ICode9

精准搜索请尝试: 精确搜索
  • 迁移学习实战2022-04-30 16:02:39

    简介 实现 二次函数的拟合,然后将新的二次函数进行迁移拟合 code import numpy as np import matplotlib.pyplot as plt def fix_seed(seed=1): # reproducible np.random.seed(seed) # make up data建立数据 fix_seed(1) x_data = np.linspace(-5, 5, 100)[:, np.ne

  • 神经网络22022-04-29 22:01:32

    设置数据和模型 神经元模型在计算内积后进行非线性激活函数计算,神经网络将这些神经元组织成各个层   数据预处理 关于数据预处理我们有3个常用的符号,数据矩阵X,假设其尺寸是[N x D](N是数据样本的数量,D是数据的维度)。 均值减法 对数据中每个独立的特征减去平均值 在numpy中,该操作可

  • numpy函数2022-04-24 13:02:27

    numpy函数 准备工作: pip install numpy 把numpy模块安装好 代码如下: 点击查看代码 import numpy as np # 数组元素字符串连接 print('连接两个字符串:') print(np.char.add(['hello'], ['zmt'])) print(np.char.add(['hello', 'hi'], ['zmt', 

  • P5212 SubString2022-04-23 09:32:45

    大意 给你一个初始字符串。现在需要你实现两种操作,第一种是在字符串最后插入字符,第二种是给出一个字符串,求这个字符串在整个字符串中出现的次数。强制在线。 Sol 牛逼题啊。首先对于动态插入字符的问题,别的算法肯定是行不通的(可能哈希可以搏一搏),所以我们考虑十分贴合这题的 SAM。S

  • opencv 报错 <built-in function groupRectangles> returned NULL without setting an error2022-04-21 20:01:04

    部署到生产环境时,使用opencv调用函数groupRectangles来对一些矩形区域进行分组时,报错 <built-in function groupRectangles> returned NULL without setting an error 开发环境不报错,现在突然报错,有点懵逼。 经过一番查找,终于有幸找到了解决方案,先贴下原来的代码: rect_groups, we

  • 神经网络初始化:xavier,kaiming、ortho正交初始化在CNN网络中的使用2022-04-21 15:01:52

    xavier、ortho是神经网络中常用的权重初始化方法,在全连接中这两种权重初始化的方法比较好理解,但是在CNN的卷积网络中的具体实现却不好理解了。           在CNN网络中xavier的初始化可以参看: 【转载】 xavier,kaiming初始化中的fan_in,fan_out在卷积神经网络是什么意思

  • python-numpy科学计算2022-04-21 00:34:39

    导入numpy包进行科学计算 直接上代码 import numpy as np #使用numpy得到一个二维矩阵 a = np.array([1,2,3]) print(a,type(a)) # [1 2 3] <class 'numpy.ndarray'> a1 = np.array([[1,2,3],[4,5,6]]) print(a1) #有时候我们并不需要整数类型的,而是浮点数类型的,我们就需要将其转

  • [Python]-机器学习Python入门《Python机器学习手册》-01-向量、矩阵和数组2022-04-20 22:03:41

    《Python机器学习手册——从数据预处理到深度学习》 这本书类似于工具书或者字典,对于python具体代码的调用和使用场景写的很清楚,感觉虽然是工具书,但是对照着做一遍应该可以对机器学习中python常用的这些库有更深入的理解,在应用中也能更为熟练。 以下是根据书上的代码进行实操,注释

  • TrackEval CLEAR metrics 详解2022-04-17 20:32:31

    Data format - Note: Training Test data in https://motchallenge.net/ is not the required(default) format of TrackEval MOT Challenge train/val/test det.txt 3,-1,1433,512,60,100,0,-1,-1,-1 3,-1,1048,437,49,124,0,-1,-1,-1 3,-1,1087,552,78,177,0,-1,-1,-1 3,

  • 机器学习实战:用SVD压缩图像2022-04-17 15:35:14

    前文我们了解了奇异值分解(SVD)的原理,今天就实战一下,用矩阵的奇异值分解对图片进行压缩. Learn by doing 我做了一个在线的图像压缩应用,大家可以感受一下。 https://huggingface.co/spaces/beihai/Image-Compression-with-SVD 功能很简单,上传需要压缩的图片,选择压缩比,提交即可。

  • Numpy的一些操作2022-04-15 19:01:29

    1、什么是Numpy 简单来说: Numpy(Numerical Python)是一个开源的Python科学计算库,用于快速处理任意维度的数组。 Numpy支持常见的数组和矩阵操作。对于同样的数值计算任务,使用Numpy比直接使用Python要简洁的多。 Numpy使用ndarray对象来处理多维数组,该对象是一个快速而灵活的大数据

  • sinpy and numpy2022-04-15 11:00:17

    import numpy as np # np.array(object,dtype=None,copy=True,order=None,subok=False,ndmin=0) a = np.array([1,2,3]) print(a) #多于一个维度 import numpy as np a = np.array([[1,2],[3,4]]) print(a) #最小维度ndmin import numpy as np a = np.array([1,2,3],ndmin=3) p

  • plt.subplot()和plt.subplot()2022-04-14 17:02:50

    点击查看代码 # subplot创建单个子图 # subplot(nrows, ncols, sharex, sharey, subplot_kw, **fig_kw) # nrows : subplot的行数 # ncols : subplot的列数 # sharex : 所有subplot应该使用相同的X轴刻度(调节xlim将会影响所有subplot # sharey : 所有subplot应该使用相同的Y轴刻

  • Python绘制多种风玫瑰图2022-04-13 13:31:27

    前言 风玫瑰是由气象学家用于给出如何风速和风向在特定位置通常分布的简明视图的图形工具。它也可以用来描述空气质量污染源。 风玫瑰工具使用Matplotlib作为后端。 安装方式直接使用pip install windrose 导入模块 Python学习交流Q群:906715085#### import pandas

  • Numpy中“高级”API学习记录2022-04-12 23:31:26

    1.  meshgrid() 该方法大多时候用于在二维或者三维空间中,生成网格采样点的坐标,例如一张宽高为H=3、W=4的图片 如果想要以每一个像素点坐标作为参数进行计算,最简单的办法是进行遍历: for x in range(H): for y in range(W): # some method # foo(x, y)  但是这样做pyt

  • 手把手教你:图像识别的垃圾分类系统2022-04-11 10:03:26

    系列文章 手把手教你:人脸识别考勤系统 手把手教你:基于粒子群优化算法(PSO)优化卷积神经网络(CNN)的文本分类 @目录系列文章项目简介一、项目架构二、图像数据三、环境介绍1.环境要求2.环境安装实例四、重要代码介绍1.图像数据读取和预处理2.图像数据增强3.模型加载并训练3.1 模型加载

  • numpy.sum()函数2022-04-10 23:01:45

    点击查看代码 # 当axis=0,就是将一个矩阵的每一列向量相加 # 当axis=1,就是将一个矩阵的每一行向量相加 # 当没有axis时,只是单纯地将所有元素相加 import numpy as np A = [[1, 2, 3], [4, 5, 6], [7, 8, 9]] # print(np.sum(A, axis=1)) # output [ 6 15 24] # print(np.sum(

  • baselines库中cmd_util.py模块对atari游戏的包装为什么要分成两部分并在中间加入flatten操作呢?2022-04-10 11:34:54

    如题: cmd_util.py模块中对应的代码:     可以看到不论是atari游戏还是retro游戏,在进行游戏环境包装的时候都是分成两部分的,如atari游戏,第一部分是make_atari,第二部分是wrap_deepmind,在两者之间有一个FlattenObservation操作。   通过FlattenObservation的代码可以知道,该操作是

  • TrackEval 代码逻辑,文件结构详解 / MOT Challenge 评测指标2022-04-10 10:02:29

    Data format - Note: Training Test data in https://motchallenge.net/ is not the required(default) format of TrackEval MOT Challenge train/val/test det.txt 3,-1,1433,512,60,100,0,-1,-1,-1 3,-1,1048,437,49,124,0,-1,-1,-1 3,-1,1087,552,78,177,0,-1,-1,-1 3,

  • Python学习笔记:dataframe行遍历之iterrows2022-04-10 01:03:47

    一、介绍 Pandas 的基础结构分为两种: 数据框 DataFrame 序列 Series 数据框(DataFame)是拥有轴标签的二维链表,类似于 Excel 中的行列关系。 列标签为列名,行标签为索引。 iterrows() 是在数据框中的行进行迭代的一个生成器,返回每行的索引以及一个包含行本身的对象。 二、实操 建立

  • knn2022-04-07 18:00:47

    写在前面 以下的代码只是学习中的随笔,如有侵权请联系删除   K_Nearest_Neighbor from builtins import range from builtins import object import numpy as np from past.builtins import xrange class KNearestNeighbor(object): """ a kNN classifier with L2 distance

  • 根据财政收入数据选择合适的时序模型和合适的预测方法2022-04-07 02:32:02

    1对数据进行分析:代码如下 import numpy as npimport pandas as pdinputfile = 'file:///D:/桌面/data(1)/data.csv' # 输入的数据文件data = pd.read_csv(inputfile) # 读取数据# 描述性统计分析description = [data.min(), data.max(), data.mean(), data.std()] # 依次计算最小

  • 机器学习 神经网络权重初始值设置2022-04-05 14:32:22

    关于神经网络权重初始值的设置的研究 一、权重初始值 二、权重初始值会影响隐藏层的激活值分布 三、Xavier初始值 四、He初始值 五、基于MNIST数据集的权重初始值的比较   一、权重初始值 权值衰减—抑制过拟合、提高泛化能力。 所谓权值衰减,即,以减小权重参数的值为

  • 预测财政收入2022-04-04 23:34:22

    一、灰度预测 def GM11(x0): #自定义灰色预测函数 import numpy as np x1 = x0.cumsum() #1-AGO序列 z1 = (x1[:len(x1)-1] + x1[1:])/2.0 #紧邻均值(MEAN)生成序列 z1 = z1.reshape((len(z1),1)) B = np.append(-z1, np.ones_like(z1), axis = 1) Yn = x0[1:].reshape

  • 5-8.实现多元线性回归2022-04-03 10:31:07

    import numpy as np import matplotlib.pyplot as plt from sklearn import datasets boston_data = datasets.load_boston() X = boston_data.data y = boston_data.target X = X[y < 50.0] y = y[y < 50.0] 以下自定义的类导入详情见5-5衡量回归算法的标准 from play_ML.model

专注分享技术,共同学习,共同进步。侵权联系[81616952@qq.com]

Copyright (C)ICode9.com, All Rights Reserved.

ICode9版权所有