线性判别分析（Linear Discriminant Analysis，LDA）是一种经典的线性分类方法。LDA是一种有监督的线性分类算法。LDA的基本思想是将数据投影到低维空间后，使得：同一类数据尽可能接近，不同类数据尽可能疏远。在对新样本进行分类时，将其投影到同样的低维空间上，再根据投影点的位置来确定新样本的类别。 值得一提的是，LDA 可从贝时斯决策理论的角度来阐释，并可证明，当两类数据同

毕设论文需要合并多个pdf文件，记录一下pdf文件的合并过程 安装sudo apt-get install poppler-utils 合并# 全部 pdfunite *.pdf all.pdf # 顺序 pdfunite 1.pdf 2.pdf 3.pdf 4.pdf all-1234.pdf 参考[1] linux bash合并PDF文件

Softmax$ Softmax $ 的作用是把一个序列$\boldsymbol{a}$，变成概率。 $$ Softmax(\boldsymbol{a}) = \frac{e^{a_i}}{\sum_j e^{a_j}} $$ 从概率的角度解释 $Softmax$ 的话，就是 $S_i = \frac{e^{a_i}}{\sum_{k=1}^Ne^{a_k}} = P(y=i|a)$ 其中，$LR

GILPython 自带 Gobal Interpreter Lock (GIL)，任何时候，Python只能运行一个线程 DotaLoader的构建DataLoader(dataset, batch_size=200, shuffle=False, sampler=None, batch_sampler=None, num_workers=0, collate_fn=Non

加法公式$$ P(A \cup B) = P(A) + P(B) - P(A\cap B) $$ 乘法公式$$ P(AB) = P(A)P(B|A) $$ 协方差矩阵 与 散度矩阵将协方差矩阵乘以系数 $n-1$ 就得到了散度矩阵，矩阵的大小由特征维数 $d$ 决定，是一个为 $d×d$ 的半正定矩阵 贝叶斯公式贝叶斯公式用于描述两个条件概率之间的关系，比如 $P(A|B)$ 和 $P(B|A)$

线段树的功能线段树用来处理数组的区间查询（range query）和元素更新（update）操作。可以进行区间最大值，区间最小值或者区间异或值的查询。对应于树状数组，线段树进行更新（update）的操作为O(logn)，进行区间查询（range query）的操作也为O(logn)。 线段树的初始化更新（update）区间查询（range query）完整的板子参考练习题参考

傅里叶变换 VS 离散傅里叶变换

多层感知机（MLP, Multilayer Perceptron）Fully Connected Layer 时延神经网络(TDNN, Time-Delay Neural Networks)TDNN是一个常用于语音信号处理领域卷积神经网络，使用 FFT 预处理的语音信号作为输入，其隐含层由2个一维卷积核组成，以提取频率域上的平移不变特征。 卷积神经网络（CNN, Convolutional Neu