我感觉我说得好像有歧义，仔细看过原贴里的回复，抛开原贴复杂混乱的叙事风格，我对有人在质疑这句谁说的，所以英文好不好这件事（虽然原帖主有 typo ）感到很诧异，是我不懂现在的说话方式了还是长者已经逐渐被人遗忘？——都令我感受到了时间嗖嗖的就过去了……

@0x400 +1s

会秃。

如果你数据抖动非常小的话，高斯平滑一下求拉普拉斯，零点就是 step 边界，或者跳跃如果非常 sharp ，也可以试试 canny filter ，效果好，参数少并且简单。meanshift 方法更适用于数据抖动比较大，step 其实不能太算 step ，反而带着斜率

start, xmins = [], []
写错了。。。

from sys import argv

import numpy as np
from matplotlib import pyplot as plt
from scipy.ndimage import gaussian_filter1d
from scipy.stats import linregress
from sklearn.cluster import MeanShift

x, y = np.loadtxt(argv[1]).T
y_orig = np.copy(y)
y = np.pad(y, (y.shape[0] // 10, 0), mode='edge') # 往前插 10 分之一的 y[0]，相当于 y[0]是独立的一个 cluster
y = gaussian_filter1d(y, 85, mode='nearest') # 宽度自己调到合适，没啥涨落的数据可以不用

clustering = MeanShift(bandwidth=None).fit(y[:, None])
lbs = clustering.labels_[y_orig.shape[0] // 10:] # 前面的可以不要了，第一个值相当于 y[0]的 label

plt.plot(x, y_orig, alpha=.5)
start, xmins = [], [], []
for c in set(lbs):
....r = linregress(x[lbs == c], y_orig[lbs == c])
....plt.plot(x[lbs == c], r.slope * x[lbs == c] + r.intercept) # 当数据波动大的时候，用了线性拟合画出来效果好一些，如果你数据的 unitstep 很平，用下面直接画平台值就行
....# plt.hlines(np.mean(y_orig[lbs == c]), xmin=x[lbs==c][0], xmax=x[lbs==c][-1], color='k', lw=4)
....start.append(r.slope * x[lbs == c][0] + r.intercept)
....xmins.append(x[lbs == c][0])
print([x for _, x in sorted(zip(xmins, start))]) # sort from left to right
plt.show()

看一下 meanshift 算法, scikit

统一啊，令 u, v 都是单位向量，sigma 是归一化因子忽略，则 uTu=vTv=1 ，那么 A = uvT ，A+的构造不就是 vuT 吗，AA+ = uvTvuT=uuT 么，这是定义啊，AA+A = uvTvuTuvT = uvT=A,A+AA+ = vuTuvTvuT=vuT=A+你可以接着验证剩下的两个 MP inverse 的条件，这就是 MP inverse 的定义

卧槽我看了一下难道 faceswap 本来就是 64x64.....上 32x32 ？糊成头像(￣▽￣)

1920x1080 是不行的，你试试 64x36 ，缩小 G 和 D 的 filter 个数，把 64 ，128 ，256 ，512 换成 8 ，16 ，32 ，64 ，训练起来就快多啦～无非是糊得抽象些，加油～

x+ x = xTx/xTx = 1 这是直接构造出来的，不太理解你想证明啥

casio 海神系列。casio oceanus s4000 ~ s5000 系列，而且实用。

信号如果抖动不大或者考虑 STFT 以后当图处理……就硬上机器学习

@Seattle 考不考虑做个小波变换然后当图处理？

你这是开始学代数了么，还是哪本线代里的一段？你仔细读读这两段话，上下没关系啊？规定 1+1=0 的域是他的例子{0,1}，其他任何域都不一定。

但凡认真看本线代……

PCA 的***定义***不就是找到一个酉矩阵 U 使得去中心样本(x-xmean)的协方差对角化么：U^T (x-xmean)(x-xmean)^T U = D? 你算变换后的坐标 y=U^T x 的协方差 (y-ymean)(y-ymean)^T 当然是对角矩阵 D 了。

第一节课写“hello world”么(￣▽￣)

@huzhikuizainali 我是没看到原文，如果是时序，那就是 autoregressive model ，具体相关概念看看 autocorrelation 之类的理解一下