A tread is suspended or no longer executing when its state’s not loaded in registers the point states is pointed at some other thread .so the thread that’s suspended is actually siting in memory and

一，建模 1，重要性 实际上，我们并没有得到一个数学公式——通常问题是由某个领域的专家口头描述的。能够将问题转换成数学公式非常重要。建模并不是一件容易的事：有时，我们不仅想找到一个公式，还想找到一个好的公式。找到一个好的优化模型至少是解决问题的一半。 2，建模的一般步骤 分辨信息是否已知：已知为参数（parameter），未知为决策变量。分辨决策变量分辨任务目标：我们要实现什么？（目标

声明：此系列博文根据斯坦福CS229课程，吴恩达主讲 所写，为本人自学笔记，写成博客分享出来           博文中部分图片和公式都来源于CS229官方notes。           CS229的视频和讲义均为互联网公开资源 Lecture 2 这一节主要讲的是三个部分的内容： ·Linear Regression（线性回归） ·Gradient Descent

Machine Vision Technology：Lecture2 Linear filtering Types of ImagesImage denoising图像去噪Defining convolution卷积的定义Key properties卷积的关键属性卷积的其它属性Annoying details卷积练习Sharpening锐化Gaussian KernelNoise噪声 分类G

变换 2D transformation引入齐次坐标，表示平移 3D变换MVP罗德里格旋转公式view/camera transformation（观测变换）projection transformation why study? modeling,:translation,scale,rotation viewing;3D to 2D projection 一个再复杂

lecture2：KNN 根据KNN算法所做的表现效果并不是很好： 我们可以通过将k值调大的方法使算法表现的更好，但还有另外一个选择，更换距离函数。L2 distance距离函数也叫做欧式距离函数(Euclidean distance) 不同的距离度量函数在预测的空间里对底层的几何或拓扑结构做出不同的假设。 kNN模拟 k值、距离函数成为超参数（hyperparameters），因为他们并

lecture2：image classification 图像分类是计算机视觉中真正核心的任务。当你做图像处理时，分类系统接受一些输入图像，并且系统清楚一些已经确定了分类或者标签的集合（图像中具体所指事物的名称如：狗、猫），计算机的工作就是看图片然后将进行分类哪些是狗哪些是猫。这对人类来说简单无比但是对于计算机来说难于登天，因为计算机并没有图片的概念，它看到的只是一堆数字阵列，这就成为语义鸿沟

假设函数定义 假设函数，猜一个 x->y 的类型，比如 y = ax + b，随后监督学习的任务就是找到误差最低的 a 和 b 参数 有时候我们可以定义 x0 = 1，来让假设函数的整个表达式一致统一 如上图是机器学习中的一些术语 额外的符号，使用 (xi, yi) 表示第 i 个样本 n 表示特征数量 （在房屋价格预测问题中，属性/特征有两个：房子面积和卧室数量，因此这里 n =