君子兰萧宇的博客

WAN远程唤醒与LAN远程唤醒有着诸多不同，WAN远程唤醒首先需要主板、网卡等硬件的支持，需要一条有效的Intelnet连接，与Lan远程唤醒不同的是，WAN远程唤醒需要经过路由器，因此下面我就来详细讲解如何在路由器上进行设置，以支持WAN远程唤醒，前提是，你已经成功进行了LAN远程唤醒。 一、WOL（远程唤醒）工具介绍 实现远程唤醒的软件有很多，原理都是相同的。下面列出几款常用的WOL软件： ■ LanHelper ■ Magic Packet Utility ■ NetWaker for windows ■ WakeOnLanGui（http://www.depicus.com） 二、准备 WAN与LAN在不同在于在广域网上，有许多的路由器等网络设备，这些设备可能会使Magic Packet的包不能到达我们想唤醒的电脑网卡上。因此，要实现通过internet来唤醒，必须得到路由器的支持。下面就以我的TP-Link WR841N无线路由为例来说明配置过程。 首先确保路由器可以正常接入internet，即通过服务商得到一个公网IP（对于家庭来说ADSL、Cable Modem是常见的上 ...

本文是去年课题组周报中的一个专题讲解，详细讲了GA，由于是周报，所以十分详细。很适合初学者入门。文中也简单提及了模拟退火算法。文章综合参考了一些互联网资料。发博客以备忘！ 三：遗传算法 ​ 照例先给出科学定义： ​ 遗传算法（Genetic Algorithm, GA）起源于对生物系统所进行的计算机模拟研究。它是模仿自然界生物进化机制发展起来的随机全局搜索和优化方法，借鉴了达尔文的进化论和孟德尔的遗传学说。其本质是一种高效、并行、全局搜索的方法，能在搜索过程中自动获取和积累有关搜索空间的知识，并自适应地控制搜索过程以求得最佳解。 再给出相关术语：（各位看看就好，后面都会涉及到，再细说） 基因型(genotype)：性状染色体的内部表现； 表现型(phenotype)：染色体决定的性状的外部表现，或者说，根据基因型形成的个体的外部表现； 进化(evolution)：种群逐渐适应生存环境，品质不断得到改良。生物的进化是以种群的形式进行的。 适应度(fitness)：度量某个物种对于生存环境的适应程度。 选择(selection)：以一定的概率从种群中选择若干个个体。一般， ...

如果是连续型随机变量的情况，设p为随机变量X的概率分布，即p(x)为随机变量X在X=x处的概率密度函数值，则随机变量X在X=x处的香农信息量定义为：-$$log_2p(x)=log_2\frac{1}{p(x)}$$这时香农信息量的单位为比特。（如果非连续型随机变量，则为某一具体随机事件的概率，其他的同上） 香农信息量用于刻画消除随机变量在处的不确定性所需的信息量的大小。 上面是香农信息量的完整而严谨的表达，基本上读完就只剩下一个问题，为什么是这个式子？为了方便理解我们先看一下香农信息量在数据压缩应用的一般流程。 假设我们有一段数据长下面这样：aaBaaaVaaaaa 可以算出三个字母出现的概率分别为： $$a:\frac{10}{12}，B:\frac{1}{12}，V:\frac{1}{12}$$香农信息量为：a:0.263，B:3.585，V:3.585 也就是说如果我们要用比特来表述这几个字母，分别需要0.263，3.585，3.585个这样的比特。当然，由于比特是整数的，因此应该向上取整，变为1，4，4个比特。 这个时候我们就可以按照这个指导对字母进行编码，比如把a编码为”0 ...

项目简介本文将使用python，并借助TensorFlow框架搭建一个最简单的CNN框架，来实现对手写数字的识别。 本文搭建的CNN框架结构【1】输入层（本文的输入是一个2828且为单通道的图片，所以输入层有784个节点）【2】第一个卷积层（该卷积层包含了32个不同的55的卷积核，即该卷积层提取了32种不同图形特征，【5,5,1,32】表示卷积核尺寸为55,1个颜色通道，32个不同的卷积核）【3】第一个卷积层后的最大池化层【4】第二个卷积层（该卷积层包含了64个不同的55的卷积核，即该卷积层提取了32种不同图形特征，【5,5,32,64】表示卷积核尺寸为5*5，64个不同的卷积核）【5】第二个卷积层后的最大池化层【6】全连接层【7】一个Dropout层（为了减轻过拟合，在训练时，我们随机丢弃一部分节点的数据来减轻过拟合，预测是则保留全部数据来追求最好的预测性能）【8】Softmax层，得到最后的概率输出。【9】定义损失函数为交叉熵（cross entropy），优化器使用Adam【10】得到模型的预测精度 项目代码导入相应的库from tensorflow.examples.tutor ...

Python 3 利用 Dlib 实现摄像头实时人脸识别 0. 引言 　　利用 Python 开发，借助 Dlib 库捕获摄像头中的人脸，提取人脸特征，通过计算特征值之间的欧氏距离，来和预存的人脸特征进行对比，判断是否匹配，达到人脸识别的目的； 　　可以从摄像头中抠取人脸图片存储到本地，然后提取构建预设人脸特征； 　　根据抠取的 / 已有的同一个人多张人脸图片提取 128D 特征值，然后计算该人的 128D 特征均值； 　　然后和摄像头中实时获取到的人脸提取出的特征值，计算欧氏距离，判定是否为同一张人脸；　　 　　Python + OpenCv + Dlib ; 　 　　Features : 支持人脸数据采集，自行建立人脸数据库 / Support face register 调用摄像头实时人脸检测和识别 / Using camera to real-time detect and recognize faces 支持多张人脸 / Support multi-faces 　　人脸识别 / Face Recognition 的说明： 　　Wikipedia 上关于人脸识别系统 / F ...

问题的由来   前几天，在微信公众号（Python爬虫及算法）上有个人问了笔者一个问题，如何利用爬虫来实现如下的需求，需要爬取的网页如下（网址为：https://www.wikidata.org/w/index.php?title=Special:WhatLinksHere/Q5&limit=500&from=0）：   我们的需求为爬取红色框框内的名人（有500条记录，图片只展示了一部分）的 名字以及其介绍，关于其介绍，点击该名人的名字即可，如下图： 这就意味着我们需要爬取500个这样的页面，即500个HTTP请求（暂且这么认为吧），然后需要提取这些网页中的名字和描述，当然有些不是名人，也没有描述，我们可以跳过。最后，这些网页的网址在第一页中的名人后面可以找到，如George Washington的网页后缀为Q23.  爬虫的需求大概就是这样。 爬虫的4种姿势  首先，分析来爬虫的思路：先在第一个网页（https://www.wikidata.org/w/index.php?title=Special:WhatLinksHere/Q5&limit=500& ...

get方法代码实现# coding:utf-8 import jsonfrom urlparse import parse_qsfrom wsgiref.simple_server import make_server # 定义函数，参数是函数的两个参数，都是python本身定义的，默认就行了。def application(environ, start_response):# 定义文件请求的类型和当前请求成功的codestart_response(‘200 OK’, [(‘Content-Type’, ‘text/html’)])# environ是当前请求的所有数据，包括Header和URL，body，这里只涉及到get# 获取当前get请求的所有数据，返回是string类型params = parse_qs(environ[‘QUERY_STRING’])# 获取get中key为name的值name = params.get(‘name’, [‘’])[0]no = params.get(‘no’, [‘’])[0] # 组成一个数组，数组中只有一个字典dic = {‘name’ ...

Face Recognition软件包 这是世界上最简单的人脸识别库了。你可以通过Python引用或者命令行的形式使用它，来管理和识别人脸。 该软件包使用dlib中最先进的人脸识别深度学习算法，使得识别准确率在《Labled Faces in the world》测试基准下达到了99.38%。 它同时提供了一个叫face_recognition的命令行工具，以便你可以用命令行对一个文件夹中的图片进行识别操作。 特性 在图片中识别人脸 找到图片中所有的人脸 找到并操作图片中的脸部特征 获得图片中人类眼睛、鼻子、嘴、下巴的位置和轮廓 找到脸部特征有很多超级有用的应用场景，当然你也可以把它用在最显而易见的功能上：美颜功能（就像美图秀秀那样）。 鉴定图片中的脸 识别图片中的人是谁。 你甚至可以用这个软件包做人脸的实时识别。 这里有一个实时识别的例子： 1https://github.com/ageitgey/face_recognition/blob/master/examples/facerec_ ...

本文用Python实现数据回归，包括线性回归（一元线性+多元线性回归）、Logistics回归。主要通过实验验证，部分例题来自网络。 注：更多资源及软件请W信关注“**学娱汇聚门**” 一、一元线性回归 举例及代码实现： 汽车卖家做电视广告数量与卖出的汽车数量： 代码： 1.3 Python代码实现： import numpy as np def fitSLR(x, y): n = len(x) dinominator = 0 numerator = 0 for i in range(0, n): ​ numerator += (x[i] - np.mean(x))*(y[i] - np.mean(y)) ​ dinominator += (x[i] - np.mean(x))**2 b1 = numerator/float(dinominator) b0 = np.mean(y)/float(np.mean(x)) return b0, b1 def predict(x, b0, b1): return b0 + x*b1 x ...

00 目录 遗传算法定义 生物学术语 问题导入 大体实现 具体细节 代码实现 01 什么是遗传算法？1.1 遗传算法的科学定义遗传算法（Genetic Algorithm, GA）是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。 其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，不需要确定的规则就能自动获取和指导优化的搜索空间，自适应地调整搜索方向。 遗传算法以一种群体中的所有个体为对象，并利用随机化技术指导对一个被编码的参数空间进行高效搜索。其中，选择、交叉和变异构成了遗传算法的遗传操作；参数编码、初始群体的设定、适应度函数的设计、遗传操作设计、控制参数设定五个要素组成了遗传算法的核心内容。 1.2 遗传算法的执行过程(参照百度百科)遗传算法是从代表问题可能潜在的解集的一个种群（population）开始的，而一个种群则由经过基因（gene）编码的一定数目的个体(individual)组成。每个个体实际上是染色体(chromosome)带有 ...