前言从 https://mp.weixin.qq.com/debug/wxadoc/dev/framework/view/ 逻辑层到视图层的WXML的笔记整理 逻辑层小程序开发的逻辑层由javascript编写，逻辑层将数据处理之后

练习13一根均质、等截面杆，左端固定，右端自由。一附加质量(视为质点)位于距左端\(s\)处，\(M=\rho AL \)。绘制系统前四阶固有频率随\(s\)变化的曲线。 可以列出此杆的振动方程：$$\frac{\partial^

习题3 画出常态模型开环阶跃响应G_0 = tf([1],[1,1]); G_1 = tf([3.7],[0.75,0.6]); G_2 = tf([1.63],[0.94,0.92]); G_3 = tf([0.7,7,17],[

1.前言这篇博客是我在看 Neural Networks and Deep Learning (by Michael Nielsen)时的一些感想，以及对其中出现的公式的具体推导。这本书原文在http://neuralnetwork

习题6Consider the free oscillation response(自由振动响应) data given in Table 9.7.Curve fit these data by assuming that the r

word meaning undamped 不衰减的 angular coordinate 角坐标 pendulum 摆动 spring 弹簧 damper 阻尼器 excitation 激励 proto

习题8.1a% 很明显题目是个泊松分布，均值lambda=5 % i p_8 = poisspdf(8,5) fprintf('the probability of 8 calls per minute is %f',[p_8]) %

我关于SVM的一点理解前言最近两天因为要用到SVM所以比较深入的了解了一下这个算法，查阅了很多资料，发现很多大牛的作品，比如pluskid的支持向量机系列（听说他后来去了MIT），还有邵正将的SVM系列，台大林轩田老师的机器学习基石（

logistic回归预建立病例预测模型 用logistic 回归拟合病例data之前用的深度学习的方法建立预测模型，现在用机器学习的方法来建立模型，首先想到的就是线性模型，可以用logistic回归来训练模型 关于logistic回归的

tensorflow 进阶 tensorflow中的mnist数据集读取以及一些高级操作tensorflow的封装让使用MNIST数据集变得更加方便，它包含了60000张图片作为训练数据,10000张图片作为测试数据，每张图片大小为28x

tensorflow 全连接层 用全连接层训练病例data然后测试其准确性import tensorflow as tf import numpy as np import random info = np.loadtxt(r'D:\深度

tensorflow 基础 张量的类型张量在tensorflow中并没有真正的计算只是保存了计算过程。一个张量中主要保存了三个属性，name,shape和type 计算图上一个节点就代表一个计算，计算的结果就保存在张量中。通常张量的命名通