[Apk安装包安装到手机的方法如果是微信传输, 需要找到改名为apk结尾, 如果是QQ,可以直接安装的
一：单个apk文件安装通过官方渠道下载的apk,一般为一个apk独立文件：
1adb install 直接拖到apk到命令行或者当前apk文件路径
二：多个apk文件安装由于android硬件结构的多样性, apk经常会打多个apk文件, 主程序一个apk，每个arch，每种Layout单独打包apk, 经常在第三方下载渠道会下载到多个apk文件,
12下面是举例:adb install-multiple <path>/demo.apk <path>/config.xxhdpi.apk <path>/config.en.apk <path>/config.arm64_v8a.apk
注意事项：由于限制APK安装被谷歌监管, 安装有时会报错:
1failed to install SLT_LuckyRoller.1.0.2.apk: Failure [INSTALL_FAILED_VERIFICATION_FAILURE]
解决方式 ...
[android开发提取下载Google Play Apk安装包的两种方法借助三方工具网址
方法一：直接网站提取下载直接进到下面任意一个网站中，搜索想要下载的应用即可：
123456（1）apkpure https://apkpure.com/ [推荐]（2）ApkMirro https://www.apkmirror.com/（3）apkcombo https://apkcombo.com/ [推荐]（4）uptodown https://en.uptodown.com/（5）androidapksfree https://androidapksfree.com/（6）apk-dl https://apk-dl.com/
方法二：输入Google play链接提取在Google play中搜索想要的应用后，复制应用的链接在下面网站中搜索，即可提取,
123（1）evozi https://apps.evozi.com/apk-downloader/ <扶墙>（2）apkcombo https://apkcombo.com/apk-downloader/ <扶墙&g ...
卷积层+池化层+激活函数+全连接层前言: 在图像分类以及目标检测等任务中，卷积神经网络已经得到了充分地运用。而对于常见的卷积神经网络，我们经常可以看到卷积层、池化层、激活函数、全连接层的身影。直到现在，卷积层+激活函数+池化层+全连接层的结构仍然很实用，似乎已经成为搭建卷积神经网络的标配。下面我将从这四个方面分别介绍。注：通常，池化层和激活函数又归类于卷积层。这里为了讲解方便，我分开介绍。
1. 卷积层卷积是一种有效提取图片特征的方法 。 一般用一个正方形卷积核，遍历图片上的每一个像素点。图片与卷积核重合区域内相对应的每一个像素值，乘卷积核内相对应点的权重，然后求和， 再加上偏置后，最后得到输出图片中的一个像素值。图片分灰度图和彩色图，卷积核可以是单个也可以是多个，因此卷积操作分以下三种情况：
1.1 单通道输入，单卷积核这里单通道指的是输入为灰度图，单卷积核值卷积核个数是1个。
上面是 5x5x1 的灰度图片，1 表示单通道，5x5 表示分辨率，共有 5 行5列个灰度值。若用一个 3x3x1 的卷积核对此 5x5x1 的灰度图片进行卷积，偏置项b=1，则求卷积的计算是： ...
激活函数的前世今生1. 激活函数的前世今生早在1958 年，美国心理学家 Frank Rosenblatt 就提出了第一个可以自动学习权重的神经元模型，称为感知机。它的模型如下：
从图中可以看出，他使用的是一个简单的一层网络，其中激活函数是阶跃函数（这也是最早使用的激活函数)。于是这个感知机模型的公式可表示为：
其中的激活函数可表示为：
也就是说，当wx+b<0时，令输出为0，代表类别0；当wx+b>=0时，令输出为1，代表类别1。然后通过感知机收敛算法一步步迭代，优化参数w和b，最终实现了最原始的二分类模型。
于是有些同学会问，为什么不是用梯度下降算法呢？？
对，熟悉人工智能历史的同学肯定知道，那时候反向传播算法都还没有提出，肯定不会有梯度下降的说法。那为什么聪明的 Frank没有想到梯度下降呢？
其实这里有一个不可抗力的原因。而这个原因和激活函数密切相关！在当时，最常用的激活函数不外乎：阶跃函数和符号函数，我们来直观地看一下它们的函数图：
左边是阶跃函数，右边是符号函数。这两个函数有一个共通的特点：在 z=0处是不连续的，其他位置导数为 0 ...
BatchNorm（BN）层一、背景 卷积神经网络的出现，网络参数量大大减低，使得几十层的深层网络成为可能。然而，在残差网络出现之前，网络的加深使得网络训练变得非常不稳定，甚至出现网络长时间不更新或者不收敛的情形，同时网络对超参数比较敏感，超参数的微量扰动也会导致网络的训练轨迹完全改变。
二、提出 2015 年，Google 研究人员Sergey Ioffe等提出了一种参数标准化(Normalize)的手段，并基于参数标准化设计了 Batch Nomalization(简称 BatchNorm或 BN)层 。BN层提出后：（1）使得网络的超参数的设定更加自由，比如更大的学习率，更随意的网络初始化等，同时网络的收敛速度更快，性能也更好。（2）广泛地应用在各种深度网络模型上，卷积层、BN 层，ReLU 层、池化层一度成为网络模型的标配单元，通过堆叠 Conv-BN-ReLU-Pooling 方式往往可以获得不错的模型性能。
三、原理网络层的输入x分布相近，并且分布在较小范围内时(如 0 附近)，更有利于函数的迭代优化。那么如何保证输入x的分布相近呢？数据标准化 ...
梯度下降法与局部最优解在深度学习过程中，避免不了使用梯度下降算法。但是对于“非凸问题”，训练得到的结果往往可能陷入局部极小值，而非全局最优解。那么这里就以Himmelblau 函数为例，探究待优化参数的初始值对梯度下降方向的影响，从而得到不同的局部极小值。首先介绍一下Himmelblau 函数：
下图 为 Himmelblau 函数的等高线，大致可以看出，它共有 4 个局部极小值点，并且局部极小值都是 0，所以这 4 个局部极小值也是全局最小值。我们可以通过解析的方法计算出局部极小值坐标，他们分别是(3,2), (−2 805,3 131), (−3 779,−3 283), (3 584,−1 848)。
在已经知道极小值解的情况下，我们现在来用梯度下降算法来优化 Himmelblau 函数的数值极小值解。
程序清单：
12345678910111213141516171819202122232425262728293031323334import tensorflow as tfimport numpy as npimport matplotlib.pyplot as pltfr ...
欠拟合、过拟合前言这里先介绍一个名词，模型容量：通俗的讲，模型的容量或表达能力，是指模型拟合复杂函数的能力。当模型的容量越大时，函数的假设空间就越大，就越有可能找到一个函数更逼近真实分布的函数模型。注：在卷积神经网络中，模型容量通常由网络层数、待优化参数的量来衡量。
欠拟合、过拟合（1）当模型的容量过大时，网络模型除了学习到训练集数据的模态之外，还把额外的观测误差也学习进来，导致学习的模型在训练集上面表现较好，但是在未见的样本上表现不佳，也就是泛化能力偏弱，我们把这种现象叫做过拟合(Overfitting)。（2）当模型的容量过小时，模型不能够很好的学习到训练集数据的模态，导致训练集上表现不佳，同时在未见的样本上表现也不佳，我们把这种现象叫做欠拟合(Underfitting)。
奥卡姆剃刀原理那么在深度学习过程中，如何去选择合适的模型的容量呢？
统计学习理论很难给出神经网络所需要的最小容量，但是我们却可以根据奥卡姆剃刀原理(Occam’s razor)来指导神经网络的设计（也就是模型容量的选择）。
奥卡姆剃刀原理是由 14 世纪逻辑学家、圣方济各会修士奥卡姆的威廉(William of ...
程序开发
未读Welcome to Hexo! This is your very first post. Check documentation for more info. If you get any problems when using Hexo, you can find the answer in troubleshooting or you can ask me on GitHub.
Quick StartCreate a new post1$ hexo new "My New Post"
More info: Writing
Run server1$ hexo server
More info: Server
Generate static files1$ hexo generate
More info: Generating
Deploy to remote sites1$ hexo deploy
More info: Deployment
请务必谨慎操作，因为这会永久删除该分支的历史记录要清空某个 Git 分支的全部历史（即让该分支变成一个“全新开始”的分支，没有任何提交记录），可以按照以下步骤操作。
方法一：创建一个“孤儿”分支（推荐）这个方法会创建一个没有父提交的新分支，完全清空历史：
1234567891011121314151617181920# 切换到你要清空的分支（假设分支名为 your-branch）git checkout your-branch# 创建一个没有历史的“孤儿”分支（临时名称）git checkout --orphan temp-branch# 删除所有文件（保留你想要保留的文件，可选）git rm -rf .# （可选）添加新文件或保留部分文件，然后提交# 例如：echo "# New Start" > README.md; git add README.md# 提交这个“干净”的初始状态git commit -m "Initial commit after history purge"# 强制将原分支指向这个新提交git branch -M ...
如何彻底卸载 TestFlight 应用并从头开始测试
1. 卸载应用：
打开 Dock 或 Launchpad。
找到通过 TestFlight 安装的应用图标。
长按图标（或右键点击） → 选择 “移除” 或 “删除”。
系统会提示“删除 ‘应用名称’ 及其所有数据”，确认即可。
2. 清除残留数据（可选但推荐）
打开 访达（Finder），按下 Command + Shift + G，输入：
1~/Library/Containers/
查找与该应用 Bundle ID 相关的文件夹（如 com.yourcompany.YourApp），删除它。
同样可检查：
12~/Library/Application Support/~/Library/Caches/
中是否有相关文件夹，一并清理。
3. 重新从 TestFlight 安装应用注意事项
清除应用的沙盒容器
关闭 iCloud 同步
检查 Keychain（较少见，但可能）
