-
Linux 标准输出重定向
2020-12-18 15:05:28Linux 标准输出重定向一、引例
用远程服务器登陆工具(SecureCRT、Putty 等等)登陆 Linux 服务器的时候,过一段时间可能会自动断开连接,这时候需要重新登陆。原本进程去了后台,前台信息就没有了 。为了解决这个问题,需要将标准输出重定向到文件中。
二、标准输入输出
- 在 Linux 下几乎一切都是文件,标准输入、输出也不例外,被称作文件描述符 (File Descriptor),简称 fd。所以在有些网络库底层源码中我们会看到 fd 这个变量命名。
名称 宏 代码 标准输入 stdin 0 标准输出 stdout 1 标准错误输出 stderr 2 三、2>&1 重定向
2>&1
的意思就是将 标准错误 重定向到 标准输出。
2 表示 标准错误;
1 表示 标准输出;
>& 是一个整体,代表 重定向;四、日志重定向步骤
- 1)启动服务器的 shell 脚本叫 run_server.sh;
- 2)再写一个shell脚本作为代理的启动脚本 run.sh,实现如下:
---[run.sh]--- sh run_server.sh > watch.log 2>&1
表示将 标准输出 和 标准错误 都重定向到 watch.log 文件中;调用 ./run.sh,就可以发现输出信息都没有了。
- 3)现在的输出都在watch.log 文件中,直接用如下 shell 就可以试试看到信息显示了。
tail -f watch.log
-
C++ 标准输入的行加速
2020-12-25 18:06:03c++ 标准输入的加速一、前言
c/c++ 的标准输入函数,在输入一行数据,当数据量比较大的时候, cin 的效率是非常低的,为了加快读入的效率,可以改用 scanf,当然,还有一种利用 gets 来加速的方法,本来就来讨论一下这三种输入的效率。
二、cin 输入
- 来看一段代码,实现的时候读入一行 32位整数。
void cinTest() { int n; cin >> n; for (int i = 0; i < n; ++i) { cin >> a[i]; } }
- 读入数据定为 1000000 个,并且进行 10 次读入,release 版本下,得到的时间为:8266 ms;
三、scanf 输入
void scanfTest() { int n; while (scanf("%d", &n) != EOF) { for (int i = 0; i < n; ++i) { scanf("%d", &a[i]); } } }
- 改用 scanf 以后,同样数据同样环境的情况下,耗时为:1609 ms;
四、gets 输入
- 最后介绍 gets 的输入;
- gets 主要是行输入,输入进来是字符串,所以需要对字符串进行一次线性扫描,转换成数组,代码实现如下:
void get() { int n; int idx = 0, t = 0, s = 0; scanf("%d", &n); getchar(); gets(line); while (line[idx]) { if (line[idx] >= '0' && line[idx] <= '9') { s = s * 10 + line[idx] - '0'; } else { a[t++] = s; s = 0; } ++idx; } if (s) { a[t++] = s; } }
- 改用 gets 以后,算上处理数据的时间,同样数据同样环境的情况下,耗时为:547 ms;
五、写在最后
- 可见,在数据量比较大的情况下,c/c++ 的标准输入的效率排序如下:
-
数据标准化/归一化normalization
2016-08-19 09:42:40z-score 标准化(zero-mean normalization) 最常见的标准化方法就是Z标准化,也是SPSS中最为常用的标准化方法,spss默认的标准化方法就是z-score标准化。 也叫标准差标准化,这种方法给予原始数据的均值(mean)和...http://blog.csdn.net/pipisorry/article/details/52247379
这里主要讲连续型特征归一化的常用方法。
连续型特征还有一种处理方式是,先分桶/分箱(如等频/等距的分)[待写]进行离散化后再使用离散数据的处理方法。
离散数据处理参考[数据预处理:独热编码(One-Hot Encoding)]。
基础知识参考:
数据的标准化(normalization)和归一化
数据的标准化(normalization)是将数据按比例缩放,使之落入一个小的特定区间。在某些比较和评价的指标处理中经常会用到,去除数据的单位限制,将其转化为无量纲的纯数值,便于不同单位或量级的指标能够进行比较和加权。
目前数据标准化方法有多种,归结起来可以分为直线型方法(如极值法、标准差法)、折线型方法(如三折线法)、曲线型方法(如半正态性分布)。不同的标准化方法,对系统的评价结果会产生不同的影响,然而不幸的是,在数据标准化方法的选择上,还没有通用的法则可以遵循。
其中最典型的就是数据的归一化处理,即将数据统一映射到[0,1]区间上。
归一化的目标
1 把数变为(0,1)之间的小数
主要是为了数据处理方便提出来的,把数据映射到0~1范围之内处理,更加便捷快速,应该归到数字信号处理范畴之内。
2 把有量纲表达式变为无量纲表达式
归一化是一种简化计算的方式,即将有量纲的表达式,经过变换,化为无量纲的表达式,成为纯量。 比如,复数阻抗可以归一化书写:Z = R + jωL = R(1 + jωL/R) ,复数部分变成了纯数量了,没有量纲。
另外,微波之中也就是电路分析、信号系统、电磁波传输等,有很多运算都可以如此处理,既保证了运算的便捷,又能凸现出物理量的本质含义。归一化后有两个好处
1. 提升模型的收敛速度
如下图,x1的取值为0-2000,而x2的取值为1-5,假如只有这两个特征,对其进行优化时,会得到一个窄长的椭圆形,导致在梯度下降时,梯度的方向为垂直等高线的方向而走之字形路线,这样会使迭代很慢,相比之下,右图的迭代就会很快(理解:也就是步长走多走少方向总是对的,不会走偏)
2.提升模型的精度归一化的另一好处是提高精度,这在涉及到一些距离计算的算法时效果显著,比如算法要计算欧氏距离,上图中x2的取值范围比较小,涉及到距离计算时其对结果的影响远比x1带来的小,所以这就会造成精度的损失。所以归一化很有必要,他可以让各个特征对结果做出的贡献相同。
在多指标评价体系中,由于各评价指标的性质不同,通常具有不同的量纲和数量级。当各指标间的水平相差很大时,如果直接用原始指标值进行分析,就会突出数值较高的指标在综合分析中的作用,相对削弱数值水平较低指标的作用。因此,为了保证结果的可靠性,需要对原始指标数据进行标准化处理。
在数据分析之前,我们通常需要先将数据标准化(normalization),利用标准化后的数据进行数据分析。数据标准化也就是统计数据的指数化。数据标准化处理主要包括数据同趋化处理和无量纲化处理两个方面。数据同趋化处理主要解决不同性质数据问题,对不同性质指标直接加总不能正确反映不同作用力的综合结果,须先考虑改变逆指标数据性质,使所有指标对测评方案的作用力同趋化,再加总才能得出正确结果。数据无量纲化处理主要解决数据的可比性。经过上述标准化处理,原始数据均转换为无量纲化指标测评值,即各指标值都处于同一个数量级别上,可以进行综合测评分析。
从经验上说,归一化是让不同维度之间的特征在数值上有一定比较性,可以大大提高分类器的准确性。
3. 深度学习中数据归一化可以防止模型梯度爆炸。
数据需要归一化的机器学习算法
需要归一化的模型:
有些模型在各个维度进行不均匀伸缩后,最优解与原来不等价,例如SVM(距离分界面远的也拉近了,支持向量变多?)。对于这样的模型,除非本来各维数据的分布范围就比较接近,否则必须进行标准化,以免模型参数被分布范围较大或较小的数据dominate。
有些模型在各个维度进行不均匀伸缩后,最优解与原来等价,例如logistic regression(因为θ的大小本来就自学习出不同的feature的重要性吧?)。对于这样的模型,是否标准化理论上不会改变最优解。但是,由于实际求解往往使用迭代算法,如果目标函数的形状太“扁”,迭代算法可能收敛得很慢甚至不收敛(模型结果不精确)。所以对于具有伸缩不变性的模型,最好也进行数据标准化。有些模型/优化方法的效果会强烈地依赖于特征是否归一化,如LogisticReg,SVM,NeuralNetwork,SGD,PCA降维[PCA将原来高维的数据投影到某个低维的空间上并使得其方差尽量大。如果数据其中某一特征数值特别大,那么它在整个误差计算的比重上就很大,那么可以想象在投影到低维空间之后,为了使低秩分解逼近原数据,整个投影会去努力逼近最大的那一个特征,而忽略数值比较小的特征,这很可能导致了大量的信息缺失。此外,从计算的角度讲,因为PCA通常是数值近似分解,而非求特征值、奇异值得到解析解,所以当我们使用梯度下降等算法进行PCA的时候,归一化有利于梯度下降收敛]等。
不需要归一化的模型:
(0/1取值的特征通常不需要归一化,归一化会破坏它的稀疏性。)
有些模型则不受归一化影响,如DecisionTree。
ICA好像不需要归一化(因为独立成分如果归一化了就不独立了?)。
基于平方损失的最小二乘法OLS不需要归一化。
常见的数据归一化方法
最常用的是 min-max标准化 和 z-score 标准化。
min-max标准化(Min-max normalization)/0-1标准化(0-1 normalization)/线性函数归一化/离差标准化
是对原始数据的线性变换,使结果落到[0,1]区间,转换函数如下:
其中max为样本数据的最大值,min为样本数据的最小值。
def Normalization(x):
return [(float(i)-min(x))/float(max(x)-min(x)) for i in x]如果想要将数据映射到[-1,1],则将公式换成:
x* = x* * 2 -1
或者进行一个近似
x* = (x - x_mean)/(x_max - x_min), x_mean表示数据的均值。
def Normalization2(x):
return [(float(i)-np.mean(x))/(max(x)-min(x)) for i in x]这种方法有一个缺陷就是当有新数据加入时,可能导致max和min的变化,需要重新定义。
ps: 将数据归一化到[a,b]区间范围的方法:
(1)首先找到原本样本数据X的最小值Min及最大值Max
(2)计算系数:k=(b-a)/(Max-Min)
(3)得到归一化到[a,b]区间的数据:Y=a+k(X-Min) 或者 Y=b+k(X-Max)即一个线性变换,在坐标上就是求直线方程,先求出系数,代入一个点对应的值(x的最大/最小就对应y的最大/最小)就ok了。
z-score 标准化(zero-mean normalization)
最常见的标准化方法就是Z标准化,也是SPSS中最为常用的标准化方法,spss默认的标准化方法就是z-score标准化。
也叫标准差标准化,这种方法给予原始数据的均值(mean)和标准差(standard deviation)进行数据的标准化。
经过处理的数据符合标准正态分布,即均值为0,标准差为1,注意,一般来说z-score不是归一化,而是标准化,归一化只是标准化的一种[lz]。
其转化函数为:
x* = (x - μ ) / σ
其中μ为所有样本数据的均值,σ为所有样本数据的标准差。
z-score标准化方法适用于属性A的最大值和最小值未知的情况,或有超出取值范围的离群数据的情况。该种标准化方式要求原始数据的分布可以近似为高斯分布,否则效果会变得很糟糕。
标准化的公式很简单,步骤如下
1.求出各变量(指标)的算术平均值(数学期望)xi和标准差si ;
2.进行标准化处理:
zij=(xij-xi)/si
其中:zij为标准化后的变量值;xij为实际变量值。
3.将逆指标前的正负号对调。
标准化后的变量值围绕0上下波动,大于0说明高于平均水平,小于0说明低于平均水平。def z_score(x, axis): x = np.array(x).astype(float) xr = np.rollaxis(x, axis=axis) xr -= np.mean(x, axis=axis) xr /= np.std(x, axis=axis) # print(x) return x
为什么z-score 标准化后的数据标准差为1?
x-μ只改变均值,标准差不变,所以均值变为0
(x-μ)/σ只会使标准差除以σ倍,所以标准差变为1
这两种最常用方法使用场景:
1、在分类、聚类算法中,需要使用距离来度量相似性的时候、或者使用PCA技术进行降维的时候,第二种方法(Z-score standardization)表现更好。
2、在不涉及距离度量、协方差计算、数据不符合正太分布的时候,可以使用第一种方法或其他归一化方法。比如图像处理中,将RGB图像转换为灰度图像后将其值限定在[0 255]的范围。
原因是使用第一种方法(线性变换后),其协方差产生了倍数值的缩放,因此这种方式无法消除量纲对方差、协方差的影响,对PCA分析影响巨大;同时,由于量纲的存在,使用不同的量纲、距离的计算结果会不同。而在第二种归一化方式中,新的数据由于对方差进行了归一化,这时候每个维度的量纲其实已经等价了,每个维度都服从均值为0、方差1的正态分布,在计算距离的时候,每个维度都是去量纲化的,避免了不同量纲的选取对距离计算产生的巨大影响。
[再谈机器学习中的归一化方法(Normalization Method) ]log函数转换
通过以10为底的log函数转换的方法同样可以实现归一下,具体方法如下:
看了下网上很多介绍都是x*=log10(x),其实是有问题的,这个结果并非一定落到[0,1]区间上,应该还要除以log10(max),max为样本数据最大值,并且所有的数据都要大于等于1。
atan函数转换
用反正切函数也可以实现数据的归一化。
使用这个方法需要注意的是如果想映射的区间为[0,1],则数据都应该大于等于0,小于0的数据将被映射到[-1,0]区间上,而并非所有数据标准化的结果都映射到[0,1]区间上。
Decimal scaling小数定标标准化
这种方法通过移动数据的小数点位置来进行标准化。小数点移动多少位取决于属性A的取值中的最大绝对值。
将属性A的原始值x使用decimal scaling标准化到x'的计算方法是:
x'=x/(10^j)
其中,j是满足条件的最小整数。
例如 假定A的值由-986到917,A的最大绝对值为986,为使用小数定标标准化,我们用每个值除以1000(即,j=3),这样,-986被规范化为-0.986。
注意,标准化会对原始数据做出改变,因此需要保存所使用的标准化方法的参数,以便对后续的数据进行统一的标准化。Logistic/Softmax变换
模糊量化模式
新数据=1/2+1/2sin[派3.1415/(极大值-极小值)*(X-(极大值-极小值)/2) ] X为原数据
数据标准化/归一化的编程实现
1 python库实现和调用
[Scikit-learn:数据预处理Preprocessing data ]
2 pandas dataframe实现标准化
[pandas小记:pandas数据规整化-正则化、分组合并及重塑]
两者的区别在于:df_norm = (df - df.mean()) / (df.std())会保留nan值,而preprocessing.scale(X)会直接报错:ValueError: Input contains NaN, infinity or a value too large for dtype('float64')。
对于dense数据,建议先填充再标准化,否则需要标准化后再通过最小值来填充。
from: http://blog.csdn.net/pipisorry/article/details/52247379
ref:
-
方差、协方差、标准差、均方差、均方根值、均方误差、均方根误差对比分析
2017-10-08 11:18:54方差、协方差、标准差(标准偏差/均方差)、均方误差、均方根误差(标准误差)、均方根值 本文由博主经过查阅网上资料整理总结后编写,如存在错误或不恰当之处请留言以便更正,内容仅供大家参考学习。 方差...方差、协方差、标准差(标准偏差/均方差)、均方误差、均方根误差(标准误差)、均方根值
本文由博主经过查阅网上资料整理总结后编写,如存在错误或不恰当之处请留言以便更正,内容仅供大家参考学习。
-
方差(Variance)
方差用于衡量随机变量或一组数据的离散程度,方差在在统计描述和概率分布中有不同的定义和计算公式。①概率论中方差用来度量随机变量和其数学期望(即均值)之间的偏离程度;②统计中的方差(样本方差)是每个样本值与全体样本均值之差的平方值的平均数,代表每个变量与总体均值间的离散程度。
概率论中计算公式
离散型随机变量的数学期望:
---------求取期望值
连续型随机变量的数学期望:
----------求取期望值
其中,pi是变量,xi发生的概率,f(x)是概率密度。
---------求取方差值
统计学中计算公式
总体方差,也叫做有偏估计,其实就是我们从初高中就学到的那个标准定义的方差:
-----------求取总体均值
其中,n表示这组数据个数,x1、x2、x3……xn表示这组数据具体数值。
------------求取总体方差
其中,
为数据的平均数,n为数据的个数,
为方差。
样本方差,无偏方差,在实际情况中,总体均值
是很难得到的,往往通过抽样来计算,于是有样本方差,计算公式如下
--------------求取样本方差
此处,为什么要将分母由n变成n-1,主要是为了实现无偏估计减小误差,请阅读《为什么样本方差的分母是 n-1》。
-
协方差(Covariance)
协方差在概率论和统计学中用于衡量两个变量的总体误差。而方差是协方差的一种特殊情况,即当两个变量是相同的情况。协方差表示的是两个变量的总体的误差,这与只表示一个变量误差的方差不同。 如果两个变量的变化趋势一致,也就是说如果其中一个大于自身的期望值,另外一个也大于自身的期望值,那么两个变量之间的协方差就是正值。 如果两个变量的变化趋势相反,即其中一个大于自身的期望值,另外一个却小于自身的期望值,那么两个变量之间的协方差就是负值。
其中,E[X]与E[Y]分别为两个实数随机变量X与Y的数学期望,Cov(X,Y)为X,Y的协方差。
-
标准差(Standard Deviation)
标准差也被称为标准偏差,在中文环境中又常称均方差,是数据偏离均值的平方和平均后的方根,用σ表示。标准差是方差的算术平方根。标准差能反映一个数据集的离散程度,只是由于方差出现了平方项造成量纲的倍数变化,无法直观反映出偏离程度,于是出现了标准差,标准偏差越小,这些值偏离平均值就越少,反之亦然。
------------求取样本标准差
其中,
代表所采用的样本X1,X2,...,Xn的均值。
-------------求取总体标准差
其中,
代表总体X的均值。
例:有一组数字分别是200、50、100、200,求它们的样本标准偏差。
= (200+50+100+200)/4 = 550/4 = 137.5
= [(200-137.5)^2+(50-137.5)^2+(100-137.5)^2+(200-137.5)^2]/(4-1)
样本标准偏差 S = Sqrt(S^2)=75
-
均方误差(mean-square error, MSE)
均方误差是反映估计量与被估计量之间差异程度的一种度量,换句话说,参数估计值与参数真值之差的平方的期望值。MSE可以评价数据的变化程度,MSE的值越小,说明预测模型描述实验数据具有更好的精确度。
-
均方根误差(root mean squared error,RMSE)
均方根误差亦称标准误差,是均方误差的算术平方根。换句话说,是观测值与真值(或模拟值)偏差(而不是观测值与其平均值之间的偏差)的平方与观测次数n比值的平方根,在实际测量中,观测次数n总是有限的,真值只能用最可信赖(最佳)值来代替。标准误差对一组测量中的特大或特小误差反映非常敏感,所以,标准误差能够很好地反映出测量的精密度。这正是标准误差在工程测量中广泛被采用的原因。因此,标准差是用来衡量一组数自身的离散程度,而均方根误差是用来衡量观测值同真值之间的偏差。
-
均方根值(root-mean-square,RMES)
均方根值也称作为方均根值或有效值,在数据统计分析中,将所有值平方求和,求其均值,再开平方,就得到均方根值。在物理学中,我们常用均方根值来分析噪声。
比如幅度为100V而占空比为0.5的方波信号,如果按平均值计算,它的电压只有50V,而按均方根值计算则有70.71V。这是为什么呢?举一个例子,有一组100伏的电池组,每次供电10分钟之后停10分钟,也就是说占空比为一半。如果这组电池带动的是10Ω电阻,供电的10分钟产生10A 的电流和1000W的功率,停电时电流和功率为零。
-
-
python标准库6张思维导图学明白
2020-11-13 08:45:08先呈上高清下载地址链接:https://pan.baidu.com/s/14x2Cno96vp67qPz0Ee4weA提取码:7j7g1、标准库概览标准库包含:数据库处理,输入输出存储... -
普通正态分布如何转换到标准正态分布
2019-01-13 22:32:161.普通正态分布转换标准正态分布公式 我们知道正态分布是由两个参数μ\muμ与σ\sigmaσ确定的。对于任意一个服从N(μ,σ2)N(\mu, \sigma^2)N(μ,σ2)分布的随机变量XXX,经过下面的变换以后都可以转化为μ=0,σ=1\... -
php 解析非标准json、非规范json
2020-07-06 16:43:29// 解析非标准json,注意暂时未处理 {str:['aaaa','bbb']} $json = preg_replace ( "/\s(?=\s)/","\\1", $json );// 多个空格只留一个 $json = preg_replace( "/([\{\}\,]+)\s?'?\s?(\w*?)\s?'?\s?:\s?/", '\\1"\\2":... -
标准输入,标准输出和标准错误
2019-03-19 17:48:04当我们使用文件描述符进行操作时,需要操作标准输入、标准输出、标准错误,可以包含如下头文件: #include <unistd.h> 这个头文件中定义了标准设备: /* Standard file descriptors. */ #define STDIN_FILENO... -
标准误/标准误和标准差的区别
2019-10-25 13:40:00标准误概念:即样本均数的标准差,可用于衡量抽样误差的大小。 通常σ未知,用s(标准差)来估计,计算标准误: ----> 通过增加样本含量n来降低抽样误差。 标准误的特点: 当样本例数n一定时,标准误与... -
1,标准差的计算 2,标准分数z-score
2017-01-26 20:53:481,标准差的计算 2,标准分数z-score 摘自网络 “标准差”(standard deviation)也称“标准偏差”,它可以通过计算方差的算术平方根来求得。标准差表征了各数据偏离平均值的距离,它反映出一个数据集的离散程度。 ... -
标准误差和标准偏差
2019-08-13 15:39:28标准偏差和标准误差是统计学中的两个变异性估计量。两者只有一字之差,但是所表示的估计含义却很不同。 首先,从英文名字来讲,标准偏差是standard deviation,deviation有“离差”的意思,标准偏差表征的是数据的... -
STM32 之一 HAL库、标准外设库、LL库(STM32 Embedded Software)
2017-01-19 10:21:252018.1.19 HAL库详解见STM32之HAL库...到目前为止,有标准外设库(STD库)、HAL库、LL库 三种。前两者都是常用的库,后面的LL库是ST最近才添加,随HAL源码包一起提供,目前支持的芯片也偏少。各库如下所示: 其 -
标准差与标准误的区别(标准误也称标准误差)
2019-06-21 22:48:121、标准差是对一次抽样的原始数据进行计算的,而标准误则是对多次抽样的样本统计量进行计算的(这个统计量可以是均值); 2、标准差只是一个描述性指标,只是描述原始数据的波动情况,而标准误是跟统计推断有关的... -
软件工程国家标准
2018-03-09 17:35:551、标准化基础知识 1.1、标准的层次 国际标准 国家标准 行业标准 地方标准 企业标准 1.2、标准的类型 强制性标准 推荐性标准 1.3、标准的表示 表1国家标准代号 序号 代号 含义 1 GB 中华... -
如何理解总体标准差、样本标准差与标准误
2020-03-06 17:38:02如何理解总体标准差、样本标准差与标准误 1 总体标准差 已知随机变量 XXX 的数学期望为 μ\muμ,标准差为 σ\sigmaσ,则其方差为: σ2=E[(X−μ)2] \sigma^2=E[(X-\mu)^2] σ2=E[(X−μ)2]此处 σ\sigmaσ 即为... -
Linux的标准输入、标准输出和标准错误
2019-03-02 20:20:43Linux的标准输入、标准输出和标准错误 什么是文件描述符? 文件描述符是一个简单的正整数,用以标明每一个被进程所打开的文件和socket。 最前面的三个文件描述符(0,1,2)分别与标准输入(stdin),标准输出... -
标准输入、标准输出、标准出错:
2016-01-26 16:54:40标准输入、标准输出、标准出错 -
总体标准差、样本标准差、标准误差
2017-03-16 21:39:55标准差 对于前面例子的数据 [1,2,5,8,9],求出来的方差是10,但是这个方差值是否说明这一组数据非常离散呢?由于方差的单位和原始数据的单位不一样,如果原始数据的单位是m,那么方差的单位就是m^2,这样比较没多大... -
总体标准差-样本标准差
2019-03-19 15:18:46总体标准差和样本标准差公式: 解释: 1,求一组数据的标准差,该组数据就是总体,此时是求总体标准差,公式中分母为n; 2,总体太大或未知,只能每次抽取样本,此时是求样本标准差,分母为n-1。 图片来源:... -
c标准与c标准库
2019-03-19 23:27:08学习c语言过程中必不可少要了解c语言的标准及其发展历史,在介绍它们之间的关系之前,首先介绍以下几个组织: ANSI:美国国国家标准学会(AMERICAN NATIONAL STANDARDS INSTITUTE)成立于1918年。是一个专门制定... -
EMC相关标准
2018-07-22 14:24:090.1、按区域来分:EMC标准主要分为国际标准(IEC)、欧盟标准(EN)、中国国家标准(GB/T)等; 0.2、在国内:EMC标准主要分为国家标准、行业标准(例如:能源局)、企业标准(例如:国家电网)等; 0.3、EMC标准的... -
什么是标准输入、标准输出(stdin、stdout)?
2019-06-12 10:49:23原文地址:什么是标准输入、标准输出(stdin、stdout)? 要弄清什么是标准输入输出。首先需要弄懂什么是IO。 IO的I是Input的意思,O是output的意思。 意味着输入和输出。 更确切的含义是: I:从外部设备输入到内存 O:... -
IEEE754标准浮点数转换
2018-08-02 16:13:13IEEE754标准是一种浮点数表示标准,一般分为单、双精度两种,单精度是32位的二进制数,双精度是64位的二进制数,一个浮点数的组成分为三个部分 ①第1位是数符s,s=1表示负数,s=0表示正数。 ②第2-9位为阶码E, (双... -
为什么要进行数据标准化?什么时候需要进行数据标准化,什么时候不需要进行数据标准化?
2019-02-19 11:15:00数据标准化 -
3.4.2数据标准化(一) - Z-Score标准化
2018-05-14 18:05:25在数据标准化中,常见的方法有如下三种:Z-Score 标准化最大最小标准化小数定标法本篇主要介绍第一种数据标准化的方法,Z-Score标准化。此方法在整个数据分析与挖掘体系中的位置如下图所示。Z-Score处理方法处于整个... -
POSIX标准
2017-08-11 11:48:101、什么是POSIX标准Portable Operating System Interface for Computing System.他是一个针对操作系统(准确地说是针对类Unix操作系统)的标准化协议。这个协议是对操作系统服务接口的标准化,从而保证了应用程序在... -
浮点数的二进制表示(IEEE 754标准)
2017-04-19 12:55:59现代计算机中,一般都以IEEE 754标准存储浮点数,这个标准的在内存中存储的形式为: 对于不同长度的浮点数,阶码与小数位分配的数量不一样,如下: 对于32位的单精度浮点数,数符分配是1位,阶码分配了8位,... -
最新蓝牙5.2标准——音频标准进度
2020-03-22 20:33:31今年年初的时候蓝牙出了最新的5.2标准(标准文件下载),同时给出了BLE下的音频标准LC3推出消息,下面给出LC3标准的具体进度情况 项目简介 LC3标准化项目英文全称——Low Complexity Communication Codec (LC3) ... -
文件IO---标准输入、标准输出和标准错误
2017-11-05 12:46:17文件IO---标准输入、标准输出和标准错误 (1) 每个进程都会默认打开3个文件描述符,即0、1、2。其中0代表标准输入流、1代表标准输出流、2代表标准错误流。通常标准输入流对应着键盘的设备文件、标准输出流和... -
前后端分离标准化应用的开发过程管理
2019-09-23 11:33:45前后端分离标准化应用的开发过程管理 背景 最近一段时间系统维护过程中暴露出很多问题,甚至是事故。集中复盘之后,认为是当前的开发过程过于“自由”,开发人员甚至可以本地编译后直接拷贝到生产服务器投产。 基于...