精华内容
下载资源
问答
  • 参数和超参数的区别

    千次阅读 2018-09-15 10:19:34
    比如说:“模型参数(model parameter)”和“模型超参数(model Hyperparameter)”。 对于初学者来说,这些没有明确定义的术语肯定很令人困惑。尤其是对于些来自统计学或经济学领域的人。 我们来仔细研究一下...

    计算机学科里有太多的术语,而且许多术语的使用并不一致。哪怕是相同的术语,不同学科的人理解一定有所不同。

    比如说:“模型参数(model parameter)”和“模型超参数(model Hyperparameter)”。

    对于初学者来说,这些没有明确定义的术语肯定很令人困惑。尤其是对于些来自统计学或经济学领域的人。

    我们来仔细研究一下这些条款。

    什么是模型参数?

    模型参数是模型内部的配置变量,其值可以根据数据进行估计。

    • 它们的值定义了可使用的模型
    • 模型在进行预测时需要它们。
    • 他们是从数据估计或获悉的。
    • 它们通常不由编程者手动设置。
    • 他们通常被保存为学习模型的一部分。

    参数是机器学习算法的关键。它们通常由过去的训练数据中总结得出。

    在经典的机器学习文献中,我们可以将模型看作假设,将参数视为对特定数据集的量身打造的假设。

    最优化算法是估计模型参数的有效工具。

    • 统计:在统计学中,您可以假设一个变量的分布,如高斯分布。高斯分布的两个参数是平均值(μ)和标准偏差(西格玛)。这适用于机器学习,其中这些参数可以从数据中估算出来并用作预测模型的一部分。
    • 编程:在编程中,您可以将参数传递给函数。在这种情况下,参数是一个函数参数,它可能具有一个值范围之一。在机器学习中,您使用的特定模型是函数,需要参数才能对新数据进行预测。

    模型是否具有固定或可变数量的参数决定了它是否可以被称为“参数”或“非参数”。

    模型参数的一些示例包括:

    • 神经网络中的权重。
    • 支持向量机中的支持向量。
    • 线性回归或逻辑回归中的系数。

    什么是模型超参数?

    模型超参数是模型外部的配置,其值无法从数据中估计。

    • 它们通常用于帮助估计模型参数。
    • 它们通常由人工指定。
    • 他们通常可以使用启发式设置。
    • 他们经常被调整为给定的预测建模问题。

    我们虽然无法知道给定问题的模型超参数的最佳值,但是我们可以使用经验法则,在其他问题上使用复制值,或通过反复试验来搜索最佳值。

    当机器学习算法针对特定问题进行调整时(例如,使用网格搜索或随机搜索时),那么正在调整模型的超参数或顺序以发现导致最熟练的模型的参数预测。

    • “许多模型有不能从数据直接估计的重要参数。例如,在K近邻分类模型中……因为没有可用于计算适当值的分析公式,这种类型的模型参数被称为调整参数。”
      • 第64-65页,《应用预测模型》,2013

    如果模型超参数被称为模型参数,会造成很多混淆。克服这种困惑的一个经验法则如下:

    • 如果必须手动指定模型参数,那么它可能是一个模型超参数。

    模型超参数的一些例子包括:

    • 训练神经网络的学习速率。
    • 用于支持向量机的C和sigma超参数。
    • K最近邻的K。

    总之,模型参数是根据数据自动估算的。但模型超参数是手动设置的,并且在过程中用于帮助估计模型参数。

    模型超参数通常被称为参数,因为它们是必须手动设置和调整的机器学习的一部分。

    转载地址:原文地址

    展开全文
  • Python爬虫基础-01-带有请求参数的爬虫

    万次阅读 多人点赞 2018-06-06 19:06:23
    在上一篇文章Python爬虫入门中,Python爬虫程序爬取了指定网页的信息,爬虫发出的请求是一个固定的URL和部分请求信息,...HTTP请求分为POST请求和GET请求,这两种请求添加请求参数的方式不同 GET请求 POST请求...

    在上一篇文章Python爬虫入门中,Python爬虫程序爬取了指定网页的信息,爬虫发出的请求是一个固定的URL和部分请求信息,并没有请求参数,但是爬虫工作过程中发出的请求一般都需要加上请求参数,以完成对指定内容的爬取

    HTTP请求分为POST请求和GET请求,在Python爬虫中,这两种请求因其结构不同,所以添加请求参数的方式也不同,下面将分别介绍使用POST请求和GET请求的Python爬虫

    GET请求

    使用GET请求的Python爬虫比较简单,由于GET请求的请求参数包含在URL地址中,所以只需要先确定请求参数,然后将请求参数拼接到URL中即可,即 URL + 请求参数(字符串拼接)

    使用GET请求的Python爬虫案例

    首先,一个使用GET请求访问网页的例子。如下图所示,使用百度,以“爬虫”为关键字进行查询,可以看到,地址栏的URL为:https://www.baidu.com/s?word=爬虫。我们可以使用这个URL地址利用爬虫爬取该网页
    这里写图片描述
    我们写一个可以使用和上面一样的GET请求的Python爬虫程序,需要用到urlllib2包

    # coding=utf-8
    
    import urllib2
    
    url = "http://www.baidu.com/s"
    word = {"wd":"爬虫"}
    # url首个分隔符是 ?
    newurl = url + "?" + word     
    
    # 添加User-Agent,完善请求信息
    headers={ "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.103 Safari/537.36"}
    
    request = urllib2.Request(newurl, headers=headers)
    
    response = urllib2.urlopen(request)
    
    print response.read()

    程序写好后,直接运行会报错,这是因为请求参数需要进行编码转换,在使用浏览器访问时,这个转换是浏览器自动完成的。但是在Python爬虫程序中,这一步就需要程序员自己来完成了。编码转换需要使用urllib包

    # coding=utf-8
    
    import urllib      #负责url编码处理
    import urllib2
    
    url = "http://www.baidu.com/s"
    word = {"wd":"爬虫"}
    # 将请求参数转换成url编码格式(字符串)
    word = urllib.urlencode(word) 
    # url首个分隔符是 ?
    newurl = url + "?" + word     
    
    # 添加User-Agent,完善请求信息
    headers={ "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.103 Safari/537.36"}
    
    request = urllib2.Request(newurl, headers=headers)
    
    response = urllib2.urlopen(request)
    
    print response.read()

    运行程序,控制台打印的信息如下,爬取成功
    这里写图片描述

    使用GET请求的Python爬虫的应用

    在使用Python爬虫爬取一个有分页的网站时,各个页面的URL非常接近,唯一的不同就是页码数字不同,这是使用GET请求能非常简单方便的将该网站的各个页面爬取下来
    这里写图片描述
    如下图,Python吧的第一页的URL地址:http://tieba.baidu.com/f?kw=python&ie=utf-8&pn=0
    第二页的URL地址:http://tieba.baidu.com/f?kw=python&ie=utf-8&pn=50
    第三页的URL地址:http://tieba.baidu.com/f?kw=python&ie=utf-8&pn=100
    可以看出URL中只有pn参数在变化,它控制着到底访问该吧的那一页,发现了这个规律后,就可以通过一个循环,切换URL地址中的参数从而将整个贴吧中所有页面的内容都爬取下来
    这里写图片描述

    # coding=utf-8
    
    import urllib     
    import urllib2
    
    url = "http://tieba.baidu.com/f?kw=python&ie=utf-8&pn="
    
    i = 0
    while i<1000:
        i = i +50
    
        newurl = url + i   
    
        # 添加User-Agent,完善请求信息
        headers={ "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.103 Safari/537.36"}
    
        request = urllib2.Request(newurl, headers=headers)
    
        response = urllib2.urlopen(request)
    
        print response.read()
    

    POST请求

    GET请求的请求参数是直接包含在URL中了,而POST请求的请求参数则不会出现在URL中,而是要经过单独的封装处理。所以,如果爬虫需要使用POST请求,就不能直接通过 URL + 请求参数 字符串拼接这种简单粗暴的方式了

    使用POST请求的Python爬虫案例

    访问百度贴吧的请求是GET类型的,而访问有道翻译的请求则是POST类型的。如下图所示,输入我在学习,点击翻译,地址栏中的URL没有变化,说明点击翻译后发送的请求是POST类型的,即无法再URL中看到参数
    这里写图片描述
    下面就是使用POST请求的Python爬虫程序,通过一个formdata 字典作为参数,当调用urllib2.Request类时,使用三个参数,即urllib2.Request(url, data = data, headers = headers),Python爬虫发送POST请求,使用两个参数urllib2.Request(newurl, headers=headers),Python爬虫发送GET请求

    # coding=utf-8
    
    import urllib
    import urllib2
    
    # POST请求的目标URL
    url = "http://fanyi.youdao.com/translate?smartresult=dict&smartresult=rule&smartresult=ugc&sessionFrom=null"
    
    # 添加User-Agent,完善请求信息
    headers={ "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.103 Safari/537.36"}
    
    formdata = {
        "type":"AUTO",
        "i":"i love python",
        "doctype":"json",
        "xmlVersion":"1.8",
        "keyfrom":"fanyi.web",
        "ue":"UTF-8",
        "action":"FY_BY_ENTER",
        "typoResult":"true"
    }
    
    data = urllib.urlencode(formdata)
    
    request = urllib2.Request(url, data = data, headers = headers)
    response = urllib2.urlopen(request)
    print response.read()
    展开全文
  • 深度学习超参数理解

    千次阅读 2018-09-11 19:28:49
    这篇博客是对深度学习中比较重要的或者常见的超参数做一个整理笔记。 1:learning rate() 学习率决定了权值更新的速度,在迭代更新权值的过程中,设置过大容易使训练的模型跨过最优值,导致过拟合;设置过小会使...

    这篇博客是对深度学习中比较重要的或者常见的超参数做一个整理笔记。

    1:learning rate(\eta

    学习率决定了权值更新的速度,在迭代更新权值的过程中,设置过大容易使训练的模型跨过最优值,导致过拟合;设置过小会使梯度下降过程过慢。这个参数是根据经验和不断实验来设置。

    w_i = w_i - \eta \frac{\partial E}{\partial w_i}

    2:Weight decay(\lambda

    为了避免过拟合,必须对目标函数cost function(损失函数一般也叫价值函数)加入一些正则项:E = E_0 + \frac{\lambda }{2N}\sum_{w}^{ }w^2,其中E_0为原目标函数,后边则为L2正则项,是所有参数w的平方和,除以训练集的样本大小N的2倍,\lambda是正则项系数。这里顺便了解一下L2正则项是怎样防止overfitting的。

    推导过程:(参考了这位大神博客:https://www.cnblogs.com/alexanderkun/p/6922428.html

        求导:\frac{\partial E}{\partial w} = \frac{\alpha E_0}{\partial w} + \frac{\lambda }{n}w

                   \frac{\partial E}{\partial b} = \frac{\partial E_0}{\partial b}

                 对w的更新为:w_i = w_i - \eta \frac{\partial E}{\partial w_i} = w_i - \eta\frac{\partial E_0}{\partial w_i} - \frac{\eta \lambda }{n}w_i = (1-\frac{\eta \lambda }{n})w_i - \eta \frac{\partial E_0}{\partial w_i},由于\frac{\eta \lambda }{n}>0,所以1-\frac{\eta \lambda }{n} 的效果实际上是减小了w,这也就是权重衰减(weight decay)的由来。当然考虑到后边的导数项,w更新后的值可能增大也可能减小。

    但是加入正则项L2有让w减小的效果,为什么w减小能够防止过拟合呢?下边引用知乎上的一个回答:

    过拟合的时候,拟合函数的系数往往非常大,为什么?如下图所示,过拟合,就是拟合函数需要顾忌每一个点,最终形成的拟合函数波动很大。在某些很小的区间里,函数值的变化很剧烈。这就意味着函数在某些小区间里的导数值(绝对值)非常大,由于自变量值可大可小,所以只有系数足够大,才能保证导数值很大。

                                                                                  

    3:Momentum(\nu

    动量的作用是为了在梯度下降中,加快下降的速度,从而使训练迅速收敛。我们知道w_i = w_i - \eta \frac{\partial E}{\partial w_i},在mini-batch SGD法中,梯度为\frac{1}{m}\frac{\partial \sum_{i=1}^{m}E_i}{\partial w_i},其中m为mini-batch中的m个样本,加入momentum之后,w_i的更新分为两步:

    这里写图片描述

    第一步:新建一个动量\nu,计算\nu = \alpha \nu - \eta\frac{1}{m}\frac{\partial \sum_{i=1}^{m}E_i}{\partial w_i}

    第二步:更新权值w_iw_i = w_i + \nu。实际上动量是一个下降过程的累积。

    直观解释:如图所示,红色为SGD+Momentum。黑色为SGD。可以看到黑色为典型Hessian矩阵病态的情况,相当于大幅度的徘徊着向最低点前进。 
      而由于动量积攒了历史的梯度,如点P前一刻的梯度与当前的梯度方向几乎相反。因此原本在P点原本要大幅徘徊的梯度,主要受到前一时刻的影响,而导致在当前时刻的梯度幅度减小。 
      直观上讲就是,要是当前时刻的梯度与历史时刻梯度方向相似,这种趋势在当前时刻则会加强;要是不同,则当前时刻的梯度方向减弱。 

                                                                            这里写图片描述

            在参数更新过程中,其原理类似:

            1) 使网络能更优和更稳定的收敛;

            2) 减少振荡过程。

    4:RMSprop(\gamma

    先了解一下AdaGrad算法,AdaGrad的历史梯度为\gamma = \gamma + g\odot g

    RMSprop在此基础上增加了一个衰减系数来控制历史信息的获取多少:\gamma = \rho \gamma + (1-\rho )g\odot g

    这里写图片描述

    根据上图伪代码所示:RMSprop算法对权值的更新有三步:

    第一步:新建变量 \gamma,且\gamma = \rho \gamma + (1-\rho )g\odot g

    第二步:计算更新量\Delta w = -\frac{\eta }{\sqrt{\gamma + \delta }}\odot g,这一步可以看成学习率改变了\eta变为了-\frac{\eta }{\sqrt{\gamma + \delta }}

    第三步:计算w_iw_i = w_i + \Delta w_i

    优化效果图如下:

    下边了解一下Nesterov(牛顿动量)的RMSProp

    这里写图片描述

    5:Adam其实就是Momentum+RMSProp的结合,然后再修正其偏差

    1.Adam算法可以看做是修正后的Momentum+RMSProp算法

    2.动量直接并入梯度一阶矩估计中(指数加权)

    3.Adam通常被认为对超参数的选择相当鲁棒

    4.学习率建议为0.001

    这里写图片描述

    根据上图,Adam算法对quan权值的更新有yi以下六步:

    第一步:计算一阶累计梯度,s = \rho _1s + (1-\rho _1)g

    第二步:计算er二阶累计梯度,\gamma = \rho_2 \gamma + (1-\rho_2 )g\odot g

    第三步:调节一阶梯度,s_{correct} = \frac{s}{1-{\rho_{1}}^{t}},其中t为迭代次数

    第四步:调节二阶梯度,\gamma _{correct} = \frac{\gamma}{1-{\rho_{2}}^{t}}

    第五步:计算更新量,\Delta w = -\eta \frac{s_{correct}}{\sqrt{r_{correct}}+\delta }

    第六步:计算w_i = w_i + \Delta w_i

    因为Adam结合Momentum和RMSprop两种优化算法的优点于一身,所以现在经常用的是Adam优化算法。

    展开全文
  • 数据库修改参数如何生效(详)

    千次阅读 2018-02-07 14:38:28
    首先要知道参数修改后到生效常用手段分为两种情况: 1、修改后重载生效。 可以在shell窗口执行:pg_ctl reload 也可以psql中执行:select pg_reload_conf(); 2、修改后重启数据库生效。 参数的生效途径如果需要...

    作者:瀚高PG实验室 (Highgo PG Lab)- 海无涯

    首先要知道参数修改后到生效常用手段分为两种情况:

    1、修改后重载生效。

    可以在shell窗口执行:pg_ctl reload

    也可以psql中执行:select pg_reload_conf();

    2、修改后重启数据库生效。

    参数的生效途径如果需要重启数据库我们可以在参数的配置文件postgresql.conf注释中看到如下提示:

    # (change requires restart)

    可以通过pg_settings视图查看需要什么样的方式才能生效。
    
    highgo=# select distinct context from pg_settings;
          context      
    -------------------
     backend
     user
     internal
     postmaster
     superuser
     sighup
     superuser-backend
    (7 rows)
    

    internal:这类参数为只读参数。有的是postgres程序写死的,有些是在安装数据库时intdb时设置好的。

     

    postmaster:这类参数需要重启数据库才能生效。

     

    sighup:不需要重启数据库,但要向postmaster进程发送sighup信号,即需要pg_ctl reload命令。

     

    backend:无需重启数据库,只需向postmaster进程发送sighup信号。但新的配置值只能在之后的新连接中生效,已有连接中这些参数值不会改变。

     

    superuser:这类参数可以由超级用户使用set修改。参数设置后只会影响超级用户自身的session配置,不会影响其他用户。

     

    user:普通用户使用set设置,这类参数修改后和superuser类参数一样,也是只影响自身session。

    例如:
    highgo=# select distinct context from pg_settings;
          context      
    -------------------
     backend
     user
     internal
     postmaster
     superuser
     sighup
     superuser-backend
    (7 rows)
    
    highgo=# show fsync;
     fsync 
    -------
     on
    (1 row)
    
    highgo=# select name,context from pg_settings where name like 'fsync';
     name  | context 
    -------+---------
     fsync | sighup
    (1 row)
    
    highgo=# alter system set fsync = off;
    ALTER SYSTEM
    highgo=# show fsync;
     fsync 
    -------
     on
    (1 row)
    
    highgo=# select pg_reload_conf();
     pg_reload_conf 
    ----------------
     t
    (1 row)
    
    highgo=# show fsync;
     fsync 
    -------
     off
    (1 row) 
    
    展开全文
  • 深度学习超参数介绍及调参

    万次阅读 多人点赞 2019-07-16 09:42:38
    文章目录超参数概念什么是超参数参数和超参数的区别?神经网络中包含哪些超参数?为什么要进行超参数调优?超参数的重要性顺序部分超参数如何影响模型性能?部分超参数合适的范围网络训练中的超参调整策略如何调试...
  • 什么是参数估计?

    千次阅读 2020-10-20 20:06:51
    参数估计分为:点估计、区间估计 点估计(point estimation) 点估计是依据样本估计总体分布中所含的未知参数或未知参数的函数。通常它们是总体的某个特征值,如数学期望、方差和相关系数等。点估计问题就是要构造...
  • 入门学习Linux常用必会60个命令实例详解doc/txt

    千次下载 热门讨论 2011-06-09 00:08:45
    所以这个选项当然没有时间参数,但是可以输入一个用来解释的讯息,而这信息将会送到每位使用者。 -F:在重启计算机时强迫fsck。 -time:设定关机前的时间。 -m: 将系统改为单用户模式。 -i:关机时显示系统...
  • 函数定义以及参数

    万次阅读 2018-01-02 20:33:15
    函数分为预定义函数和自定义函数。 预定义函数可以直接使用。 自定义函数需要,是用户自己编写。 2.为什么要使用函数? (1)降低编程的难度。 通常将一个复杂的大问题分解成一系列的小问题,然后将小...
  • 二维数组分为函数的两个参数,一个是第一维第一个,一个是第一维最后一个,参数怎么传参?函数怎么写?
  • (1)外部参数名可以在函数调用的时候对于参数有更加直观的认识。即该参数名对外部可见。 import Foundation func sayHello(username name:String)->String{ let result = "Hello," + name return result } ...
  • 在具体使用Spring Boot的过程中,如果需要获得SpringApplication.run(args)方法传递的参数,那么可通过ApplicationArguments接口来获得。 使用方法非常简单,只用在需要获得参数的类中直接注入ApplicationArguments...
  • Mybatis使用之参数传递

    千次阅读 2015-05-20 16:41:24
    摘要: 主要记录Mybatis是如何映射传递的参数的。分四种来记录:1、java基本类型的传递、2、Java对象形式传递 3、多参数传递4、集合类型参数传递
  • KETTLE的参数设置

    千次阅读 2019-03-18 13:00:32
    KETTLE有多种参数,我主要用到的,分别是parameter,argument和自定义的参数。 1、parameter 使用这个参数相对比较简单,可以在job的空白处右键选job setting,可以看到tab parameter选项 在parameter选项可以定义...
  • LoadRunner参数化详解

    千次阅读 2019-06-28 15:31:47
    一、常见参数化类型 1、File:文本格式 设置如下: 输出如下: 2、Date/Time:获取当前时间,设置显示格式及更新方式 设置如下: 输出如下: 3、Unique Number:获得一个唯一的数据,在做某些主键...
  • PostgreSql-参数查看配置

    千次阅读 2018-05-19 14:31:59
    通过查询数据库字典pg_settings来查看当前参数的一些配置。该数据字典类似于Oracle里面的v$parameter或是x$ksppi,x$ksppcv。[pgsqladmin@pgsql ~]$ psql -d postgrespostgres=# \d pg_settings View "pg_...
  • JVM学习之路(七)——JVM配置参数

    万次阅读 2018-07-28 21:22:31
    一、jvm配置参数分为3大类: 1、跟踪参数:跟踪、监控JVM状态,用于程序员JVM调优及故障排查 2、堆分配参数:分配堆内存 3、栈分配参数:分配栈内存 二、各类配置参数常用参数: 1、常用跟踪监控参数: ①打印...
  • 在实际的使用中,会遇到Job在执行时根据用户的选择或者特定的输入条件的情况,这种情况之下带参数的Job就起到了作用。这篇文章仍然以具体的使用示例进行说明带参数的Jenkinsfile如何使用。
  • 模型中的参数和超参数

    千次阅读 2018-12-19 16:59:04
    机器学习中的优化问题可以分为参数优化问题和超参数优化问题。 &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;在确定了训练集DDD、假设空间fff以及学习准则后,如何找到最优的...
  • 在机器学习的模型中,通常有两类参数,第一类是通过训练数据学习得到的参数,也就是模型的系数,如回归模型中的权重系数,第二类是模型算法中需要进行设置和优化的超参,如logistic回归中的正则化系数和决策树中的树...
  • pytorch 优化器(optim)不同参数组,不同学习率设置

    万次阅读 多人点赞 2019-07-01 16:33:51
    optim 的基本使用 for do: ...4. 更新参数 cifiron = nn.MSELoss() optimiter = torch.optim.SGD(net.parameters(),lr=0.01,momentum=0.9) for i in range(iters): out = net(inputs) loss =...
  • 天线设计相关性能参数

    万次阅读 多人点赞 2018-10-06 09:50:46
    天线的指标参数分为两部分:1.电路参数,天线高效率辐射的保证,天线应用的必要条件 2.辐射参数,天线应用的本质,天线应用的充分条件 下面将每部分的参数做介绍(终端小天线大多数时候较强调电路参数)。电路参数:...
  • 面板回归指南

    万次阅读 多人点赞 2018-12-26 12:50:18
    随机效应模型估计:3.Hausman检验附录:stata中面板回归的主要命令与参数 面板数据 面板数据有两个下脚标: 不同个体i 不同时间t 其形式如下: 面板回归包含不可观测的个体异质性αi\alpha_iαi​ 根据αi\alpha_...
  • HTTP 参数类型简介

    千次阅读 2019-07-25 11:17:34
    http协议 传参类型 根据参数所在协议位置可分为 四大类 请求头参数 (head) 请求头参数顾名思义,是存放在请求头中发送给服务器的参数,服务器通过解析请求头获取参数内容。通常会存放本次请求的基本设置,以帮助...
  • 函数参数:必选参数、默认参数、可选参数、关键字参数 ######################################################## 默认参数:放在必选参数之后 计算x平方的函数: def power(x): ...
  • UE4命令行参数解析

    万次阅读 2016-12-09 21:49:33
    命令行参数简述 命令行参数是一连串的关键字字符串,当运行可执行文件时可以通过命令行或者可执行文件的快捷方式将其传入。它们的目的是自定义引擎运行的方式,以便符合开发人员或用户的需要。一般用途如下,注:...
  • 曲线和曲面的表示方程有参数表示和非参数表示之分,非参数表示又分为显式表示和隐式表示。 对于一个平面曲线,显式表示一般形式是:y = f(x) 在此方程中,一个 x 值与一个 y 值对应,所以 显式方程不能表示...
  • main函数的参数的含义

    千次阅读 多人点赞 2018-04-24 17:05:34
    最近学习服务器网络编程,遇到了一个问题,main函数的参数,特意整理资料记录之!!! 下面是一个带参数的main函数! #include &lt;iostream.h&gt; int main(int argc,char *argv[]) { for(...
  • 电池参数辨识之最小二乘法

    万次阅读 多人点赞 2018-12-30 16:32:48
    锂离子电池研究的流程一般为:实验 ——内部特性研究——建模——参数辨识——估算算法——搭建实验平台。
  • C语言可变参数详解

    千次阅读 多人点赞 2018-12-31 22:46:06
    C语言可变参数详解 什么是可变参数函数 在C语言编程中有时会遇到一些参数可变的函数,例如printf()、scanf(),其函数原型为: int printf(const char* format,…) int scanf(const char *format,…) 就拿 printf 来...
  • Java学习笔记15. 形式参数与实际参数

    千次阅读 2018-02-22 13:18:02
    参数可以分为形式参数和实际参数。在实际调用方法的时候使用的参数就是实际参数,而在被调用时才临时分配内存的参数是形式参数。 可以这么理解,方法在被调用前只是一个蓝图。只有在被调用的时候才把这个蓝图变成一...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 1,088,442
精华内容 435,376
关键字:

参数分为