![](https://img-blog.csdnimg.cn/20201014180756918.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习
文章平均质量分 66
不要em0啦
这个作者很懒,什么都没留下…
展开
-
knn图像分类
K近邻算法(K-NN),即给定一个已训练的数据集,对新的输入实例,在训练数据集中找到与该实例最邻近的K个实例,这K个实例的多数属于某个类,则判定该输入实例同属此类。KNN可以用做相似图像匹配算法来识别两个图像之间相似的内容。desc 检测到的特征的局部图的列表。knn匹配可以返回k个最佳的匹配项。keypoint 是关键点的列表。"当前随机可以判断的类型:""距离最近的5个邻居是:""5个邻居的距离是:"# 获取特征提取器对象。bf返回所有的匹配项。原创 2024-08-11 09:32:36 · 554 阅读 · 0 评论 -
图像的特征提取
我们可以用二进制数字来表示LBP图中的每个像素的LBP编码,比如下图中的中心像素,它的LBP编码为:00010011,其十进制值为19。特征提取的方法主要是通过属性间的关系,如组合不同的属性得到新的属性,这样就改变了原来的特征空间。特征提取的结果是把图像上的点分为不同的子集,这些子集往往属于孤立的点、连续的曲线或者连续的区域。特征的好坏对泛化性能有至关重要的影响。#在特征X上计算PCA,指定一个空的np.array([])数组用作蒙版参数,告诉opencv使用特征矩阵上的所有数据点。原创 2024-08-11 09:31:10 · 655 阅读 · 0 评论 -
边缘的检测
Sobel边缘检测算法比较简单,实际应用中效率比canny边缘检测效率要高,但是边缘不如Canny检测的准确,Sobel算子是高斯平滑与微分操作的结合体,所以其抗噪声能力很强,用途较多。Canny边缘检测器是一种被广泛使用的算法,并被认为是边缘检测最优的算法,该方法使用了比高斯差分算法更复杂的技巧,如多向灰度梯度和滞后阈值化。:利用上一步计算出来的梯度方向,检测某一像素在梯度的正方向和负方向上是否是局部最大值,如果是,则该像素点保留为边缘点,否则该像素点将被抑制。dx表示x方向上的差分阶数,取值1或 0。原创 2024-08-05 23:16:14 · 650 阅读 · 0 评论 -
图像的锐化
Sobel算子在Prewitt算子的基础上增加了权重的概念,认为相邻点的距离远近对当前像素点的影响是不同的,距离越近的像素点对应当前像素的影响越大,从而实现图像锐化并突出边缘轮廓。由于收集图像数据的器件或传输数图像的通道的存在一些质量缺陷,文物图像时间久远,或者受一些其他外界因素、动态不稳定抓取图像的影响,使得图像存在模糊和有噪声的情况,从而影响到图像识别工作的开展。这时需要开展图像锐化和边缘检测处理,加强原图像的高频部分,锐化突出图像的边缘细节,改善图像的对比度,使模糊的图像变得更清晰。原创 2024-08-05 23:14:48 · 493 阅读 · 0 评论 -
图像平滑处理
这种高斯滤波器只考虑像素之间的空间关系,而不会考虑像素值之间的关系(像素的相似度)。低通滤波可以去除图像中的噪音,模糊图像(噪音是图像中变化比较大的区域,也就是高频信息)。即假设某一位置的像素和其邻域像素符合高斯分布.具体的说的话,就是每一位置的像素的权重符合高斯分布.这样的话,给定一个高斯分布,及高斯核的大小,则可以计算出周边n个像素的权重值。简单滴说就是,在生成周边像素的权重矩阵时,如果发现旁边的像素值和当前的像素值差异很大,就只给差异很大的那个元素分配很小的权重,这样"大的突变差异就被保留了"。原创 2024-07-10 22:52:42 · 682 阅读 · 0 评论 -
图像的线性变换
以上线性变换是对整个灰度级范围使用了相同的参数,有的时候也需要针对不同灰度级范围进行不同的线性变换,这就是常用的分段线性变换,经常用于降低较亮或较暗区域的对比度来增强灰度级处于中间范围的对比度,或者压低中间灰度级处的对比度来增强较亮或者较暗区域的对比度。线性变换的参数需要根据不同的应用及图像自身的信息进行合理的选择,可能需要进行多次测试。之间,可以通过一下分段线性变换将主要的灰度级拉伸到。,对比度拉伸之后应该能比原图看到更多的细节。可以看到,图像的灰度主要集中在。原创 2024-07-10 22:47:22 · 711 阅读 · 0 评论 -
图像的灰度直方图
图像的对比度是通过灰度级范围来度量的,而灰度级范围可通过观察灰度直方图得到,灰度级范围越大代表对比度越高;反之对比度越低,低对比度的图像在视觉上给人的感觉是看起来不够清晰,所以通过算法调整图像的灰度值,从而调整图像的对比度是有必要的。最简单的一种对比度增强的方法是通过灰度值的线性变换实现的。先来认识一下灰度直方图,灰度直方图是图像灰度级的函数,用来描述每个灰度级在图像矩阵中的像素个数或者占有率。原创 2024-07-05 22:59:44 · 487 阅读 · 0 评论 -
图像的对数变换
图像的傅里叶频谱其动态范围可能宽达0~10^6。直接显示频谱的话显示设备的动态范围往往不能满足要求,这个时候就需要使用对数变换,使得傅里叶频谱的动态范围被合理地非线性压缩。因为对数曲线在像素值较低的区域斜率较大,像素值较高的区域斜率比较低,所以图像经过对数变换之后,在较暗的区域对比度将得到提升,因而能增强图像暗部的细节。可以观察到,对数变换效果非常明显,且对于整体对比度偏低并且灰度值偏低的图像增强效果较好。原创 2024-07-05 22:57:51 · 399 阅读 · 0 评论 -
图像的反转
灰度图像每个像素点只有一个像素值来表示,色彩范围在0-255之间,反转方法255-当前像素值。彩色图像的每个像素点由RGB三个元素组成,所以反转的时候需要用255分别减去b,g,r三个值。图像颜色的反转一般分为两种:一种是灰度图片的颜色反转,另一种是彩色图像的颜色反转。# 彩色图像颜色反转 NewR = 255-R。原创 2024-07-04 21:17:40 · 477 阅读 · 0 评论 -
实现第一个神经网络
在本节实验中,将创建一个简单的神经网络,其中一个隐藏层开发一个输出单元。关于上图,任何深度学习算法都涉及获取输入数据,构建各自的架构,其中包括嵌入其中的一堆层。由于神经网络包含输入数据的组合以获取相应的输出数据,将遵循以下相同的程序。训练特定的深度学习算法是将神经网络转换为功能块的确切要求,如下所示。借助内置函数创建顺序模型。使用下面的代码行,创建一个顺序模型。观察上图,使用损失函数对神经网络权重的优化进行评估。在梯度下降优化器的帮助下构造损失函数,如下所示。使用给定的代码行使用迭代循环实现梯度下降模型。原创 2024-07-04 21:15:34 · 759 阅读 · 0 评论 -
PyTorch - 神经网络基础
输入和输出之间的层称为隐藏层,层之间连接的密度和类型是配置。例如,一个完全连接的配置将 L 层的所有神经元都连接到 L+1 层的神经元。对于更明显的定位,只能将一个局部邻域(比如 9 个神经元)连接到下一层。在这种类型的神经网络中,数据的移动是通过现有的隐藏层从输入层到输出层。一层的输出作为输入层,对网络架构中的任何类型的循环都有限制。在 RNN 中,相同的层被应用于在指定的神经网络中接受输入参数并显示输出参数。产生的输出可以被认为是具有激活电位或偏差的加权和。更新网络的权重,通常使用如下所示的简单更新。原创 2024-07-04 21:13:46 · 308 阅读 · 0 评论 -
如何使用KNN
加载数据集、拆分数据集。原创 2024-05-27 02:49:30 · 344 阅读 · 0 评论 -
Home Credit - Credit Risk Model Stability
代码开始部分导入了多个Python库,包括用于数据处理的NumPy、Pandas、Polars,以及用于可视化的Seaborn、Matplotlib等。代码通过分析缺失值的模式,决定哪些列是有用的,并据此过滤列。:类似地,读取测试数据文件,应用特征工程,并进行内存优化。函数用于将Polars DataFrame转换为Pandas DataFrame,并优化内存使用。函数用于减少DataFrame的内存占用,通过将数据类型转换为更小的类型。:这个类包含多个静态方法,用于聚合数据,如计算最大值等。原创 2024-05-25 14:19:38 · 511 阅读 · 0 评论 -
朴素贝叶斯+SMSSpamCollections
函数的代码并且编译运行,该函数用于接收一个大字符串并将其解析为字符串。函数的代码,该函数用于对数据集进行预处理,编写完成后 编译。按钮,在弹出的界面中选择要导入的数据集。,箭头处代码自己添加,提示:字符串转化为字符。后,在工作目录中,新建一个文件夹命名为。,编写创建数据集、加载数据的函数。模型的接口,如果是垃圾邮件则返回。文件目录中,此时点击文件后的。,并且在文件夹中导入数据。函数将单词转化为词向量。按钮即可将数据集导入。导入所需的库文件并运行。模型,完成后编译并运行。,编写完成后编译并运行。原创 2024-05-24 22:56:56 · 427 阅读 · 0 评论 -
机器学习云环境测试
运行,运行完后就点击 New Cell创建新的。填写下一步的代码,后续不再赘述)中输入如下代码,并点击。等待创建完成后,点击。打开,创建一个全新的。代码填写完成后就点击。原创 2024-05-24 22:53:58 · 323 阅读 · 0 评论 -
机器学习云环境搭建
软件,如图,红框内的为安装文件,蓝色框内的为对应安装文件的校验文件(无需下载)跳转至华为云用户登录界面后,登录华为账号(如果没有,请先注册)在对象存储界面,点击创建桶,区域可自选,存储类别选标准存储 ,桶。》【新增访问密钥】,创建一个新的访问密钥,并及时下载密钥信息。】字段分别填入到登陆界面并点击登录。创建桶后,点击并进入桶,选择上传。管理控制台界面,点击【开发环境】点击后便可以在【管理控制台】软件,点击【教您登录】跳转后,点击【访问密钥】完成后,点击打开(登录与。位机为例,下载完成后。原创 2024-05-24 22:50:09 · 259 阅读 · 0 评论 -
华为昇腾AI云服务:让每个人轻松实现个人专属大模型
首先,昇腾AI云服务采用了先进的昇腾芯片和深度学习框架,提供了强大的计算性能和丰富的模型库。昇腾AI云服务为用户提供了丰富的计算资源选择,用户可以根据自己的需求和预算选择不同规模的计算资源,无需关心硬件的购买和维护。其次,昇腾AI云服务还提供了灵活的模型定制和调优功能,用户可以根据自己的需求和数据特点,调整模型的结构和参数,进一步提升模型的性能。总的来说,昇腾AI云服务的出现为每个人提供了实现个人专属大模型的便捷途径,不仅降低了人工智能的门槛,也推动了智能化应用的普及和发展。原创 2024-04-28 14:25:26 · 346 阅读 · 0 评论 -
机器学习本地环境测试
函数的代码,该函数用于对数据集进行预处理,编写完成后编译并。所示的词汇中,任意挑选若干词汇并组成新的句子,按照。模型从加载数据集、数据处理、训练以及测试编写为。7. 编写训练函数,训练Naive Bayes。,在网页中,点击进入本地环境搭建中创。,编写创建数据集、加载数据的函数。模型的接口,如果是垃圾邮件则返回。建的工作目录,点击右上角的。中出现数字后,即可视为这个。3. 导入所需的库文件。模型,完成后编译并运行。Bayes模型进行预测。中,每个输入框为一个。的代码后,点击红圈的。原创 2024-04-22 02:43:32 · 259 阅读 · 0 评论 -
机器学习本地环境搭建
点击新建,分别将下列四个目录(安装路径及其他三个,参考下图,根据自己安装路径做修改)添。点击后,列表会出现一个Untitled Folder的文件夹,完成后点击进入该文件夹,以后,该文件夹即为工作目录。完成创建后,在Navigator界面左侧选择。加到环境变量中,点击确定并退出。出现版本信息则说明安装成功。根据自己的情况选择安装路径,左侧的小方框,再点击右下角。右键点击Anaconda。,点击创建一个新的文件夹。整个安装过程大约费时。原创 2024-04-21 07:15:28 · 342 阅读 · 0 评论