# 去除空格 strip()去除左右两端空格  lstrip()去除左端空格  rstrip()去除右端空格
# strip()默认删除空格  完整语法：str.strip([chars])    eg: str.strip('0')
aString = "   abcd ef ghijk   "
print(aString.strip() + "|")     #abcd ef ghijk|
print(aString.lstrip() + "|")    #abcd ef ghijk   |
print(aString.rstrip() + "|")    #   abcd ef ghijk|

# 字符串拼接
string = "Can you put them on " + "hold for me,please?"
print("Can you put them on " + "hold for me,please?")
print(string)      #Can you put them on hold for me,please?
print("Spencer: " + string)    #Spencer: Can you put them on hold for me,please?

# 制表符\t 换行符\n
print("a\tb")
print(len("a\tb"))  #3  #制表符算一个字符
print("a\nb")       #a
                    #b

print("Hello Wrold!")
print('Hello Wrold!')

# "" '' 的使用，转义字符\输出;从第一个引号开始到第二个引号结束
print("I'm fine!")
print('I\'m fine!')   #I'm fine!

# title()函数 大写英文句子每个单词的首字母
msg = "Would you want to have a drink?"
msgA = msg.title()
print(msg)        #Would you want to have a drink?
print(msgA)       #Would You Want To Have A Drink?

# upper()函数 大写英文句子所有字母
msgAll_A = msg.upper()
print(msgAll_A)    #WOULD YOU WANT TO HAVE A DRINK?

# lower()函数 小写英文句子所有字母
msgAll_a = msg.lower()
print(msgAll_a)    #would you want to have a drink?

# len()函数 获取字符串长度
length = len(msg)
print(length)      #31    #空格也算字符

这里感觉这样解释更好：

# No non-default options for now.

--use-energy=false
--sample-frequency=16000
--num-mel-bins=80
--low-freq=20
--high-freq=-400
--dither=0.01

优化所有正确路径概率的和

分子：所有路径的概率

分母：所有正确路径的概率

blank，在两个blank之间去重

print()

copy ../data/text ./

要把001 002 

卷积神经网络，局部感知

无量纲化： 

(x - data_min) / (data_max - data_min)

无量纲化，可以看成是一种归一化操作

去除单位对数据值的影响，称为无量纲化。

CosA = 临/斜

SinA = 对/斜

对 = 斜*SinA 

已知(X1,Y1)(X2,Y2)(X3,Y3)(X4,Y4)

设直线Y= KX+B

未知K,B

|Y1- （KX1+B)| + |Y2- （KX2+B)| + |Y3- （KX3+B)| + |Y4- （KX4+B)| =>

i= 1Σn |Yi- (KXi+B)|

这个报错了

第一步：求解点的概率：
P(A)=P(x1,...,xn)=P(x1)...P(xn)=Π(n i=1)P(xi)
P(xi)=φ(xi)·∆xi
第二步：求概率密度函数：
φ(x)= [1/(√(2π))][e^(-(y理-y真)²/2)]，y理=kx+b,kxi+b看做向量？矩阵 (1 x1)*(b k)=kx+b可以看做Xθ,带入得到概率密度函数：
φ(θ)= [1/(√(2π))][e^(-(Xθ-y真)²/2)]
第三步：带入概率密度函数，得到极大似然函数
P(xi)=φ(θ)·∆xi=[1/(√(2π))][e^(-(Xiθ-y真)²/2)]·∆xi，即
P(A)=Π(n i=1)φ(θ)·∆xi
令L(θ)=P(A)，求L(θ)=Π(n i=1)φ(θ)·∆xi最大值：
第四步：两边同时取ln
lnL(θ)=Σ(n i=1)[(-(Xiθ-y真)²/2)+ln[1/√(2π)]+ln∆xi]
第五步：对lnL(θ)求导=0，求θ的极大似然估计
(lnL(θ))'=[Σ(n i=1)[(-(Xiθ-y真)²/2)]'= -1/2[2*(Xiθ-y真)Xi]=0
Xiθ=y真    
θ=y真/Xi

cmd打python跳出应用商店是环境变量有问题

用了随机模型3，结果训练和测试的数据都飙到0.9了

polyModel.set_params(Poly__degree=3)

#注意这里有一处两个下划线。。。

要不是我查到“需要在参数前加“__”（2个下划线）”我就一直对不出报错是哪里打错了