计算机图形学旋转算法
绕任意点旋转的思路是,先将任意旋转点一起平移到原点,图像随旋转点一起平移,然后根据旋转矩阵将图像旋转,然后再将旋转点与图像一起平移回原先的位置.
旋转矩阵:将所需旋转角转换为弧度后算出COS和SIN函数结果并填入矩阵,将旋转点与组成图像的所有顶点坐标与矩阵相乘获得变换后的新坐标.
旋转矩阵与算法
平移矩阵:将平移偏移量填入平移矩阵,同样的,将需要移动的点与矩阵相乘.
平移矩阵与算法
反向平移矩阵,只需将平移矩阵的tx和ty符号取反
由于每一个坐标都要进行多次乘法计算,为了优化算法,我们还需要一个复合矩阵,根据思路,我们假设旋转矩阵为R,平移矩阵为T,反向平移矩阵为-T,复合矩阵为M,则M=T*R*-T
任意点旋转的复合矩阵
矩阵相乘的顺序很重要,因为矩阵相乘先后结果是不对等的,而矩阵表达上是从右到左的,比如T*R*-T,计算过程相当于T*(R*-T),另外矩阵相乘是采用交叉点乘,而M矩阵也是个3*3的矩阵
得到M复合矩阵后,再将原点与图像顶点与M相乘,即可得到变换后的新坐标.即P’=M*P
图像变换算法其实特简单,就是cos和sin,然后就是四则运算,再填入矩阵,计算复合矩阵,按现在的教学大纲小学生都会,计算机写程序一点没难度,重点其实在图像变换的理解上.
机器学习算法中的SVM和聚类算法
相信大家都知道，机器学习中有很多的算法，我们在进行机器学习知识学习的时候一定会遇到过很多的算法，而机器学习中的SVM算法和聚类算法都是比较重要的，我们在这篇文章中就重点给大家介绍一下这两种算法，希望这篇文章能够帮助大家理解这两种算法。
机器学习算法——SVM
提道机器学习算法就不得不说一说SVM，这种算法就是支持向量机，而支持向量机算法是诞生于统计学习界，这也是机器学习中的经典算法，而支持向量机算法从某种意义上来说是逻辑回归算法的强化，这就是通过给予逻辑回归算法更严格的优化条件，支持向量机算法可以获得比逻辑回归更好的分类界线。不过如果通过跟高斯核的结合，支持向量机可以表达出非常复杂的分类界线，从而达成很好的的分类效果。核事实上就是一种特殊的函数，最典型的特征就是可以将低维的空间映射到高维的空间。
于是问题来了，如何在二维平面划分出一个圆形的分类界线？其实我们在二维平面可能会很困难，但是通过核可以将二维空间映射到三维空间，然后使用一个线性平面就可以达成类似效果。也就是说，二维平面划分出的非线性分类界线可以等价于三维平面的线性分类界线。接着，我们可以通过在三维空间中进行简单的线性划分就可以达到在二维平面中的非线性划分效果。而支持向量机是一种数学成分很浓的机器学习算法。在算法的核心步骤中，有一步证明，即将数据从低维映射到高维不会带来最后计算复杂性的提升。于是，通过支持向量机算法，既可以维持计算效率，又可以获得非常好的分类效果。因此支持向量机在90年代后期一直占据着机器学习中最核心的地位，基本取代了神经网络算法。
机器学习算法——聚类算法
说完了SVM，下面我们给大家介绍一下聚类算法，前面的算法中的一个显著特征就是我的训练数据中包含了标签，训练出的模型可以对其他未知数据预测标签。在下面的算法中，训练数据都是不含标签的，而算法的目的则是通过训练，推测出这些数据的标签。这类算法有一个统称，即无监督算法。无监督算法中最典型的代表就是聚类算法。而聚类算法中最典型的代表就是K-Means算法。这一算法被广大朋友所应用。
现在，我们可以清楚认识到机器学习是一个综合性很强的学科。在这篇文章中我们给大家介绍了很多关于机器学习中的支持向量机和聚类算法的相关知识，通过这些知识我们不难发现机器学习中有很多有用的算法，熟练掌握这些算法是我们真正学会机器学习的必经之路。
-复合矩阵
深度学习有哪些优点和缺点
深度学习的主要优点如下：
1：学习能力强
深度学习具备很强的学习能力。
2：覆盖范围广，适应性好
深度学习的神经网络层数很多，宽度很广，理论上可以映射到任意函数，所以能解决很复杂的问题。
3：数据驱动，上限高
深度学习高度依赖数据，数据量越大，它的表现就越好。在图像识别、面部识别、NLP 等领域表现尤为突出。
4：出色的可移植性
由于深度学习的优异表现，很多框架都可以使用，而且这些框架可以兼容很多平台。
深度学习的缺点：
只能提供有限数据量的应用场景下，深度学习算法不能够对数据的规律进行无偏差的估计。为了达到很好的精度，需要大数据支撑。由于深度学习中图模型的复杂化导致算法的时间复杂度急剧提升，为了保证算法的实时性，需要更高的并行编程技巧和更多更好的硬件支持。因此，只有一些经济实力比较强大的科研机构或企业，才能够用深度学习来做一些前沿而实用的应用。
-算法
