- 综合排序
- 最热优先
- 最新优先
- 来自专栏summerking的专栏
docker安装gauss
# 1.拉取镜像 [root@summer ~]# docker run --name opengauss --privileged=true -d -e GS_PASSWORD=Gauss@123 PORTS NAMES 88990d723c95 enmotech/opengauss:latest "entrypoint.sh gauss
1.2K30编辑于 2022-09-19 - 来自专栏软件研发
Gibbs Gauss采样入门
Gibbs Gauss采样入门引言Gibbs采样是一种马尔可夫链蒙特卡洛（MCMC）方法，用于从一个高维的概率分布中采样。在多元统计学和机器学习领域广泛应用。
74720编辑于 2023-10-25 - 来自专栏mwangblog
gauss消元法
# gauss消元法 OUTLINE: 主要内容： - m个方程n个未知数的线性方程组 - 齐次、非齐次、解集合、特解、通解 - 消元过程（例子） - 矩阵
49720发布于 2018-07-04 - 来自专栏图像处理与模式识别研究所
Gauss-Seidel、Laplace、Jacobi等求解热方程。
Gauss_Seidel.m %% Homework 12 (b) % Heat equation with variable coeficients using Gauss-Seidel Method iter = iter+1; end fprintf('iterations: %4.1f \n',iter); %% Plot Figures figure contourf(T) title(['Gauss-Seidel
38720编辑于 2022-05-28 - 来自专栏小樱的经验随笔
高斯消元法(Gauss Elimination)【超详解&模板】
补充1： 高斯－若尔当消元法（Gauss-Jordan Elimination） 相对于高斯消元法，高斯－若尔当消元法最后的得到线性方程组更容易求解，它得到的是简化行列式。 1 列选主元消元法 2 /* 3 *Gauss.cpp 4 *功能：列选主元消元法 5 */ 6 #include<stdio.h> 7 #include"Gass.h" 8 9 / /高斯消元法（列选主元） 10 void Gauss (double a[][MAXNUM],int n) 11 { 12 int i,j; 13 SelectColE(a,n); ][3]=4.623;a[2][4]=2.000; 72 a[3][1] = -2.000;a[3][2]=1.070;a[3][3]=5.643;a[3][4]=3.000; 73 Gauss elimination).(-2表示有浮点数解，但无整数解，-1表示无解，0表示唯一解，大于0表示无穷解，并返回自由变元的个数) 48 int Gauss(void) 49 { 50 int
23.2K101发布于 2018-04-09 - 来自专栏数据和云
网友过招老杨：Gauss和Poincare数学问题的另类解法
大家应该还记得前几天我们的一篇文章：用SQL解一道有趣的数学题：Gauss和Poincare ，错过的朋友请先回顾。感谢网友的反馈，发来新的解法一则。 问题提出 这是一个流传已久的故事： Gauss和Poincare在天堂相遇了，上帝说：你们都是人间最伟大的数学家，那我来出道题考考你们谁更聪明。 我在左手写一个大于1小于100的数，在右手同样写一个大于1小于100的数，然后把他们的和写在Gauss手上，把积写在Poincare手上，看看你们能不能猜出这两个数字是几。 Gauss看了手上的数字，说：“我不知道这两个数字是几，可我保证Poincare也不知道。” Poincare看了手上的数字，说：“我原来的确不知道那两个数字是几，可我现在知道了。” Gauss说：“那我也知道了。” 问题：那两个数字是几？
98840发布于 2018-03-05 - 来自专栏数值分析与有限元编程
Gauss-Seidel迭代法解线性方程组
与Jacobi迭代法密切相关的一种迭代方法叫做Gauss-Seidel迭代方法。Gauss-Seidel方法与Jacobi方法之间的差别是：在一个迭代步里，一旦未知变量值有更新，则立马投入使用。 对于方程组：3u+v=5，u+2v=5，Gauss-Seidel迭代就这样进行： ? 注意红圈位置是Gauss-Seidel方法与Jacobi方法之间的差别：v1的计算用到了u1而不是u0。 通常情况下Gauss-Seidel方法比Jacobi方法收敛更快。 设D表示系数矩阵A 的主对角部分，L表示A的主对角线下方部分，U表示A的主对角线上方部分。 用Gauss-Seidel方法求解方程组 ? Gauss-Seidel迭代格式为： ? 使用初值[u0，v0，w0]=[0，0，0]开始迭代，以下是迭代过程： ? Gauss-Seidel方法的Fortran程序 ?
3.8K20发布于 2019-07-08 - 来自专栏3D视觉从入门到精通
SLAM算法＆技术之Gauss-Newton非线性最小二乘算法
很多问题最终归结为一个最小二乘问题，如SLAM算法中的Bundle Adjustment，位姿图优化等等。求解最小二乘的方法有很多，高斯-牛顿法就是其中之一。
2.7K20发布于 2020-11-19 - 来自专栏数据和云
用SQL解一道有趣的数学题：Gauss和Poincare
Gauss说：“那我也知道了。” 问题：那两个数字是几？ 对于Gauss来说他知道两个数之和，而不知道两个数的积，但是Gauss却肯定的说，他保证Poincare也不知道这两个数是什么。这句话就很有深意。 这说明由于Gauss刚才的推断所排除的一些数值组合后，使得Poincare手中的积可以唯一确定这两个数值了。 随后Gauss说他也知道了，意味着根据Poincare能够确认这两个数的信息，Gauss也可以唯一的确定这两个数了。 随后还有最后一个条件，就是Gauss这时也知道了两个数是什么，说明Gauss根据Poincare确定两个数的数值这个事实，进一步推断出了最终的结果。
1.5K50发布于 2018-03-05 - 来自专栏一心无二用，本人只专注于基础图像算法的实现与优化。
【短道速滑九】仿halcon中gauss_filter小半径高斯模糊优化的实现
关键字后，你会发现有以下两个函数： gauss_filter — Smooth using discrete gauss functions. gauss_image — Smooth an image using discrete Gaussian functions. 两个函数的功能描述基本是一个意思，但是在gauss_image函数的注释下有这么一条： gauss_image is obsolete and is only provided New applications should use the operator gauss_filter instead. 即这个函数已经过时，提供他只是为了向前兼容，新的应用建议使用gauss_filter 函数，那我们再来看下halcon中其具体的描述： Signature gauss_filter(Image
84110编辑于 2022-09-28 - 来自专栏专知
【干货】用极少量样本有效的训练分类器-对抗自编码器PyTorch手把手实战系列
= z_real_gauss.cuda() z_fake_cat, z_fake_gauss = Q(X) D_real_cat = D_cat(z_real_cat) D_real_gauss = D_gauss(z_real_gauss) D_fake_cat = D_cat(z_fake_cat) D_fake_gauss = D_gauss(z_fake_gauss) = -torch.mean(torch.log(D_real_gauss + TINY) + torch.log(1 - D_fake_gauss + TINY)) D_loss Q.train() z_fake_cat, z_fake_gauss = Q(X) D_fake_cat = D_cat(z_fake_cat) D_fake_gauss = D_gauss(z_fake_gauss) G_loss = - torch.mean(torch.log(D_fake_cat + TINY)) - torch.mean(torch.log
2.6K41发布于 2018-06-05 - 来自专栏数值分析与有限元编程
SOR迭代法解线性方程组
SOR迭代是在Gauss-Seidel迭代方法基础之上的进一步改进。其特征是取xk+1和xk的一个适当的加权平均来加快Gauss-Seidel收敛。对于方程组 ? Gauss-Seidel迭代格式为 ? 而SOR迭代则是： ? 显然，参数ω=1时就是Gauss-Seidel迭代。 1)当n=200时,分别用Jacobi，Gauss-Seidel以及SOR （ω=1.5和ω=1.2），比较三种方法收敛所需的迭代步数。 ? 合理选择参数ω决定了SOR比Gauss-Seidel更快收敛。如果参数选择不当，SOR反而比Gauss-Seidel更慢。参数ω=1时就是Gauss-Seidel迭代。
3.3K20发布于 2019-07-17 - 来自专栏专知
【干货】对抗自编码器PyTorch手把手实战系列——PyTorch实现对抗自编码器
= self.lin3_gauss(x) return z_gauss Decoder模型: # p(x|z) class P_net(nn.Module): def __ 得到loss D_real_gauss = D_gauss(z_real_gauss) # 用encoder 生成假样本 Q.eval() # 切到测试形态, 这时候, Q( 即encoder)不参与优化 z_fake_gauss = Q(images) # 用判别器判别假样本, 得到loss D_fake_gauss = D_gauss(z_fake_gauss ) # 判别器总误差 D_loss = -mean(log(D_real_gauss + EPS) + log(1 - D_fake_gauss + EPS)) # 优化判别器 = Q(images) D_fake_gauss = D_gauss(z_fake_gauss) G_loss = -mean(log(D_fake_gauss + EPS))
4.5K50发布于 2018-04-08 - 来自专栏专知
【干货】对抗自编码器PyTorch手把手实战系列——对抗自编码器学习笔迹风格
= D_net_gauss(500, z_red_dims).cuda() # encode/decode 优化器 optim_P = torch.optim.Adam(P.parameters() 得到loss D_real_gauss = D_gauss(z_real_gauss) # 用encoder 生成假样本 Q.eval() # 切到测试形态, 这时候, Q( 即encoder)不参与优化 z_fake_gauss = Q(images) # 用判别器判别假样本, 得到loss D_fake_gauss = D_gauss(z_fake_gauss ) # 判别器总误差 D_loss = -mean(log(D_real_gauss + EPS) + log(1 - D_fake_gauss + EPS)) # 优化判别器 = Q(images) D_fake_gauss = D_gauss(z_fake_gauss) G_loss = -mean(log(D_fake_gauss + EPS))
2.3K90发布于 2018-04-25 - 来自专栏大数据生态
Elasticsearch 7.10.1集群压测报告（4核16G*3，AMD）
decay_geo_gauss_function_score 644.189 ms 100th percentile latency decay_geo_gauss_function_score 652.326 decay_geo_gauss_function_score 614.672 ms 99th percentile service time decay_geo_gauss_function_score 0 % Min Throughput decay_geo_gauss_script_score 1 ops/s Mean Throughput decay_geo_gauss_script_score 1 ops/s Median Throughput decay_geo_gauss_script_score 1 ops/s Max Throughput decay_geo_gauss_script_score time decay_geo_gauss_script_score 602.263 ms 99th percentile service time decay_geo_gauss_script_score
2.3K2510编辑于 2022-05-16 - 来自专栏-csdn迁移
OpenCV图像处理09-图像模糊（一）
imshow(blur_window, dst_blur); //************************************************** //高斯滤波 Mat dst_Gauss ; GaussianBlur(src, dst_Gauss, Size(5, 5), 11, 11); string Gauss_window = "Gauss image"; namedWindow (Gauss_window, CV_WINDOW_AUTOSIZE); imshow(Gauss_window, dst_Gauss); waitKey(0); return 0; }
75710发布于 2021-03-04 [pymc]pymc2.3.8安装后测试教程之将非线性函数拟合到数据/观察值
* 1e3 # Parameters for gaussian amp_true = 0.2 size_true = 1.8 ps_true = 0.1 # Gaussian function gauss * np.exp( -1 * (np.pi ** 2 / (3600. * 180.) * size * x) ** 2 / (4. * np.log(2.))) + ps f_true = gauss =1.0) ps = pymc.Normal('ps', 0.13, 40, value=0.15) @pymc.deterministic(plot=False) def gauss return amp * np.exp(e) + ps y = pymc.Normal('y', mu=gauss, tau=1.0 / f_error ** 2, value=f, observed ']['quantiles'][2.5] y_max = MDL.stats()['gauss']['quantiles'][97.5] y_fit = MDL.stats()['gauss']['mean
11600编辑于 2025-07-20- 来自专栏-csdn迁移
OpenCV图像处理10-图像模糊（二）
dst_bilateral); //************************************************** //高斯滤波(用于对比 凸显双边滤波效果) Mat dst_Gauss ; GaussianBlur(src, dst_Gauss, Size(5, 5), 11, 11); string Gauss_window = "Gauss image"; namedWindow (Gauss_window, CV_WINDOW_AUTOSIZE); imshow(Gauss_window, dst_Gauss); waitKey(0); return 0; }
74110发布于 2021-03-04 - 来自专栏深度学习和计算机视觉
【从零学习OpenCV 4】高斯滤波
= imread("equalLena_gauss.png", IMREAD_ANYDEPTH); Mat equalLena_salt = imread("equalLena_salt.png" , IMREAD_ANYDEPTH); if (equalLena.empty()||equalLena_gauss.empty()||equalLena_salt.empty()) { , result_5gauss, Size(5, 5), 10, 20); GaussianBlur(equalLena_gauss, result_9gauss, Size(9, 9), 10, imshow("result_5", result_5); imshow("result_9", result_9); //显示含有高斯噪声图像 imshow("equalLena_gauss ", equalLena_gauss); imshow("result_5gauss", result_5gauss); imshow("result_9gauss", result_9gauss
1.9K10发布于 2019-12-30 - 来自专栏二猫の家
【机器学习】朴素贝叶斯算法：多项式、高斯、伯努利，实例应用（心脏病预测）
#（4）高斯模型训练 # 导入朴素贝叶斯--高斯模型方法 from sklearn.naive_bayes import GaussianNB # gauss_nb接收高斯方法 gauss_nb = GaussianNB () # 模型训练，输入训练集 gauss_nb.fit(x_train,y_train) # 计算准确率--评分法 gauss_accuracy = gauss_nb.score(x_test,y_test ) # 预测 gauss_result = gauss_nb.predict(data_predict_feature) 导入高斯模型方法，gauss_nb接收该方法；使用.fit()函数进模型训练 接收高斯方法 gauss_nb = GaussianNB() # 模型训练，输入训练集 gauss_nb.fit(x_train,y_train) # 计算准确率--评分法 gauss_accuracy = gauss_nb.score(x_test,y_test) # 预测 gauss_result = gauss_nb.predict(data_predict_feature) #（5）多项式模型训练
1.5K30编辑于 2023-11-15
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号