⭐在添加新特征或处理一般的的高维数据集，最好将特征的数量减少到只包含最有用的那些特征，并删除其余特征 然而，如何判断每个特征的作用呢？ 三种基本的策略： 1、单变量统计 2、基于模型的选择 3、迭代选择 这些都是监督方法，需要划分测试集和训练集，并旨在训练集上拟合特征选择 1、单变量
TensorFlow import tensorflow as tffrom tensorflow import keras # Helper librariesimport numpy as npimport matplotlib.pyplot as plt # 查看当前tensorflow版本print("当前tensorflow版本", tf.__version__) # 【1 导入Fashion MNIST数据集】'''加载数据集将返回四
pytorch import torch import torch.nn as nn import torch.nn.functional as F class Net(nn.Module): def __init__(self): super(Net, self).__init__() # 1 input image channel, 6 output channels, 5x5 square convolution # kerne
sklearn.compose.ColumnTransformer可以用来构建一个数据转换器，用允许单独转换输入的不同列或列子集，并且每个转换器生成的特征将串联起来以形成单个特征空间。这对于异构或列式数据非常有用，可以将多个特征提取机制或转换组合到单个转换器中。 配合sklearn.pipeline.make_pipeline
1.视频图片切片 import cv2 cap = cv2.VideoCapture("tiaowu.mp4") isOpened = cap.isOpened # 判断是否打开‘ print(isOpened) fps = cap.get(cv2.CAP_PROP_FPS) # 帧率 width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH)) height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
yolov5训练安全帽检测模型 1、标注数据 2、整理数据 3、训练：修改：myvoc.yaml myvoc.yaml train: VOC_2022050201/train.txt val: VOC_2022050201/val.txt # number of classes nc: 1 # class names names: ["hat"] 4、开始训练 python train_20220502.p
LSTM RNN对于前面的信息会有意外，LSTM可以基础相应的信息 code #加载数据 data = open("LSTM_text.txt").read() #移除换行 data = data.replace("\n","").replace("\r","") print(data) #分出字符 letters = list(set(data)) print(letters) num_letter
clear %清除工作空间所有变量 close all %关闭所有figure窗口 clc %清除命令窗口的内容，对工作环境中的全部变量无任何影响 %PCA_SVM包含求标签和PCA过程 %% %1 数据加载 load('data.mat'); %% %2 求标签H samples = 5120; % 明文数 D = textin(1:samples,1); clear te
Tensorflow简介 TensorFlow是采用数据流图（data flow graphs）来计算, 所以首先我们得创建一个数据流流图,然后再将我们的数据（数据以张量(tensor)的形式存在）放在数据流图中计算. 节点（Nodes）在图中表示数学操作,图中的边（edges）则表示在节点间相互联系的多维数据数组, 即张量（tensor).训
简介 TensorFlow是一个基于数据流编程的符号数学系统，被广泛应用于各类机器学习算法的编程实现。首先创建一个数据流流图,再将数据（以张量的形式存在）放在数据流图中计算。 鸢尾花分类问题 输入：花瓣长、花瓣宽、花萼长、花萼宽输出：三种类别 需要用到损失函数来不断寻找最优值，目的：寻找
1.TensorFlow介绍 2.TensorFlow基础知识 备注: 使用图 (graph)来表示计算任务. 在被称之为 会话 (Session) 的上下文 (context) 中执行图. 使用 tensor 表示数据. 通过 变量 (Variable) 维护状态. 使用 feed 和 fetch 可以为任意的操作(arbitrary operation) 赋值或者从其中
yolov5训练识别钢筋模型 1、标注数据 2、整理数据 3、训练：修改：myvoc.yaml myvoc.yaml train: VOC_2022042401/train.txt val: VOC_2022042401/val.txt # number of classes nc: 1 # class names names: ["rebar"] 4、开始训练 python train_20220424.py --img-si
1、多层感知机 原理： 多次重复线性回归的加权求和过程（中间的计算结果称为隐单元，隐单元构成隐层），计算完每个隐单元的加权求和之后，对结果应用一个非线性函数。再将这个函数结果用于加权求和得出y 矫正非线性（relu） 正切双曲线（tanh） sklearn.neural_network.MLPClassifier from skle
数据集：Pascal VOC2012， 参考材料：动手学深度学习 以下示例实现了对数据的预读取，处理等操作 import os from random import shuffle from turtle import width import torch import torchvision from d2l import torch as d2l voc_dir = "./dataset/VOC2012/"# 数据读取 def read_v
核支持向量机（SVM）是可以推广到更复杂模型的扩展，这些模型无法被输入空间的超平面定义。 SVM可以同时用于分类和回归 1、线性模型与非线性特征 线性模型在低维空间中可能非常受限，因为线和平面的灵活性有限。有一种方法可以让线性模型变得更加灵活，就是添加更多的特征（添加输入特征的
Vgg 代码 导入相关依赖 import torch import torch.nn as nn import numpy as np import matplotlib.pyplot as plt from torch.utils.data import DataLoader from torchvision.datasets import FashionMNIST from torchvision.transforms import ToTensor,Compose,Resize impo
本文为矩池云入门手册的补充：Pytorch训练MNIST数据集代码运行过程。 案例代码和对应数据集，以及在矩池云上的详细操作可以在矩池云入门手册中查看，本文基于矩池云入门手册，默认用户已经完成了机器租用，上传解压好了数据、代码，并使用jupyter lab进行代码运行。 在MATPool矩池云完成Pytor
1. 训练 python train.py --img 640 --batch 32 --epoch 1000 --data data/train_data.yaml --cfg models/yolov5m.yaml --weights weights/yolov5m.pt --device '0' 2. 检测 python detect.py --weights /root/yolov5/exp10_best.pt --source /root/train_data/imag
ERNIE 相关链接：ERNIE官方使用介绍，ERNIE项目地址 基于transformer的encoder，主要思想是将文本中已有的知识融入到模型训练中，因此采用实体mask的方式（实体指人名，地名等词） 预训练 模型结构图如下所示 文本中已有的知识主要有人名，地名等实体，这些词本来就蕴含一些信息，而采用bert那种mask
# Define LSTM class Lstm(nn.Module): def __init__(self, input_size, hidden_size=2, output_size=1, num_layers=1): super().__init__() self.layer1 = nn.LSTM(input_size, hidden_size, num_layers) self.layer2 = nn.Linear(hid
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
灰度预测+LinearSVR 数据如下: 灰度预测 1 import pandas as pd 2 import numpy as np 3 from sklearn.linear_model import Lasso 4 5 inputfile = './data/data.csv' # 输入的数据文件 6 data = pd.read_csv(inputfile) # 读取数据 7 8 lasso = Lasso(100
LeNet 由 Yann LeCun 发明的著名的 LeNet. 原版中激活函数用的都是 $\mathrm{sigmoid}$, 现在看来用 $\mathrm{ReLU}$ 或 $\mathrm{tanh}$ 也许会更合适. Fashion - mnist 数据集的识别 数据下载 def gener(): trans = transforms.ToTensor() mnist_train =
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
一、灰度预测+LinearSVR import pandas as pd import numpy as np from sklearn.linear_model import Lasso inputfile = './data/data.csv' # 输入的数据文件 data = pd.read_csv(inputfile) # 读取数据 lasso = Lasso(1000) # 调用Lasso()函数，设置λ的值为1000 lasso.fi
