点云库（PCL）学习——Advanced Usage（二）

2024-01-01 00:32
文章标签 学习 pcl advanced usage 点云库

本文主要是介绍点云库（PCL）学习——Advanced Usage（二），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

1.写一个新的PCL class

为了说明代码转换过程，我们选择了以下示例：对给定输入点云的强度数据应用双边过滤器，并将结果保存到磁盘。

 #include <pcl/point_types.h>#include <pcl/io/pcd_io.h>#include <pcl/kdtree/kdtree_flann.h>typedef pcl::PointXYZI PointT;floatG (float x, float sigma){return std::exp (- (x*x)/(2*sigma*sigma));}intmain (int argc, char *argv[]){std::string incloudfile = argv[1];std::string outcloudfile = argv[2];float sigma_s = atof (argv[3]);float sigma_r = atof (argv[4]);// Load cloudpcl::PointCloud<PointT>::Ptr cloud (new pcl::PointCloud<PointT>);pcl::io::loadPCDFile (incloudfile.c_str (), *cloud);int pnumber = (int)cloud->size ();// Output Cloud = Input Cloudpcl::PointCloud<PointT> outcloud = *cloud;// Set up KDTreepcl::KdTreeFLANN<PointT>::Ptr tree (new pcl::KdTreeFLANN<PointT>);tree->setInputCloud (cloud);// Neighbors containersstd::vector<int> k_indices;std::vector<float> k_distances;// Main Loopfor (int point_id = 0; point_id < pnumber; ++point_id){float BF = 0;float W = 0;tree->radiusSearch (point_id, 2 * sigma_s, k_indices, k_distances);// For each neighborfor (std::size_t n_id = 0; n_id < k_indices.size (); ++n_id){float id = k_indices.at (n_id);float dist = sqrt (k_distances.at (n_id));float intensity_dist = std::abs ((*cloud)[point_id].intensity - (*cloud)[id].intensity);float w_a = G (dist, sigma_s);float w_b = G (intensity_dist, sigma_r);float weight = w_a * w_b;BF += weight * (*cloud)[id].intensity;W += weight;}outcloud[point_id].intensity = BF / W;}// Save filtered outputpcl::io::savePCDFile (outcloudfile.c_str (), outcloud);return (0);}

上述代码包括：

  1. I/O部分：21-27行（从磁盘读取数据），64行（将数据写入磁盘）
  2. 初始化部分：29-35行（通过KdTree位最近邻建立一个搜索方式）
  3. 实际算法部分：7-11行和37-61行

2.建立一个结构

有两种方法可以建立结构：

  1. 单独设置代码，作为独立的PCL类，但在PCL代码树之外；
  2. 直接在PCL代码树中设置文件。

因为我们假设最终结果会反馈给PCL，所以最好关注第二种，同样也因为它有一点复杂（比如，它包含了一些附加得步骤）。显然，您也可以对前一种情况重复这些步骤，但不需要在PCL树中复制文件，也不需要更高级的cmake逻辑。

假设我们希望这个新的算法成为PCL滤波库得一部分，我们要通过建立三个不同得文件：

  • include/pcl/filters/bilateral.h - 包含所有得定义
  • include/pcl/filters/impl/bilateral.hpp - 包含模板实现
  • src/bilateral.cpp - 包含显式模板实例化

bilateral.h

如前所述，bilateral.h头文件将包含所有的关于BilateralFilter类得定义。这是一个最小框架：

 #ifndef PCL_FILTERS_BILATERAL_H_#define PCL_FILTERS_BILATERAL_H_#include <pcl/filters/filter.h>namespace pcl{template<typename PointT>class BilateralFilter : public Filter<PointT>{};}#endif // PCL_FILTERS_BILATERAL_H_

bilateral.hpp

现在，让我们设置两个骨架，bilateral.hpp和bilateral.cpp，首先是bilateral.hpp:

 #ifndef PCL_FILTERS_BILATERAL_IMPL_H_#define PCL_FILTERS_BILATERAL_IMPL_H_#include <pcl/filters/bilateral.h>#endif // PCL_FILTERS_BILATERAL_IMPL_H_

我们还没声明任何BilateralFilter得方法，因此还没有实现。
bilateral.cpp

 #include <pcl/filters/bilateral.h>#include <pcl/filters/impl/bilateral.hpp>

因为我们在PCL中写模板化代码，模板参数是一个点类型，我们希望显式地实例化在bilateral.cpp中最常用的案例，所以在编译代码时用户不必花费额外地周期。要做到这一点，我们需要访问头文件（bilateral.h）和实现（bilateral.hpp）。

3.填写类结构

如果您正确地编辑了上面的所有文件，那么使用新的滤波器类重新编译PCL应该不会有问题。在本节中，我们将开始填充每个文件中的实际代码。让我们从bilateral.cpp文件开始，因为它的内容最短。

bilateral.cpp

 #include <pcl/point_types.h>#include <pcl/filters/bilateral.h>#include <pcl/filters/impl/bilateral.hpp>template class PCL_EXPORTS pcl::BilateralFilter<pcl::PointXYZ>;template class PCL_EXPORTS pcl::BilateralFilter<pcl::PointXYZI>;template class PCL_EXPORTS pcl::BilateralFilter<pcl::PointXYZRGB>;// ...

如前所述，我们将显式实例化和预编译BilateralFilter类的许多模板化专门化。虽然这可能会增加PCL过滤库的编译时间，但当用户在编写的代码中使用类时，这将节省用户处理和编译模板的痛苦。
最简单的方法是在bilateral.cpp文件中声明我们要手动预编译的每个实例，如下所示：

 #include <pcl/point_types.h>#include <pcl/filters/bilateral.h>#include <pcl/filters/impl/bilateral.hpp>template class PCL_EXPORTS pcl::BilateralFilter<pcl::PointXYZ>;template class PCL_EXPORTS pcl::BilateralFilter<pcl::PointXYZI>;template class PCL_EXPORTS pcl::BilateralFilter<pcl::PointXYZRGB>;// ...

然而，随着PCL支持的点类型数量的增加，很快就会出现问题在PCL中的多个文件中保持这个列表是最新的是非常麻烦的。因此，我们将使用一个特殊的宏PCL_INSTANTIATE并将上述代码更改如下：

 #include <pcl/point_types.h>#include <pcl/impl/instantiate.hpp>#include <pcl/filters/bilateral.h>#include <pcl/filters/impl/bilateral.hpp>PCL_INSTANTIATE(BilateralFilter, PCL_XYZ_POINT_TYPES);

这个例子，将会为在point_types.h中定义的所有XYZ点类型实例化一个BilateralFilter。

通过仔细观察代码 Example: a bilateral filter ，我们注意到了存在(*cloud)[point_id].intensity这种结构，也就是说我们的滤波器存在具有强度的点类型。因此，使用PCL_XYZ_POINT_TYPES将不会产生作用，因为并非所有的类型都具有强度值。事实上，很容易注意到只有两个类型包含了强度，分别是：
:pcl:PointXYZI<pcl::PointXYZI>和 :pcl:PointXYZINormal<pcl::PointXYZINormal
更改之后最终的bilateral.cpp文件为：

 #include <pcl/point_types.h>#include <pcl/impl/instantiate.hpp>#include <pcl/filters/bilateral.h>#include <pcl/filters/impl/bilateral.hpp>PCL_INSTANTIATE(BilateralFilter, (pcl::PointXYZI)(pcl::PointXYZINormal));

请注意，目前我们还没有为BilateralFilter声明PCL_INSTANTIATE实例化模板，也没有在抽象类PCL:PCL::Filter<PCL::Filter>中实际实现纯虚函数，因此尝试编译代码将导致如下错误：

filters/src/bilateral.cpp:6:32: error: expected constructor, destructor, or type conversion before ‘(’ token

bilateral.h

我们开始通过声明构造函数以及成员变量来田中BilateralFilter类。因为双边滤波算法有两个参数，我们将这些存储为类成员，并为它们实现setters和getters以保证与PCL1.xAPI范式兼容。

...namespace pcl{template<typename PointT>class BilateralFilter : public Filter<PointT>{public:BilateralFilter () : sigma_s_ (0),sigma_r_ (std::numeric_limits<double>::max ()){}voidsetSigmaS (const double sigma_s){sigma_s_ = sigma_s;}doublegetSigmaS () const{return (sigma_s_);}voidsetSigmaR (const double sigma_r){sigma_r_ = sigma_r;}doublegetSigmaR () const{return (sigma_r_);}private:double sigma_s_;double sigma_r_;};}#endif // PCL_FILTERS_BILATERAL_H_

到现在为止还没有什么异常，除了8-9行我们将默认值赋予了这两个参数。因为我们的类从:pcl:pcl::Filter<pcl::Filter>继承而来，而这个又是从 :pcl:pcl::PCLBase<pcl::PCLBase>继承而来，我们可以利用:pcl:setInputCloud<pcl::PCLBase::setInputCloud>方式将输入数据传给我们的算法(pcl:input_<pcl::PCLBase::input_>)。因此我们添加了一个using声明。

 ...template<typename PointT>class BilateralFilter : public Filter<PointT>{using Filter<PointT>::input_;public:BilateralFilter () : sigma_s_ (0),...

这会确保我们的类不需要输入整个构造函数就能够访问成员变量input_。接下来，我们观察到每个从:pcl:pcl::Filter<pcl::Filter>继承的类必须要继承一个:pcl:applyFilter<pcl::Filter::applyFilter>方法。因此我们定义：

 ...using Filter<PointT>::input_;typedef typename Filter<PointT>::PointCloud PointCloud;public:BilateralFilter () : sigma_s_ (0),sigma_r_ (std::numeric_limits<double>::max ()){}voidapplyFilter (PointCloud &output);...

applyFilter的实现将在后面的双边.hpp文件中给出。第3行构建了一个typedef，这样我们就可以使用PointCloud类型而不必输入整个构造函数。查看 Example: a bilateral filter部分的原始代码，我们注意到这个算法包含了对点云中的每个点做相同的操作。为了保持applyFilter调用整洁，我们定义了一个名为computePointWeight的方法，其实现将包含在第45-58行之间定义的语料库：

...voidapplyFilter (PointCloud &output);doublecomputePointWeight (const int pid, const std::vector<int> &indices, const std::vector<float> &distances);...

此外，我们注意到 Example: a bilateral filter 部分的第29-31行和43行为了获得一个给定点的最近邻点构建了一个:pcl:KdTree<pcl::KdTree>结构，因此我们添加代码：

 #include <pcl/kdtree/kdtree.h>...using Filter<PointT>::input_;typedef typename Filter<PointT>::PointCloud PointCloud;typedef typename pcl::KdTree<PointT>::Ptr KdTreePtr;public:...voidsetSearchMethod (const KdTreePtr &tree){tree_ = tree;}private:...KdTreePtr tree_;...

最后，我们希望在内联中添加内核方法（G（float x，float sigma）），以便加快滤波器的计算速度。因为该方法只在算法的上下文中有用，所以我们将使其私有化。头文件变成了：

#ifndef PCL_FILTERS_BILATERAL_H_#define PCL_FILTERS_BILATERAL_H_#include <pcl/filters/filter.h>#include <pcl/kdtree/kdtree.h>namespace pcl{template<typename PointT>class BilateralFilter : public Filter<PointT>{using Filter<PointT>::input_;typedef typename Filter<PointT>::PointCloud PointCloud;typedef typename pcl::KdTree<PointT>::Ptr KdTreePtr;public:BilateralFilter () : sigma_s_ (0),sigma_r_ (std::numeric_limits<double>::max ()){}voidapplyFilter (PointCloud &output);doublecomputePointWeight (const int pid, const std::vector<int> &indices, const std::vector<float> &distances);voidsetSigmaS (const double sigma_s){sigma_s_ = sigma_s;}doublegetSigmaS () const{return (sigma_s_);}voidsetSigmaR (const double sigma_r){sigma_r_ = sigma_r;}doublegetSigmaR () const{return (sigma_r_);}voidsetSearchMethod (const KdTreePtr &tree){tree_ = tree;}private:inline doublekernel (double x, double sigma){return (std::exp (- (x*x)/(2*sigma*sigma)));}double sigma_s_;double sigma_r_;KdTreePtr tree_;};}#endif // PCL_FILTERS_BILATERAL_H_

bilateral.hpp

有两个方法我们需要在这里实现，分别叫applyFilter和computePointWeight。

 template <typename PointT> doublepcl::BilateralFilter<PointT>::computePointWeight (const int pid,const std::vector<int> &indices,const std::vector<float> &distances){double BF = 0, W = 0;// For each neighborfor (std::size_t n_id = 0; n_id < indices.size (); ++n_id){double id = indices[n_id];double dist = std::sqrt (distances[n_id]);double intensity_dist = std::abs ((*input_)[pid].intensity - (*input_)[id].intensity);double weight = kernel (dist, sigma_s_) * kernel (intensity_dist, sigma_r_);BF += weight * (*input_)[id].intensity;W += weight;}return (BF / W);}template <typename PointT> voidpcl::BilateralFilter<PointT>::applyFilter (PointCloud &output){tree_->setInputCloud (input_);std::vector<int> k_indices;std::vector<float> k_distances;output = *input_;for (std::size_t point_id = 0; point_id < input_->size (); ++point_id){tree_->radiusSearch (point_id, sigma_s_ * 2, k_indices, k_distances);output[point_id].intensity = computePointWeight (point_id, k_indices, k_distances);}}

computePointWeight方法应该是简单的，因为它几乎与第45-58行的部分示例：双边过滤器相同。我们基本上通过一个点索引，我们想计算强度权重，以及一组相邻点与距离。

在applyFilter中，我们首先设置树中的输入数据，将所有输入数据复制到输出中，然后继续计算新的加权点强度。

回顾填充类结构，现在是时候为类声明PCL_INSTANTIATE条目了：

 #ifndef PCL_FILTERS_BILATERAL_IMPL_H_#define PCL_FILTERS_BILATERAL_IMPL_H_#include <pcl/filters/bilateral.h>...#define PCL_INSTANTIATE_BilateralFilter(T) template class PCL_EXPORTS pcl::BilateralFilter<T>;#endif // PCL_FILTERS_BILATERAL_IMPL_H_

还有一件我们可以做的事情就是错误检查：

  • sigma_s_和sigma_r_两个参数是否给出；
  • 搜索方法对象是否设置。
    对于前者，我们将检查sigma_s_的值，默认值应被设置为0，这对算法的表现有关键作用。因此，如果在代码执行时，它的值仍未0，我们将使用宏pcl:PCL_ERROR<PCL_ERROR>打印一个错误并返回。

在搜索方法中，我们可以使用同样的做法，或者给用户提供一个默认选项。最好的默认选项是：

  • 如果点云是有序的，则使用有序搜索方法pcl:pcl::OriganizedNeighbor<pcl::OrganizedNeighbor>
  • 如果点云是无序的，则使用通用kdtreepcl:pcl::KdTreeFLANN<pcl::KdTreeFLANN>。
 #include <pcl/kdtree/kdtree_flann.h>#include <pcl/kdtree/organized_data.h>...template <typename PointT> voidpcl::BilateralFilter<PointT>::applyFilter (PointCloud &output){if (sigma_s_ == 0){PCL_ERROR ("[pcl::BilateralFilter::applyFilter] Need a sigma_s value given before continuing.\n");return;}if (!tree_){if (input_->isOrganized ())tree_.reset (new pcl::OrganizedNeighbor<PointT> ());elsetree_.reset (new pcl::KdTreeFLANN<PointT> (false));}tree_->setInputCloud (input_);...

实现头文件则变成：

 #ifndef PCL_FILTERS_BILATERAL_IMPL_H_#define PCL_FILTERS_BILATERAL_IMPL_H_#include <pcl/filters/bilateral.h>#include <pcl/kdtree/kdtree_flann.h>#include <pcl/kdtree/organized_data.h>template <typename PointT> doublepcl::BilateralFilter<PointT>::computePointWeight (const int pid,const std::vector<int> &indices,const std::vector<float> &distances){double BF = 0, W = 0;// For each neighborfor (std::size_t n_id = 0; n_id < indices.size (); ++n_id){double id = indices[n_id];double dist = std::sqrt (distances[n_id]);double intensity_dist = std::abs ((*input_)[pid].intensity - (*input_)[id].intensity);double weight = kernel (dist, sigma_s_) * kernel (intensity_dist, sigma_r_);BF += weight * (*input_)[id].intensity;W += weight;}return (BF / W);}template <typename PointT> voidpcl::BilateralFilter<PointT>::applyFilter (PointCloud &output){if (sigma_s_ == 0){PCL_ERROR ("[pcl::BilateralFilter::applyFilter] Need a sigma_s value given before continuing.\n");return;}if (!tree_){if (input_->isOrganized ())tree_.reset (new pcl::OrganizedNeighbor<PointT> ());elsetree_.reset (new pcl::KdTreeFLANN<PointT> (false));}tree_->setInputCloud (input_);std::vector<int> k_indices;std::vector<float> k_distances;output = *input_;for (std::size_t point_id = 0; point_id < input_->size (); ++point_id){tree_->radiusSearch (point_id, sigma_s_ * 2, k_indices, k_distances);output[point_id].intensity = computePointWeight (point_id, k_indices, k_distances);}}#define PCL_INSTANTIATE_BilateralFilter(T) template class PCL_EXPORTS pcl::BilateralFilter<T>;#endif // PCL_FILTERS_BILATERAL_IMPL_H_

4.利用其他PCL概念

Point indices

将点云数据传递到PCL算法的标准方法是通过pcl:setInputCloud<pcl::PCLBase::setInputCloud>调用的。除此之外，PCL还定义了一种方式来定义一个算法可以操作的感兴趣区域/点索引列表，而不需要在整个点云上操作，pcl:setIndices<pcl::PCLBase::setIndices>。
所有继承自pcl::PCLBase<pcl::PCLBase>的类将遵从下面的方式：在没有用户设置索引集的情况下，将创建一个伪索引，于算法期间使用。这意味着我们可以很容易地将上面的实现代码更改为在<cloud，indexs>元组上操作，这样做还有一个额外的优点，即如果用户确实传递了一组索引，那么将只使用那些索引，如果不传递，那么将使用整个点云。
新的bilateral.hpp将变成：

 #include <pcl/kdtree/kdtree_flann.h>#include <pcl/kdtree/organized_data.h>...template <typename PointT> voidpcl::BilateralFilter<PointT>::applyFilter (PointCloud &output){if (sigma_s_ == 0){PCL_ERROR ("[pcl::BilateralFilter::applyFilter] Need a sigma_s value given before continuing.\n");return;}if (!tree_){if (input_->isOrganized ())tree_.reset (new pcl::OrganizedNeighbor<PointT> ());elsetree_.reset (new pcl::KdTreeFLANN<PointT> (false));}tree_->setInputCloud (input_);...

头文件的实现因此变成：

 #ifndef PCL_FILTERS_BILATERAL_IMPL_H_#define PCL_FILTERS_BILATERAL_IMPL_H_#include <pcl/filters/bilateral.h>#include <pcl/kdtree/kdtree_flann.h>#include <pcl/kdtree/organized_data.h>template <typename PointT> doublepcl::BilateralFilter<PointT>::computePointWeight (const int pid,const std::vector<int> &indices,const std::vector<float> &distances){double BF = 0, W = 0;// For each neighborfor (std::size_t n_id = 0; n_id < indices.size (); ++n_id){double id = indices[n_id];double dist = std::sqrt (distances[n_id]);double intensity_dist = std::abs ((*input_)[pid].intensity - (*input_)[id].intensity);double weight = kernel (dist, sigma_s_) * kernel (intensity_dist, sigma_r_);BF += weight * (*input_)[id].intensity;W += weight;}return (BF / W);}template <typename PointT> voidpcl::BilateralFilter<PointT>::applyFilter (PointCloud &output){if (sigma_s_ == 0){PCL_ERROR ("[pcl::BilateralFilter::applyFilter] Need a sigma_s value given before continuing.\n");return;}if (!tree_){if (input_->isOrganized ())tree_.reset (new pcl::OrganizedNeighbor<PointT> ());elsetree_.reset (new pcl::KdTreeFLANN<PointT> (false));}tree_->setInputCloud (input_);std::vector<int> k_indices;std::vector<float> k_distances;output = *input_;for (std::size_t i = 0; i < indices_->size (); ++i){tree_->radiusSearch ((*indices_)[i], sigma_s_ * 2, k_indices, k_distances);output[(*indices_)[i]].intensity = computePointWeight ((*indices_)[i], k_indices, k_distances);}}#define PCL_INSTANTIATE_BilateralFilter(T) template class PCL_EXPORTS pcl::BilateralFilter<T>;#endif // PCL_FILTERS_BILATERAL_IMPL_H_

为了不需输入整个结构也能使pcl:indices_<pcl::PCLBase::indices_>工作，我们需要在bilateral.h添加一行新代码明确这个类，其中indices_声明为：

 ...template<typename PointT>class BilateralFilter : public Filter<PointT>{using Filter<PointT>::input_;using Filter<PointT>::indices_;public:BilateralFilter () : sigma_s_ (0),...

这篇关于点云库（PCL）学习——Advanced Usage（二）的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/557665。

相关文章

HarmonyOS学习(七)——UI（五）常用布局总结

HarmonyOS学习(七)——UI（五）常用布局总结

自适应布局 1.1、线性布局（LinearLayout） 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列，Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距，达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式，且在各类尺寸屏幕上表现一致，其中交叉轴为垂直时，取值为Vert
阅读更多...
Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya（不是本人，claude AI）在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容： 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用
阅读更多...
【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画（下）

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画（下）

【课程链接】 AntV G6：深入图形与图形分组、自定义节点、节点动画（下）_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中，应该怎样去计算和绘制图形，如何给一个图形制作不间断的动画，以及在鼠标事件之后产生动画。（有点难，需要好好理解） <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06
阅读更多...
学习hash总结

学习hash总结

2014/1/29/   最近刚开始学hash，名字很陌生，但是hash的思想却很熟悉，以前早就做过此类的题，但是不知道这就是hash思想而已，说白了hash就是一个映射，往往灵活利用数组的下标来实现算法，hash的作用：1、判重；2、统计次数；
阅读更多...
零基础学习Redis(10) -- zset类型命令使用

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合，内部除了存储元素外，还会存储一个score，存储在zset中的元素会按照score的大小升序排列，不同元素的score可以重复，score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]
阅读更多...
【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程（Gaussian Process，简称GP）是一种概率模型，用于描述一组随机变量的联合概率分布，其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数（或核函数） 1.3 核函数1.4 高斯过程回归（Gauss
阅读更多...
【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络（1）sklearn

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络（1）sklearn

系列文章目录 监督学习：参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归（SAheart.csv） 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学
阅读更多...
系统架构师考试学习笔记第三篇——架构设计高级知识（20）通信系统架构设计理论与实践

系统架构师考试学习笔记第三篇——架构设计高级知识（20）通信系统架构设计理论与实践

本章知识考点：         第20课时主要学习通信系统架构设计的理论和工作中的实践。根据新版考试大纲,本课时知识点会涉及案例分析题(25分),而在历年考试中,案例题对该部分内容的考查并不多,虽在综合知识选择题目中经常考查,但分值也不高。本课时内容侧重于对知识点的记忆和理解,按照以往的出题规律,通信系统架构设计基础知识点多来源于教材内的基础网络设备、网络架构和教材外最新时事热点技术。本课时知识
阅读更多...
线性代数|机器学习-P36在图中找聚类

线性代数|机器学习-P36在图中找聚类

文章目录 1. 常见图结构2. 谱聚类 感觉后面几节课的内容跨越太大，需要补充太多的知识点，教授讲得内容跨越较大，一般一节课的内容是书本上的一章节内容，所以看视频比较吃力，需要先预习课本内容后才能够很好的理解教授讲解的知识点。 1. 常见图结构 假设我们有如下图结构： Adjacency Matrix:行和列表示的是节点的位置，A[i,j]表示的第 i 个节点和第 j 个
阅读更多...
Node.js学习记录（二）

Node.js学习记录（二）

目录 一、express 1、初识express 2、安装express 3、创建并启动web服务器 4、监听 GET&POST 请求、响应内容给客户端 5、获取URL中携带的查询参数 6、获取URL中动态参数 7、静态资源托管 二、工具nodemon 三、express路由 1、express中路由 2、路由的匹配 3、路由模块化 4、路由模块添加前缀 四、中间件
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2