、0.025和0.01这三种,对应地表示出现第一类错误的可能性必须低于5%、2.5%或1%。
在掷骰子的例子中,我们可以将指示器随机变量定义为:I(i)={0,如果第i个骰子的点数为61,如果第i个骰子的点数大于等于2且小于等于5其中,i表示第i个骰子。...有了指示器随机变量,我们可以将掷n个骰子之和的期望值计算为:E(X)=n×E(I(1))=n×(15/6)=52n/6其中,X表示掷n个骰子得到的总点数,E(X)表示X的期望值。...因为每次掷骰子,有1/6的概率得到6点,5/6的概率得到其他点数,所以期望值可以表示为n × (15/6)。因此,掷n个骰子之和的期望值为52n/6。...假设这个随机向量用 X 表示,那么 X 的期望值可以用以下公式计算:E(X) = 1 * 6 + 2 * 6 + 3 * 6 + 4 * 6 + 5 * 6 + 6 * 6 其中,1 表示掷出一个骰子...这个公式可以用概率论的知识来解释。假设掷 n 个骰子的结果是离散随机变量 X,那么 X 的期望值可以表示为所有可能出现结果的加权平均值。
这意味着我们可以用第x+1次投掷时的概率来计算期望值。...1) = 1 - (b-1)/b^x × (x+1) 我们可以使用微积分来求解这个期望值的极限值。...在这里插入图片描述 讯飞星火: 我们可以使用几何概率的方法来解决这个问题。假设每个箱子有相同的概率被投掷到,即p。那么,投入一个球到某个箱子的概率是1/b,因为有b个箱子。...由于题目要求直到某个箱子中有两个球为止,因此 x 的取值范围是 0 到 b。对于每个 x,都有 i=0 的情况,因此要扣除这个次数。...第三个球有2个选择:要么落在前两个球所在的箱子,概率为2/b,要么落在另一个空箱子里,概率为(b-2)/b。以此类推,第i个球有i-1个选择。
熵定义为信息的期望值,公式为: ? 其中n是分类的数目,p(xi)是选择该分类的概率,-log2p(xi)是该分类的信息,计算所有类别所有可能值包含的信息期望值便得到熵。...【2】更新列表 append(x)——添加x这个列表 extend(x)——添加列表x中的值 算法示例: ? 运行结果: ? 【3】删除列表元素 del list[i]——删除第i+1个元素 ?...其中: ①sub表示待搜索的子字符串; ②start 表示字符串开始搜索的位置。默认为第一个字符(索引值为0); ③end表示字符串中结束搜索的位置。字符中第一个字符的索引为 0。...基本语法为str.index(str, beg=0, end=len(string)),其中: ①str表示检索的字符串; ②beg表示开始索引,默认为0; ③end表示结束索引,默认为字符串的长度。...我们的数据集存在“lenses.txt”这个文本文件中,如下图: ? 可以看到我们的数据分为五列,前四列为数据属性列,描述患者眼部状况,每个属性有不同的分支条件;最后一列是适合佩戴的眼镜类型。
随机森林中仍有两个未解之谜(对我来说)。随机森林采用的bagging思想中怎么得到的62.3% 以及 随机森林和bagging的方法是否有区别。...这个比例到底是怎么确定的呢? 在某手的面试中,我被问到了这个相关的问题,奈何学艺不精,哎。后来苦苦研究15分钟,终于得到答案,现在分享给大家。...第k-1次抽样到不同样本的概率: 第k-1次抽样时,有 个样本还没有被抽取 第k次抽样时,还有 的样本没有抽取 因此 ,第一次抽样的数据一定不会重复 因此k次放回抽样的不同样本的期望值为:...Bias:如果一个模型的训练错误大,然后验证错误和训练错误都很大,那么这个模型就是高bias。可能是因为欠拟合,也可能是因为模型是弱分类器。...Variance:模型的训练错误小,但是验证错误远大于训练错误,那么这个模型就是高Variance,或者说它是过拟合。 ?
作为一个非 洲人,同时作为一个前 OIer,小 K 自然是希望最大化造成伤害的期望值。...Output 对于每组数据,输出一行,包含一个实数,为这套卡牌在这一局游戏中造成的 伤害的期望值。...第一轮不发动技能;第二轮亦不发动技能; 概率为 0.001225,伤害为0。 造成伤害的期望值为概率与对应伤害乘积之和,为 3.266025。 ...根据期望的定义而且此题中每个位置只允许攻击一次,我们只需算出每个位置在$r$轮中出现的概率即可 这个概率为$1 - (1 - p[i])^r$,即总的概率减去一次都没出现的概率 但是这题有一个特殊限制“...如果前面的打出了,那么本轮游戏结束”,也就是说如果$i - 1$位置打出了,那么$i$位置本次肯定是不能出现的 这样的话,如果$i$前面一共有$j$个位置打出了,也就是$i$有$j$次强制没被打出,那么
第二步,我们尝试看下这个问题是否可以用贪心算法解决:每次选择当前情况下,在对限制值同等贡献量的情况下,对期望值贡献最大的数据。 第三步,我们举几个例子看下贪心算法产生的结果是否是最优的。...我们可以把这个问题抽象成,从 n 个孩子中,抽取一部分孩子分配糖果,让满足的孩子的个数(期望值)是最大的。这个问题的限制值就是糖果个数 m。我们现在来看看如何用贪心算法来解决。...用贪心算法实现霍夫曼编码 假设我有一个包含 1000 个字符的文件,每个字符占 1 个 byte(1byte=8bits),存储这 1000 个字符就一共需要 8000bits,那有没有更加节省空间的存储方式呢...0-1 背包问题有很多变体,这里介绍一种比较基础的。有一个背包,背包总的承载重量是 Wkg。现在我们有 n 个物品,每个物品的重量不等,并且不可分割。我们现在期望选择几件物品,装载到背包中。...为了方便讲解,我假设正则表达式中只包含“*”和“?”这两种通配符,并且对这两个通配符的语义稍微做些改变,其中,“*”匹配任意多个(大于等于 0 个)任意字符,“?”匹配零个或者一个任意字符。
对于概率质量函数为p(x)的离散随机变量X,期望值为: 。 随机变量的分布的中心就是其均值或期望值。均值改变,分布会如同均值向左或向右移动。...离散随机变量的期望值可能不是实际有意义的值。 假设抛硬币结果为X,X=0表示反面向上,X=1表示正面向上。期望值E[X]=0.5×0+0.5×1=0.5。...随机变量X的均值Mu本身就是一个随机变量,也有一个分布,Mu的分布的中心和X的分布的中心相同,因此,样本均值的期望值正是它试图估计的总体均值。此时,可以说这个估计是无偏的。 2....例:假设某人有8个孩子(不考虑双胞胎,生男和女的可能性都是0.5),计算有7个以上是女孩的概率。...・标准正态分布的第1百分位数、第2.5百分位数、第5百分位数、第10百分位数分别为-1.28、-1.645、-1.96、-2.33;相应的,标准正态分布的第90百分位数、第95百分位数、第97.5百分位数
我以前花了数周时间调试代码。更糟糕的是,在大多数情况下,我不知道如何进行-我可以看到我的代码没有训练好,但是我不知道是因为该模型无法学习,或者是由于实现存在错误。如果是后者,错误在哪里?...def square_root(x): assert x >= 0 result = math.sqrt(x) assert result == math.sqrt(x)...最后,您断言实际损失等于第4行和第5行的期望损失。请注意,第4行和第5行在Python世界中。在Python世界中,您可以使用循环,调用任意函数;它比Tensorflow世界中的方法容易得多。...在张量依赖阶段有问题时,您会知道所有涉及的张量都具有正确的形状。当张量方程式有问题时,您就会知道依赖关系结构是正确的。简而言之,您可以更好地关注和定位每个问题。...没有正确的值使您很难识别出是否有问题。将此与断言进行比较:您知道发生断言冲突时情况不对。 即使您发现性能指标显然是错误的,它们也不会告诉您错误的来源。将此与VeriTensor的故障定位支持进行比较。
文心一言:我们可以将这个问题转化为求解在指示器随机变量基础上的期望值。已知有n位顾客。已知服务生以随机顺序将帽子归还给顾客。...根据指示器随机变量的定义,I(i)表示第i位顾客是否拿到了自己的帽子,其值为1表示拿到,0表示未拿到。因为服务生归还帽子是随机的,所以每一位顾客拿到自己帽子的概率都是1/n。...对于n位顾客,有n!种不同的归还顺序。2.对于每一种归还顺序,计算有多少种情况是服务生在归还帽子时先归还了某个顾客的帽子。设第i个顾客先被归还帽子的情况数为A(i),则A(i) = (n-i+1)!...其中,P(X=0) = n(1/2)^(n-1),P(X=1) = n(1/2)^(n-1),且注意到如果某个顾客拿到了他想要的帽子,那么其他人就没有机会了,因此X和Y的期望值相等。...根据期望值的线性性,我们有拿到自己帽子的客户的期望数为\begin{align*}E(\sum{i=1}^n X_i)&=\sum{i=1}^n E(X_i)\&=\sum_{i=1}^n p_i\&=
整个BitMap 有m个坑,还要有u个坑还没被占。我们已经假设了值经过 Hash 后近似服从独立均匀分布。 对事件进行定义: A = “经过n个元素进行Hash后,第j个桶值为0” ?...意思就是坑为1的概率都是1/m,那么坑为0的概率为 (1 - 1/m),如此重复n次 ,就得到上面的式子了。 又因为每个桶都是独立的,所以整个BitMap的期望值为A的概率直接乘以m。 ?...喏,这个。 ? ? 当m和n都趋向于无穷大的时候,求一下极限,就得到了这个 ? 这个是有u个坑的估计,而我们想知道的是基数n,做一下log变换。 ? 根据极大似然估计的判定定理。 ? 既然 ?...原论文里说,因为第二项展开的期望为0,所以保留前三项,求期望得到 ? 代入前面求到的期望值,化简可以得到。 ? 所以直接除于n,可以得到偏差比率为: ?...就是,这样去算有什么条件呢,对于m的取值?启发性地取泰勒展开前三项和前两项又分别代表什么?这个大家自己去论文看,我要是开心,我可能也会说说看。 是不是很干货?
上任是天蝎座,那么我打包票,你不会也不敢有下任了....... 然后顺便把上面的星座分布不均也考虑进去... 所以我们可以用一个转移矩阵来刻画这个情况. 或者画成12个节点的加权有向图... ?...随机游走 把12星座画成12个节点,然后可以作为下任的话就画个箭头 箭头有个粗细程度,这个叫加权,加权决定了选这个下任的概率有多大,实际概率波动不大所以不明显 分析这144个关系全都画出来就是上面这张图...此处吧,博主的博客解析错误了~ 此处我查资料,做一些补充~ ? 关于接触频率和喜欢程度的一个研究 ? ? ? ? ? 7-6图 https://books.google.com.hk/books?...让我这个小白之友放出一个小学数学的解法。...从状态 0 到 1,只要玩 1(=12/12) 个就好。因为之前本姑娘还处于含苞待放的状态 从状态 1 到 2,新玩男友数量的期望值为 12/11。
directory: 'test_data_xiejinjieguo_jiacaseid.xlsx' 相对路径和绝对路径 #涉及Excel写操作,一定要关掉Excel #Execl里面数字就是数字,其它全是字符串...来自文件test_http_request_ddt.py #参数化 #执行错误,怎么写回结果?...directory: 'test_data_xiejinjieguo_jiacaseid.xlsx' 相对路径和绝对路径 #涉及Excel写操作,一定要关掉Excel #Execl里面数字就是数字,其它全是字符串...来自文件test_http_request_login.py #参数化 #执行错误,怎么写回结果?...res.text)) # 打印结果 def tearDown(self): pass 来自文件test_http_request_recharge.py #参数化 #执行错误
CAS (Compare and Swap) CAS字面意思为比较并交换.CAS 有 3 个操作数,分别是:内存值 M,期望值 E,更新值 U。...当且仅当内存值 M 和期望值 E 相等时,将内存值 M 修改为 U,否则什么都不做。 1.CAS的应用场景 CAS 只适用于线程冲突较少的情况。...2 张票 pool-1-thread-1 卖出了第 1 张票 2.CAS 的原理 Java 主要利用 Unsafe 这个类提供的 CAS 操作。...J.U.C 包提供了一个带有标记的原子引用类 如:AtomicStampedReference 来解决这个问题,它可以通过控制变量值的版本来保证 CAS 的正确性。...或者有一个取巧的办法,就是把多个共享变量合并成一个共享变量来操作。比如有两个共享变量 i = 2, j = a,合并一下 ij=2a,然后用 CAS 来操作 ij。
实际上,这个问题很简单,就是按照单价从大到小来装就行了,对吧? 以上本质上借助的就是贪心算法。结合这个例子,我总结一下贪心算法解决问题的步骤,我们一起来看看。...第二步,我们尝试看下这个问题是否可以用贪心算法解决:每次选择当前情况下,在对限制值同等贡献量的情况下,对期望值贡献最大的数据。...ii 名学生糖比第 i - 1i−1 名学生多 11 个。...钱币找零(有面值为1的可以”考虑”贪心,没有就 DP ) 这个问题在我们的日常生活中更加普遍。...实际上,要严谨地证明这种贪心算法的正确性,需要比较复杂的、有技巧的数学推导,我不建议你花太多时间在上面,不过如果感兴趣的话,可以自己去研究下。
也知道了“权重、激活函数、偏置X0、学习信号r、代价函数E”等最基本的知识。同时也学习了“sign()激活函数 和 purelin()线性激活函数”。...BP神经网络与前面说到的单层感知器和线性神经网络最大的不同有两点: (1) 激活函数; (2)层数增加; BP神经网络有三种激活函数,分别为Sigmoid函数、Tanh函数、Softsign函数。...对于输出层:Ok = f(netk) netk = ∑WjkYj (从第j个到第k个) 对于隐层: Yj = f(netj) netk = ∑WijXj (从第i个输入点到第j个隐层结点) 以上就是...这是神经网络得以迭代逼近期望值的最根本原因和方式,重要性不言而喻。 输出层:如同前面的线性神经网络,BP网络也有代价函数E。...按照这个公式进行W和V的迭代,最终使得激活函数输出的值之和能逼近期望值。 当然,这样能拟合(逼近的高大上叫法)到最终期望值,但也存在这过度你和的问题。
领取专属 10元无门槛券
手把手带您无忧上云