平均度
無向圖： 所有節點的度數總和/節點數
有向圖： 所有節點的度數總和/(節點數*2)
通過這個可以看出哪些節點的度高，反應出連線他的點就多，就越關鍵
例如上圖：平均度=188
=2.571
平均加權度
有向圖：每個節點的邊的權重之和/節點數
無向圖：每個節點的邊的權重之和/(節點數*2)
圖密度
無向圖： 邊數*2/(節點數*節點數-節點數)
有向圖： 邊數/(節點數*節點數-節點數)
大概理解： （節點數*節點數-節點數） 這個計算出最多的連線邊數(不包含連自己) ， 用實際邊數除以最大可能邊數，即為密度， 結果越大表示圖中節點連線越緊密
ps：為什麼有向圖要除以2？我們可以發現無向圖的每條邊都計算了2次，而有向圖的一條邊只能計算一次。
複雜網路社群發現方法總結
modularity是啥：fast unfolding of communities in large networks
gn演算法：
gn演算法中的難點就是最短路徑問題，最短路徑演算法無非就是dijkstra演算法和floyd演算法（幫助理解迪傑斯特拉演算法）
社群發現演算法fastunfolding的graphx實現
目標檢測入門
檢測任務需要同時 物體的類別和位置，因此需要引入一些跟位置相關的概念。通常使用邊界框 bounding box，bbox 來表示物體的位置，邊界框是正好能包含物體的矩形框，如圖所示，圖中3個人分別對應3個邊界框。通常有兩種格式來表示邊界框的位置 xyxy，即 x1,y1,x2,y2 其中 x1,y1...
目標檢測入門 目標檢測基本概念
目標檢測關注影象中特定的物體目標，要求同時獲得這一目標的類別資訊和位置資訊。檢測給出的是對前景和背景的理解，需要從背景中分離出感興趣的目標，並確定這一目標的描述 類別和位置，常用檢測框表示 與影象分類的區別，目標檢測更具難度 影象分類只需要判斷輸入的影象中是否包含感興趣物體，而不需要定位具體位置 如...
Consul入門05 健康檢測
我們已經看到了執行consul，增加節點和服務，以及查詢這些賤點和服務是多麼地簡單。在這篇教程中，我們將繼續增加對節點和服務健康監測的教程。健康監測對服務發現是乙個關鍵的元件，它避免使用不健康的服務。本篇的步驟基於前一篇 consul集群，這裡你應該執行有兩個節點的集群。類似於服務，可以通過乙個 檢...