在项目中，可以使用angular中的 @angular/forms模块处理表单，但是并不需要在app.module中引用@angular/forms模块，因为在app.module中已经引入了@angular/platform-browser模块，而在@angular/platform-browser模块中又导出了 @angular/forms 。也就是说，引入@angular/platform-browser模块之后就可以直接使用@angular/forms模块中提供的组件等内容。
那就是它依赖一个addImage（用于添加的仿按钮图像），如果我没有这个东西，逻辑上是不是就不能用了？是的！那为了使得这个组件能更通用些，改造一下：
我在《ionic3开源组件》提到了图片选择组件，但是后来发现其实现功能很简单，而且我不喜欢它写死了宽高大小，这对于不同分别率不太友好。于是尝试实现了一下，先上效果图：
常见网页设计作业题材有 个人、 美食、 公司、 学校、 旅游、 电商、 宠物、 电器、 茶叶、 家居、 酒店、 舞蹈、 动漫、 服装、 体育、 化妆品、 物流、 环保、 书籍、 婚纱、 游戏、 节日、 戒烟、 电影、 摄影、 文化、 家乡、 鲜花、 礼品、 汽车、 其他等网页设计题目, A+水平作业, 可满足大学生网页大作业网页设计需求都能满足你的需求。原始HTML+CSS+JS页面设计, web大学生网页设计作业源码，画面精明，排版整洁，内容丰富，主题鲜明，非常适合初学者学习使用。 --- <font
Android的ION子系统的目的主要是通过在硬件设备和用户空间之间分配和共享内存，实现设备之间零拷贝共享内存。说来简单，其实不易。在Soc硬件中，许多设备可以进行DMA，这些设备可能有不同的能力，以及不同的内存访问机制。
费用跟踪应用采用了Wijmo5和Ionic Framework创建，目的是构建一个hybird app。 我们基于《Mobile first! Wijmo 5 + Ionic Framework之：Hello World！》的环境，将在本教程中完成费用跟踪App的构建。下面的代码结构是本教程完成要达到的效果，请预先创建好文件和目录。 www/ --> 工程根目录 index.html --> app 布局文件 (主HTML文件) css/
Web前端的同学是否想过学习app开发，以弥补自己移动端能力的不足？但在面对一众的选择时很多同学略感迷茫，是学习ios还是android开发？是学习原生开发、混合开发（比如：Ionic)，还是使用react native或者flutter这样的跨平台框架？而app开发的学习周期长、学习成本高也让一部分人望而却步。得益于前端技术的飞速发展、浏览器性能的不断提高，使用网页技术开发出接近原生体验的应用得以变为现实，PWA就在这样的背景下应运而生。可以用自己熟悉的HTML、CSS、Javascript开发出媲美原生app的网站，不仅拥有接近原生app的流畅程度，并且具备一些原生app才有的特性，比如：a. 可以在主屏上安装应用图标，b. 离线状态下访问，c. 获取消息通知，等等。。PWA的出现让大家看到了希望！
1779 年，瑞士大名鼎鼎的数学家莱昂哈德 · 欧拉（Leonhard Euler）曾提出一个问题：即从不同的 6 个军团（army regiment）各选 6 种不同军阶（rank）的 6 名军官（officers）共 36 人，排成一个 6 行 6 列的方队，使得各行各列的 6 名军官恰好来自不同的军团而且军阶各不相同，应如何排这个方队？历史上称这个问题为「三十六军官问题」。三十六军官问题提出后，很长一段时间没有得到解决。
好多数据集都含缺失数据，缺失数据有多重表现形式 数据库中，缺失数据表示为NULL 在某些编程语言中用NA表示 缺失值也可能是空字符串（’’）或数值 在Pandas中使用NaN表示缺失值；
image.png 前端页面dashboard.html的代码如下： {% extends "base.html" %} {% block body %} 03Ionic如何实现单选二级菜单切换Ionic如何实现单选二级菜单切换 最近有个需求，需要做一个用户视图，数据全都从PC端系统实时取，由于这个功能在电脑浏览器展示还可以，即使菜单全部展开，只要美工稍加调整下位置也是放得下的，但是同样的功能让App也做一个就有问题了，尤其是课程体系切换里面有很多岗位菜单切换，而且是实时获取，如果在主页面显示会占用很大地方，影响用户体验，最终斟酌再三，将此菜单切换放在弹窗里面，就是点击一下弹个页面让用户选择，App页面宽度比较窄显示列表比较轻松，就做了个弹窗，需要说明的是这个弹窗点击一级菜单展开当前一级下面的09使用Python编写程序求解数独游戏答案问题描述：数独盘面是个九宫，每一宫又分为九个小格。在这八十一格中给出一定的已知数字和解题条件，利用逻辑和推理，在其他的空格上填入1-9的数字。使1-9每个数字在每一行、每一列和每一宫中都只出现一次，所以又称“九宫格”。 解题建议：遇到问题后，最好先手工推导和模拟一下，把思路理清楚，然后再动手写代码。 参考代码： import random def init(): # 初始状态，每个格内都是1-9之间的数字 grids = {(r, c):list(range(1,10))\ for r in r03使用连接组优化连接 (IM 6)连接（Join）是数据仓库工作负载的一个组成部分。 当连接的表存储在内存中时，IM列存储增强了连接的性能。03LeetCode刷题实战37： 解数独算法的重要性，我就不多说了吧，想去大厂，就必须要经过基础知识和业务逻辑面试+算法面试。所以，为了提高大家的算法能力，这个公众号后续每天带大家做一道算法题，题目就从LeetCode上面选 ！00Pandas_Study02在Pandas的各类数据Series和DataFrame里字段值为NaN的为缺失数据，不代表0而是说没有赋值数据，类似于python中的None值。数据的缺失有很多原因，缺失不是错误、无效，需要对缺失的数据进行必要的技术处理，以便后续的计算、统计。01Leetcode No.37 解数独（回溯）数字 1-9 在每一行只能出现一次。 数字 1-9 在每一列只能出现一次。 数字 1-9 在每一个以粗实线分隔的 3x3 宫内只能出现一次。（请参考示例图） 数独部分空格内已填入了数字，空白格用 '.' 表示。01LeetCode刷题实战37： 解数独算法的重要性，我就不多说了吧，想去大厂，就必须要经过基础知识和业务逻辑面试+算法面试。所以，为了提高大家的算法能力，这个公众号后续每天带大家做一道算法题，题目就从LeetCode上面选 ！02ExcelVBA批量合并或取消单元格【问题】烦人的合并单元格，我们在进行vlookup、sum等计算中最怕就是遇到神人交过来的表格，03构建具有用户身份认证的 Ionic 应用序言：本文主要介绍了使用 Ionic 和 Cordova 开发混合应用时如何添加用户身份认证。教程简易，对于 Ionic 入门学习有一定帮助。因为文章是去年发表，所以教程内关于 Okta 的一些使用步骤不太准确，但是通过 Okta 的官网也可以找到对应的内容。另外，使用 npm 安装 Ionic starter 模板可能会有安装失败的情况，建议不要在这方面浪费太多时间，可以直接在 Ionic 的 GitHub 仓库 中下载 starter 模板。 原文：How to Sprinkle ReactJS i05构建具有用户身份认证的 Ionic 应用使用 Okta 和 OpenID Connect (OIDC)，可以很轻松的在 Ionic 应用中添加身份认证，完全不需要自己实现。 OIDC 允许你直接使用 Okta Platform API 进行认证，本文的目的就是告诉你如何在一个 Ionic 应用中使用这些 API。我将演示如何使用 OIDC 重定向、Okta 的 Auth SDK 以及基于 Cordova 内嵌浏览器的 OAuth 进行登录； 由于功能还在开发中，所以省略了用户注册。00数据处理 | R-tidyr包介绍tidyr包中五个基本函数的简单用法:长转宽，宽转长，合并，分割，NA简单填充。01Python二手车价格预测（一）—— 数据处理我们的数据来源是“人人车”二手车网站，通过Python爬虫获取291个城市所有在售二手车详细数据。03转置卷积详解前面文章对卷积做了讲解，感觉既然重新整理，就将系列概念整体做个梳理，也算是将自己知道的所有东西拿来献丑把。 转置卷积(Transposed Convolution)是后来的叫法，一开始大家都是称逆卷积/反卷积(Deconvolution)，这个概念是在图像分割任务中被提出来的，图像分割需要逐像素的操作，对每一个像素做一个分割，将其归类到不同的物体当中。 这个任务大家很自然的想要使用卷积神经网络来完成，那就得先使用卷积神经网络提取特征，但是卷积神经网络中的两大主要构件，卷积层和下采样层会使得图像的尺寸不断缩小。这个就与逐像素的分类不符，因为逐像素分割的话是需要输出和输入大小是一致的。 针对这个问题，有人提出了先使用卷积核下采样层逐层的提取特征，然后通过上采样再将特征图逐渐的恢复到原图的尺寸。而这个上采样一开始就是通过反卷积来实现的。如果说卷积核下采样的过程特征图是变小的，那么上采样之后特征图应该变大。 我们应该熟悉卷积的输出尺寸公式 o u t = ( F − K + 2 P ) / s + 1 out=(F-K+2P)/s+1 out=(F−K+2P)/s+1，其中F表示输入特征图的尺寸，K表示卷积核的尺寸，P表示padding，S表示卷积的步长。我们都通过这个公式来计算卷积的输出特征图尺寸。举例来说明，一个4×4的输入特征图，卷积核为3×3，如果不使用paddng，步长为1，则带入计算 o u t = ( 4 − 3 ) / 1 + 1 out=(4-3)/1+1 out=(4−3)/1+1为2。 我们已经在im2col算法的介绍中讲解了卷积的实现，实际上这个步骤是通过两个矩阵的乘法来完成的，我们不妨记为 y = C x y=Cx y=Cx，如果要上采样，我们希望给输出特征图乘一个参数矩阵，然后把尺寸还原回去，根据数学知识，我们给特征图矩阵 y y y左乘一个{C^T}，就能得到 C T y = C T C x C^Ty=C^TCx CTy=CTCx， C C C的列数等于 x x x的行数， C T C C^TC CTC的行数和列数都等于x的行数，乘完之后，得到的结果与 x x x形状相同。这就是转置卷积名字的来源。有一些工作确实是这样实现的。 我们也能很自然的得出结论，我们不需要给输出特征图左乘 C T C^T CT，显然只要和这个矩阵形状相同，输出的结果就和原特征图尺寸相同，而且这个操作同样可以使用卷积来实现，那我们只要保证形状一致，然后参数我们可以自己训练，这样尺寸的问题解决了，而且特征的对应也有了，是可以训练的，一举两得。 im2col讲解的内容，卷积是 ( C o u t , C i n ∗ K h ∗ K w ) (C_{out},C_{in}*K_h*K_w) (Cout,Cin∗Kh∗Kw)的卷积核乘 ( C i n ∗ K h ∗ K w , H N ∗ W N ) (C_{in}*K_h*K_w,H_N*W_N) (Cin∗Kh∗Kw,HN∗WN)的特征图，得到 ( C o u t , H N ∗ W N ) (C_{out},H_N*W_N) (Cout,HN∗WN)的结果。现在对卷积核做一个转置 ( C i n ∗ K h ∗ K w , C o u t ) (C_{in}*K_h*K_w,C_{out}) (Cin∗Kh∗Kw,Cout)乘 ( C o u t , H N ∗ W N ) (C_{out},H_N*W_N) (Cout,HN∗WN)得到一个 ( C i n ∗ K h ∗ K w , H N ∗ W N ) (C_{in}*K_h*K_w,H_N*W_N) (Cin∗Kh∗Kw,HN∗WN)的特征图。 除了以上内容这里还有一点其他需要补充的东西，比如在caffe中除了im2col函数之外，还有一个函数是col2im，也就是im2col的逆运算。所以对于上面的结果caffe是通过col2im来转换成特征图的。但是col2im函数对于im2col只是形状上的逆函数，事实上，如果对于一个特征图先执行im2col再执行col2im得到的结果和原来是不相等的。 而在tensorflow和pytorch中，这一点是有差异的，两者是基于特征图膨胀实现的转置卷积操作，两者是是通过填充来进行特征图膨胀的，之后可能还会有一个crop操作。之所以需要填充，是因为想要直接通过卷积操作来实现转置卷积，干脆填充一些值，这样卷积出来的特征图尺寸自然就更大。 但是两者从运算上来讲都无法对原卷积进行复原，只是进行了形状复原而已。 到了最后就可以讨论形状的计算了，转置卷积是卷积的形状逆操作，所以形状计算就是原来计算方式的逆函数。 o u t = ( F − K + 2 P ) / s + 1 out02python练习题参考答案来了（超多代码），看一下？（1）前面发了几篇python基础语法题目，主要用来帮助测试基础知识掌握的情况，如果都有认真看过或者做过的话，相信对自己的知识掌握情况应该有一定的了解了，接下来可以相应的去重新学习不是很清晰的那部分。01机器学习基础：缺失值的处理技巧（附Python代码）在数据分析和建模中，经常会遇到变量值缺失的情况，这是非常常见的。为了保证数据指标的完整性以及可利用性，通常我们会采取特殊的方式对其进行处理。03手把手教你如何解决日常工作中的缺失值问题（方法+代码）再好的模型，如果没有好的数据和特征质量，那训练出来的效果也不会有所提高。数据质量对于数据分析而言是至关重要的，有时候它的意义会在某种程度上会胜过模型算法。02机器学习基础：缺失值的处理技巧（附Python代码）在数据分析和建模中，经常会遇到变量值缺失的情况，这是非常常见的。为了保证数据指标的完整性以及可利用性，通常我们会采取特殊的方式对其进行处理。02Pandas-8. 重建索引以上代码df1应该是3列10行，之后和df2对齐。 对齐操作列名应该匹配，无法对齐的列整列置为NAN。02Python从零开始第三章数据处理与分析python中的dplyr（4）目录可以使用separate（column，into，sep =“[\ W _] +”，remove = True，convert = False，extra ='drop'，fill ='right'）函数将列拆分为多个列。 separate（）有各种各样的参数：02机器学习基础：缺失值的处理技巧（附Python代码）在数据分析和建模中，经常会遇到变量值缺失的情况，这是非常常见的。为了保证数据指标的完整性以及可利用性，通常我们会采取特殊的方式对其进行处理。02TypeScript实现贪心算法与回溯算法本文将介绍两种算法设计技巧：贪心算法与回溯算法，并用TypeScript将其实现，欢迎各位感兴趣的开发者阅读本文。03Python骚操作：一行代码实现探索性数据分析在使用数据前，我们首先要做的是观察数据，包括查看数据的类型、数据的范围、数据的分布等。dataprep.eda是个非常不错的工具，它可以帮你快速生成数据概览。dataprep.eda包含的一些智能特性：02Python Pandas 用法速查表设置列名dataframe.columns=['col1','col2','col3']02【Python基础系列】常见的数据预处理方法（附代码）本文简单介绍python中一些常见的数据预处理，包括数据加载、缺失值处理、异常值处理、描述性变量转换为数值型、训练集测试集划分、数据规范化。05【Mark一下】46个常用 Pandas 方法速查表导读：Pandas是日常数据分析师使用最多的分析和处理库之一，其中提供了大量方便实用的数据结构和方法。但在使用初期，很多人会不知道：02CSS(七)Grid 布局是 CSS 中最强大的布局系统。 Grid 布局是一个二维布局系统，意味着它可以处理列和行，不像 Flexbox 主要是一维布局系统。通过将 CSS 规则应用于父元素(称为 grid container)和子元素(称为 grid items)，我们就可以使用网格布局。02第四章 为In-Memory 启用填充对象（IM-4.2 第二部分）通过在 CREATE TABLE 或 ALTER TABLE 语句中包含 INMEMORY 子句来启用IM列存储的表。通过在 CREATE TABLE 或 ALTER TABLE 语句中包含 NO INMEMORY 子句来禁用IM列存储的表。04递归+回溯求解数独问题导读：回溯是常用的算法理论之一，很多规模较大、直接分析较为复杂的问题都可以考虑用回溯求解，例如N皇后问题、骑士周游和走迷宫问题等。本质上，回溯问题是一种优化后的暴力求解，通过及时的剪枝和启发式的寻找最优路径，可以有效加速求解过程。回溯还常常与递归搭配使用。01看到基础动态规划就像回到家一样！但还是有少部分动态规划的题目十分简单，如果你觉得动态规划难以入手，那么我建议你先熟练掌握这几道简单的题目，你会惊奇的发现：做多了都是套路，代码模块几乎都一样！。01python数据分析——数据分类汇总与统计数据分类汇总与统计是指将大量的数据按照不同的分类方式进行整理和归纳，然后对这些数据进行统计分析，以便于更好地了解数据的特点和规律。01卷积神经网络（CNN）| 笔记 | 1实际上，前面提到的使用 了MNIST数据集的例子中，输入图像就是1通道、高28像素、长28像素 的（1, 28, 28）形状，但却被排成1列，以784个数据的形式输入到最开始的Affine层。04R语言数据分析利器data.table包 —— 数据框结构处理精讲R语言data.table包是自带包data.frame的升级版，用于数据框格式数据的处理，最大的特点快。包括两个方面，一方面是写的快，代码简洁，只要一行命令就可以完成诸多任务，另一方面是处理快，内部处理的步骤进行了程序上的优化，使用多线程，甚至很多函数是使用C写的，大大加快数据运行速度。因此，在对大数据处理上，使用data.table无疑具有极高的效率。这里我们主要讲的是它对数据框结构的快捷处理。02动态规划——0/1背包问题(全网最细+图文解析)「建议收藏」如果对动态规划解题思路以及步骤和如何推导转移方程还不清楚的同学可以去看一下我前面发的一篇DP大总结希望能够帮到你:数据结构与算法—算法篇之动态规划(一)02机器学习实战⑴之线性回归预测房价机器学习实战一般来说，一个学习问题通常会考虑一系列 n 个 样本 数据，然后尝试预测未知数据的属性。 如果每个样本是 多个属性的数据，比如说是一个多维记录），就说它有许多“属性”，或称 features(特征) 。0237. 解数独数字 1-9 在每一行只能出现一次。 数字 1-9 在每一列只能出现一次。 数字 1-9 在每一个以粗实线分隔的 3x3 宫内只能出现一次。 空白格用 ‘.’ 表示。02目前最全的R语言-图片的组合与拼接李誉辉，四川大学硕士在读，研究数据分析与可视化，以及网络爬虫。誉辉兄最近出的文章都是很系统的，从R ggplot2的基础讲解到三维数据可视化plot3D，文章都整理讲解得很全面系统，我本人也是很喜欢这样的文章，故而推荐给大家。04【干货】万字教你入门和实践特征工程（注：本节用到了两个数据集，分别是Salary_Ranges_by_Job_Classification 和 GlobalLandTemperaturesByCity）05手把手教你入门和实践特征工程 的全方位万字笔记，附代码下载（注：本节用到了两个数据集，分别是Salary_Ranges_by_Job_Classification 和 GlobalLandTemperaturesByCity）02手把手教你入门和实践特征工程 的全方位万字笔记，附代码下载（注：本节用到了两个数据集，分别是Salary_Ranges_by_Job_Classification 和 GlobalLandTemperaturesByCity）02手把手教你入门和实践特征工程 的全方位万字笔记，附代码下载（注：本节用到了两个数据集，分别是Salary_Ranges_by_Job_Classification 和 GlobalLandTemperaturesByCity）01
Ionic如何实现单选二级菜单切换 最近有个需求，需要做一个用户视图，数据全都从PC端系统实时取，由于这个功能在电脑浏览器展示还可以，即使菜单全部展开，只要美工稍加调整下位置也是放得下的，但是同样的功能让App也做一个就有问题了，尤其是课程体系切换里面有很多岗位菜单切换，而且是实时获取，如果在主页面显示会占用很大地方，影响用户体验，最终斟酌再三，将此菜单切换放在弹窗里面，就是点击一下弹个页面让用户选择，App页面宽度比较窄显示列表比较轻松，就做了个弹窗，需要说明的是这个弹窗点击一级菜单展开当前一级下面的
问题描述：数独盘面是个九宫，每一宫又分为九个小格。在这八十一格中给出一定的已知数字和解题条件，利用逻辑和推理，在其他的空格上填入1-9的数字。使1-9每个数字在每一行、每一列和每一宫中都只出现一次，所以又称“九宫格”。 解题建议：遇到问题后，最好先手工推导和模拟一下，把思路理清楚，然后再动手写代码。 参考代码： import random def init(): # 初始状态，每个格内都是1-9之间的数字 grids = {(r, c):list(range(1,10))\ for r in r
连接（Join）是数据仓库工作负载的一个组成部分。 当连接的表存储在内存中时，IM列存储增强了连接的性能。
算法的重要性，我就不多说了吧，想去大厂，就必须要经过基础知识和业务逻辑面试+算法面试。所以，为了提高大家的算法能力，这个公众号后续每天带大家做一道算法题，题目就从LeetCode上面选 ！
在Pandas的各类数据Series和DataFrame里字段值为NaN的为缺失数据，不代表0而是说没有赋值数据，类似于python中的None值。数据的缺失有很多原因，缺失不是错误、无效，需要对缺失的数据进行必要的技术处理，以便后续的计算、统计。
数字 1-9 在每一行只能出现一次。 数字 1-9 在每一列只能出现一次。 数字 1-9 在每一个以粗实线分隔的 3x3 宫内只能出现一次。（请参考示例图） 数独部分空格内已填入了数字，空白格用 '.' 表示。
【问题】烦人的合并单元格，我们在进行vlookup、sum等计算中最怕就是遇到神人交过来的表格，
序言：本文主要介绍了使用 Ionic 和 Cordova 开发混合应用时如何添加用户身份认证。教程简易，对于 Ionic 入门学习有一定帮助。因为文章是去年发表，所以教程内关于 Okta 的一些使用步骤不太准确，但是通过 Okta 的官网也可以找到对应的内容。另外，使用 npm 安装 Ionic starter 模板可能会有安装失败的情况，建议不要在这方面浪费太多时间，可以直接在 Ionic 的 GitHub 仓库 中下载 starter 模板。 原文：How to Sprinkle ReactJS i
使用 Okta 和 OpenID Connect (OIDC)，可以很轻松的在 Ionic 应用中添加身份认证，完全不需要自己实现。 OIDC 允许你直接使用 Okta Platform API 进行认证，本文的目的就是告诉你如何在一个 Ionic 应用中使用这些 API。我将演示如何使用 OIDC 重定向、Okta 的 Auth SDK 以及基于 Cordova 内嵌浏览器的 OAuth 进行登录； 由于功能还在开发中，所以省略了用户注册。
介绍tidyr包中五个基本函数的简单用法:长转宽，宽转长，合并，分割，NA简单填充。
我们的数据来源是“人人车”二手车网站，通过Python爬虫获取291个城市所有在售二手车详细数据。
前面文章对卷积做了讲解，感觉既然重新整理，就将系列概念整体做个梳理，也算是将自己知道的所有东西拿来献丑把。 转置卷积(Transposed Convolution)是后来的叫法，一开始大家都是称逆卷积/反卷积(Deconvolution)，这个概念是在图像分割任务中被提出来的，图像分割需要逐像素的操作，对每一个像素做一个分割，将其归类到不同的物体当中。 这个任务大家很自然的想要使用卷积神经网络来完成，那就得先使用卷积神经网络提取特征，但是卷积神经网络中的两大主要构件，卷积层和下采样层会使得图像的尺寸不断缩小。这个就与逐像素的分类不符，因为逐像素分割的话是需要输出和输入大小是一致的。 针对这个问题，有人提出了先使用卷积核下采样层逐层的提取特征，然后通过上采样再将特征图逐渐的恢复到原图的尺寸。而这个上采样一开始就是通过反卷积来实现的。如果说卷积核下采样的过程特征图是变小的，那么上采样之后特征图应该变大。 我们应该熟悉卷积的输出尺寸公式 o u t = ( F − K + 2 P ) / s + 1 out=(F-K+2P)/s+1 out=(F−K+2P)/s+1，其中F表示输入特征图的尺寸，K表示卷积核的尺寸，P表示padding，S表示卷积的步长。我们都通过这个公式来计算卷积的输出特征图尺寸。举例来说明，一个4×4的输入特征图，卷积核为3×3，如果不使用paddng，步长为1，则带入计算 o u t = ( 4 − 3 ) / 1 + 1 out=(4-3)/1+1 out=(4−3)/1+1为2。 我们已经在im2col算法的介绍中讲解了卷积的实现，实际上这个步骤是通过两个矩阵的乘法来完成的，我们不妨记为 y = C x y=Cx y=Cx，如果要上采样，我们希望给输出特征图乘一个参数矩阵，然后把尺寸还原回去，根据数学知识，我们给特征图矩阵 y y y左乘一个{C^T}，就能得到 C T y = C T C x C^Ty=C^TCx CTy=CTCx， C C C的列数等于 x x x的行数， C T C C^TC CTC的行数和列数都等于x的行数，乘完之后，得到的结果与 x x x形状相同。这就是转置卷积名字的来源。有一些工作确实是这样实现的。 我们也能很自然的得出结论，我们不需要给输出特征图左乘 C T C^T CT，显然只要和这个矩阵形状相同，输出的结果就和原特征图尺寸相同，而且这个操作同样可以使用卷积来实现，那我们只要保证形状一致，然后参数我们可以自己训练，这样尺寸的问题解决了，而且特征的对应也有了，是可以训练的，一举两得。 im2col讲解的内容，卷积是 ( C o u t , C i n ∗ K h ∗ K w ) (C_{out},C_{in}*K_h*K_w) (Cout,Cin∗Kh∗Kw)的卷积核乘 ( C i n ∗ K h ∗ K w , H N ∗ W N ) (C_{in}*K_h*K_w,H_N*W_N) (Cin∗Kh∗Kw,HN∗WN)的特征图，得到 ( C o u t , H N ∗ W N ) (C_{out},H_N*W_N) (Cout,HN∗WN)的结果。现在对卷积核做一个转置 ( C i n ∗ K h ∗ K w , C o u t ) (C_{in}*K_h*K_w,C_{out}) (Cin∗Kh∗Kw,Cout)乘 ( C o u t , H N ∗ W N ) (C_{out},H_N*W_N) (Cout,HN∗WN)得到一个 ( C i n ∗ K h ∗ K w , H N ∗ W N ) (C_{in}*K_h*K_w,H_N*W_N) (Cin∗Kh∗Kw,HN∗WN)的特征图。 除了以上内容这里还有一点其他需要补充的东西，比如在caffe中除了im2col函数之外，还有一个函数是col2im，也就是im2col的逆运算。所以对于上面的结果caffe是通过col2im来转换成特征图的。但是col2im函数对于im2col只是形状上的逆函数，事实上，如果对于一个特征图先执行im2col再执行col2im得到的结果和原来是不相等的。 而在tensorflow和pytorch中，这一点是有差异的，两者是基于特征图膨胀实现的转置卷积操作，两者是是通过填充来进行特征图膨胀的，之后可能还会有一个crop操作。之所以需要填充，是因为想要直接通过卷积操作来实现转置卷积，干脆填充一些值，这样卷积出来的特征图尺寸自然就更大。 但是两者从运算上来讲都无法对原卷积进行复原，只是进行了形状复原而已。 到了最后就可以讨论形状的计算了，转置卷积是卷积的形状逆操作，所以形状计算就是原来计算方式的逆函数。 o u t = ( F − K + 2 P ) / s + 1 out
前面发了几篇python基础语法题目，主要用来帮助测试基础知识掌握的情况，如果都有认真看过或者做过的话，相信对自己的知识掌握情况应该有一定的了解了，接下来可以相应的去重新学习不是很清晰的那部分。
在数据分析和建模中，经常会遇到变量值缺失的情况，这是非常常见的。为了保证数据指标的完整性以及可利用性，通常我们会采取特殊的方式对其进行处理。
再好的模型，如果没有好的数据和特征质量，那训练出来的效果也不会有所提高。数据质量对于数据分析而言是至关重要的，有时候它的意义会在某种程度上会胜过模型算法。
以上代码df1应该是3列10行，之后和df2对齐。 对齐操作列名应该匹配，无法对齐的列整列置为NAN。
可以使用separate（column，into，sep =“[\ W _] +”，remove = True，convert = False，extra ='drop'，fill ='right'）函数将列拆分为多个列。 separate（）有各种各样的参数：
本文将介绍两种算法设计技巧：贪心算法与回溯算法，并用TypeScript将其实现，欢迎各位感兴趣的开发者阅读本文。
在使用数据前，我们首先要做的是观察数据，包括查看数据的类型、数据的范围、数据的分布等。dataprep.eda是个非常不错的工具，它可以帮你快速生成数据概览。dataprep.eda包含的一些智能特性：
设置列名dataframe.columns=['col1','col2','col3']
本文简单介绍python中一些常见的数据预处理，包括数据加载、缺失值处理、异常值处理、描述性变量转换为数值型、训练集测试集划分、数据规范化。
导读：Pandas是日常数据分析师使用最多的分析和处理库之一，其中提供了大量方便实用的数据结构和方法。但在使用初期，很多人会不知道：
Grid 布局是 CSS 中最强大的布局系统。 Grid 布局是一个二维布局系统，意味着它可以处理列和行，不像 Flexbox 主要是一维布局系统。通过将 CSS 规则应用于父元素(称为 grid container)和子元素(称为 grid items)，我们就可以使用网格布局。
通过在 CREATE TABLE 或 ALTER TABLE 语句中包含 INMEMORY 子句来启用IM列存储的表。通过在 CREATE TABLE 或 ALTER TABLE 语句中包含 NO INMEMORY 子句来禁用IM列存储的表。
导读：回溯是常用的算法理论之一，很多规模较大、直接分析较为复杂的问题都可以考虑用回溯求解，例如N皇后问题、骑士周游和走迷宫问题等。本质上，回溯问题是一种优化后的暴力求解，通过及时的剪枝和启发式的寻找最优路径，可以有效加速求解过程。回溯还常常与递归搭配使用。
但还是有少部分动态规划的题目十分简单，如果你觉得动态规划难以入手，那么我建议你先熟练掌握这几道简单的题目，你会惊奇的发现：做多了都是套路，代码模块几乎都一样！。
数据分类汇总与统计是指将大量的数据按照不同的分类方式进行整理和归纳，然后对这些数据进行统计分析，以便于更好地了解数据的特点和规律。
实际上，前面提到的使用 了MNIST数据集的例子中，输入图像就是1通道、高28像素、长28像素 的（1, 28, 28）形状，但却被排成1列，以784个数据的形式输入到最开始的Affine层。
R语言data.table包是自带包data.frame的升级版，用于数据框格式数据的处理，最大的特点快。包括两个方面，一方面是写的快，代码简洁，只要一行命令就可以完成诸多任务，另一方面是处理快，内部处理的步骤进行了程序上的优化，使用多线程，甚至很多函数是使用C写的，大大加快数据运行速度。因此，在对大数据处理上，使用data.table无疑具有极高的效率。这里我们主要讲的是它对数据框结构的快捷处理。
如果对动态规划解题思路以及步骤和如何推导转移方程还不清楚的同学可以去看一下我前面发的一篇DP大总结希望能够帮到你:数据结构与算法—算法篇之动态规划(一)
一般来说，一个学习问题通常会考虑一系列 n 个 样本 数据，然后尝试预测未知数据的属性。 如果每个样本是 多个属性的数据，比如说是一个多维记录），就说它有许多“属性”，或称 features(特征) 。
数字 1-9 在每一行只能出现一次。 数字 1-9 在每一列只能出现一次。 数字 1-9 在每一个以粗实线分隔的 3x3 宫内只能出现一次。 空白格用 ‘.’ 表示。
李誉辉，四川大学硕士在读，研究数据分析与可视化，以及网络爬虫。誉辉兄最近出的文章都是很系统的，从R ggplot2的基础讲解到三维数据可视化plot3D，文章都整理讲解得很全面系统，我本人也是很喜欢这样的文章，故而推荐给大家。
（注：本节用到了两个数据集，分别是Salary_Ranges_by_Job_Classification 和 GlobalLandTemperaturesByCity）
领取专属 10元无门槛券
手把手带您无忧上云
