NNDL 作业6：基于CNN的XO识别

最新推荐文章于 2023-03-08 20:56:41 发布
最新推荐文章于 2023-03-08 20:56:41 发布
阅读量58 收藏
点赞数 1
文章标签： cnn 深度学习 python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Guo_weiqi/article/details/127480741
版权

 

一、实现卷积-池化-激活

1. Numpy版本：手工实现 卷积-池化-激活

自定义卷积算子、池化算子实现

import numpy as np
 
x = np.array([[-1, -1, -1, -1, -1, -1, -1, -1, -1],
              [-1, 1, -1, -1, -1, -1, -1, 1, -1],
              [-1, -1, 1, -1, -1, -1, 1, -1, -1],
              [-1, -1, -1, 1, -1, 1, -1, -1, -1],
              [-1, -1, -1, -1, 1, -1, -1, -1, -1],
              [-1, -1, -1, 1, -1, 1, -1, -1, -1],
              [-1, -1, 1, -1, -1, -1, 1, -1, -1],
              [-1, 1, -1, -1, -1, -1, -1, 1, -1],
              [-1, -1, -1, -1, -1, -1, -1, -1, -1]])
print("x=\n", x)
# 初始化 三个 卷积核
Kernel = [[0 for i in range(0, 3)] for j in range(0, 3)]
Kernel[0] = np.array([[1, -1, -1],
                      [-1, 1, -1],
                      [-1, -1, 1]])
Kernel[1] = np.array([[1, -1, 1],
                      [-1, 1, -1],
                      [1, -1, 1]])
Kernel[2] = np.array([[-1, -1, 1],
                      [-1, 1, -1],
                      [1, -1, -1]])
 
# --------------- 卷积  ---------------
stride = 1  # 步长
feature_map_h = 7  # 特征图的高
feature_map_w = 7  # 特征图的宽
feature_map = [0 for i in range(0, 3)]  # 初始化3个特征图
for i in range(0, 3):
    feature_map[i] = np.zeros((feature_map_h, feature_map_w))  # 初始化特征图
for h in range(feature_map_h):  # 向下滑动，得到卷积后的固定行
    for w in range(feature_map_w):  # 向右滑动，得到卷积后的固定行的列
        v_start = h * stride  # 滑动窗口的起始行（高）
        v_end = v_start + 3  # 滑动窗口的结束行（高）
        h_start = w * stride  # 滑动窗口的起始列（宽）
        h_end = h_start + 3  # 滑动窗口的结束列（宽）
        window = x[v_start:v_end, h_start:h_end]  # 从图切出一个滑动窗口
        for i in range(0, 3):
            feature_map[i][h, w] = np.divide(np.sum(np.multiply(window, Kernel[i][:, :])), 9)
print("feature_map:\n", np.around(feature_map, decimals=2))
 
# --------------- 池化  ---------------
pooling_stride = 2  # 步长
pooling_h = 4  # 特征图的高
pooling_w = 4  # 特征图的宽
feature_map_pad_0 = [[0 for i in range(0, 8)] for j in range(0, 8)]
for i in range(0, 3):  # 特征图 补 0 ，行 列 都要加 1 (因为上一层是奇数，池化窗口用的偶数)
    feature_map_pad_0[i] = np.pad(feature_map[i], ((0, 1), (0, 1)), 'constant', constant_values=(0, 0))
# print("feature_map_pad_0 0:\n", np.around(feature_map_pad_0[0], decimals=2))
 
pooling = [0 for i in range(0, 3)]
for i in range(0, 3):
    pooling[i] = np.zeros((pooling_h, pooling_w))  # 初始化特征图
for h in range(pooling_h):  # 向下滑动，得到卷积后的固定行
    for w in range(pooling_w):  # 向右滑动，得到卷积后的固定行的列
        v_start = h * pooling_stride  # 滑动窗口的起始行（高）
        v_end = v_start + 2  # 滑动窗口的结束行（高）
        h_start = w * pooling_stride  # 滑动窗口的起始列（宽）
        h_end = h_start + 2  # 滑动窗口的结束列（宽）
        for i in range(0, 3):
            pooling[i][h, w] = np.max(feature_map_pad_0[i][v_start:v_end, h_start:h_end])
print("pooling:\n", np.around(pooling[0], decimals=2))
print("pooling:\n", np.around(pooling[1], decimals=2))
print("pooling:\n", np.around(pooling[2], decimals=2))
 
# --------------- 激活  ---------------
def relu(x):
    return (abs(x) + x) / 2
 
relu_map_h = 7  # 特征图的高
relu_map_w = 7  # 特征图的宽
relu_map = [0 for i in range(0, 3)]  # 初始化3个特征图
for i in range(0, 3):
    relu_map[i] = np.zeros((relu_map_h, relu_map_w))  # 初始化特征图
 
for i in range(0, 3):
    relu_map[i] = relu(feature_map[i])
 
print("relu map :\n", np.around(relu_map[0], decimals=2))
print("relu map :\n", np.around(relu_map[1], decimals=2))
print("relu map :\n", np.around(relu_map[2], decimals=2))

x=
 [[-1 -1 -1 -1 -1 -1 -1 -1 -1]
 [-1  1 -1 -1 -1 -1 -1  1 -1]
 [-1 -1  1 -1 -1 -1  1 -1 -1]
 [-1 -1 -1  1 -1  1 -1 -1 -1]
 [-1 -1 -1 -1  1 -1 -1 -1 -1]
 [-1 -1 -1  1 -1  1 -1 -1 -1]
 [-1 -1  1 -1 -1 -1  1 -1 -1]
 [-1  1 -1 -1 -1 -1 -1  1 -1]
 [-1 -1 -1 -1 -1 -1 -1 -1 -1]]
feature_map:
 [[[ 0.78 -0.11  0.11  0.33  0.56 -0.11  0.33]
  [-0.11  1.   -0.11  0.33 -0.11  0.11 -0.11]
  [ 0.11 -0.11  1.   -0.33  0.11 -0.11  0.56]
  [ 0.33  0.33 -0.33  0.56 -0.33  0.33  0.33]
  [ 0.56 -0.11  0.11 -0.33  1.   -0.11  0.11]
  [-0.11  0.11 -0.11  0.33 -0.11  1.   -0.11]
  [ 0.33 -0.11  0.56  0.33  0.11 -0.11  0.78]]

 [[ 0.33 -0.56  0.11 -0.11  0.11 -0.56  0.33]
  [-0.56  0.56 -0.56  0.33 -0.56  0.56 -0.56]
  [ 0.11 -0.56  0.56 -0.78  0.56 -0.56  0.11]
  [-0.11  0.33 -0.78  1.   -0.78  0.33 -0.11]
  [ 0.11 -0.56  0.56 -0.78  0.56 -0.56  0.11]
  [-0.56  0.56 -0.56  0.33 -0.56  0.56 -0.56]
  [ 0.33 -0.56  0.11 -0.11  0.11 -0.56  0.33]]

 [[ 0.33 -0.11  0.56  0.33  0.11 -0.11  0.78]
  [-0.11  0.11 -0.11  0.33 -0.11  1.   -0.11]
  [ 0.56 -0.11  0.11 -0.33  1.   -0.11  0.11]
  [ 0.33  0.33 -0.33  0.56 -0.33  0.33  0.33]
  [ 0.11 -0.11  1.   -0.33  0.11 -0.11  0.56]
  [-0.11  1.   -0.11  0.33 -0.11  0.11 -0.11]
  [ 0.78 -0.11  0.11  0.33  0.56 -0.11  0.33]]]
pooling:
 [[1.   0.33 0.56 0.33]
 [0.33 1.   0.33 0.56]
 [0.56 0.33 1.   0.11]
 [0.33 0.56 0.11 0.78]]
pooling:
 [[0.56 0.33 0.56 0.33]
 [0.33 1.   0.56 0.11]
 [0.56 0.56 0.56 0.11]
 [0.33 0.11 0.11 0.33]]
pooling:
 [[0.33 0.56 1.   0.78]
 [0.56 0.56 1.   0.33]
 [1.   1.   0.11 0.56]
 [0.78 0.33 0.56 0.33]]
relu map :
 [[0.78 0.   0.11 0.33 0.56 0.   0.33]
 [0.   1.   0.   0.33 0.   0.11 0.  ]
 [0.11 0.   1.   0.   0.11 0.   0.56]
 [0.33 0.33 0.   0.56 0.   0.33 0.33]
 [0.56 0.   0.11 0.   1.   0.   0.11]
 [0.   0.11 0.   0.33 0.   1.   0.  ]
 [0.33 0.   0.56 0.33 0.11 0.   0.78]]
relu map :
 [[0.33 0.   0.11 0.   0.11 0.   0.33]
 [0.   0.56 0.   0.33 0.   0.56 0.  ]
 [0.11 0.   0.56 0.   0.56 0.   0.11]
 [0.   0.33 0.   1.   0.   0.33 0.  ]
 [0.11 0.   0.56 0.   0.56 0.   0.11]
 [0.   0.56 0.   0.33 0.   0.56 0.  ]
 [0.33 0.   0.11 0.   0.11 0.   0.33]]
relu map :
 [[0.33 0.   0.56 0.33 0.11 0.   0.78]
 [0.   0.11 0.   0.33 0.   1.   0.  ]
 [0.56 0.   0.11 0.   1.   0.   0.11]
 [0.33 0.33 0.   0.56 0.   0.33 0.33]
 [0.11 0.   1.   0.   0.11 0.   0.56]
 [0.   1.   0.   0.33 0.   0.11 0.  ]
 [0.78 0.   0.11 0.33 0.56 0.   0.33]]

2. Pytorch版本：调用函数实现 卷积-池化-激活

调用框架自带算子实现，对比自定义算子

import numpy as np
import torch
import torch.nn as nn
 
x = torch.tensor([[[[-1, -1, -1, -1, -1, -1, -1, -1, -1],
                    [-1, 1, -1, -1, -1, -1, -1, 1, -1],
                    [-1, -1, 1, -1, -1, -1, 1, -1, -1],
                    [-1, -1, -1, 1, -1, 1, -1, -1, -1],
                    [-1, -1, -1, -1, 1, -1, -1, -1, -1],
                    [-1, -1, -1, 1, -1, 1, -1, -1, -1],
                    [-1, -1, 1, -1, -1, -1, 1, -1, -1],
                    [-1, 1, -1, -1, -1, -1, -1, 1, -1],
                    [-1, -1, -1, -1, -1, -1, -1, -1, -1]]]], dtype=torch.float)
print(x.shape)
print(x)
 
print("--------------- 卷积  ---------------")
conv1 = nn.Conv2d(1, 1, (3, 3), 1)  # in_channel , out_channel , kennel_size , stride
conv1.weight.data = torch.Tensor([[[[1, -1, -1],
                                    [-1, 1, -1],
                                    [-1, -1, 1]]
                                   ]])
conv2 = nn.Conv2d(1, 1, (3, 3), 1)  # in_channel , out_channel , kennel_size , stride
conv2.weight.data = torch.Tensor([[[[1, -1, 1],
                                    [-1, 1, -1],
                                    [1, -1, 1]]
                                   ]])
conv3 = nn.Conv2d(1, 1, (3, 3), 1)  # in_channel , out_channel , kennel_size , stride
conv3.weight.data = torch.Tensor([[[[-1, -1, 1],
                                    [-1, 1, -1],
                                    [1, -1, -1]]
                                   ]])
 
feature_map1 = conv1(x)
feature_map2 = conv2(x)
feature_map3 = conv3(x)
 
print(feature_map1 / 9)
print(feature_map2 / 9)
print(feature_map3 / 9)
 
print("--------------- 池化  ---------------")
max_pool = nn.MaxPool2d(2, padding=0, stride=2)  # Pooling
zeroPad = nn.ZeroPad2d(padding=(0, 1, 0, 1))  # pad 0 , Left Right Up Down
 
feature_map_pad_0_1 = zeroPad(feature_map1)
feature_pool_1 = max_pool(feature_map_pad_0_1)
feature_map_pad_0_2 = zeroPad(feature_map2)
feature_pool_2 = max_pool(feature_map_pad_0_2)
feature_map_pad_0_3 = zeroPad(feature_map3)
feature_pool_3 = max_pool(feature_map_pad_0_3)
 
print(feature_pool_1.size())
print(feature_pool_1 / 9)
print(feature_pool_2 / 9)
print(feature_pool_3 / 9)
 
print("--------------- 激活  ---------------")
activation_function = nn.ReLU()
 
feature_relu1 = activation_function(feature_map1)
feature_relu2 = activation_function(feature_map2)
feature_relu3 = activation_function(feature_map3)
print(feature_relu1 / 9)
print(feature_relu2 / 9)
print(feature_relu3 / 9)

torch.Size([1, 1, 9, 9])
tensor([[[[-1., -1., -1., -1., -1., -1., -1., -1., -1.],
          [-1.,  1., -1., -1., -1., -1., -1.,  1., -1.],
          [-1., -1.,  1., -1., -1., -1.,  1., -1., -1.],
          [-1., -1., -1.,  1., -1.,  1., -1., -1., -1.],
          [-1., -1., -1., -1.,  1., -1., -1., -1., -1.],
          [-1., -1., -1.,  1., -1.,  1., -1., -1., -1.],
          [-1., -1.,  1., -1., -1., -1.,  1., -1., -1.],
          [-1.,  1., -1., -1., -1., -1., -1.,  1., -1.],
          [-1., -1., -1., -1., -1., -1., -1., -1., -1.]]]])
--------------- 卷积  ---------------
tensor([[[[ 0.7645, -0.1243,  0.0979,  0.3201,  0.5423, -0.1243,  0.3201],
          [-0.1243,  0.9868, -0.1243,  0.3201, -0.1243,  0.0979, -0.1243],
          [ 0.0979, -0.1243,  0.9868, -0.3466,  0.0979, -0.1243,  0.5423],
          [ 0.3201,  0.3201, -0.3466,  0.5423, -0.3466,  0.3201,  0.3201],
          [ 0.5423, -0.1243,  0.0979, -0.3466,  0.9868, -0.1243,  0.0979],
          [-0.1243,  0.0979, -0.1243,  0.3201, -0.1243,  0.9868, -0.1243],
          [ 0.3201, -0.1243,  0.5423,  0.3201,  0.0979, -0.1243,  0.7645]]]],
       grad_fn=<DivBackward0>)
tensor([[[[ 0.3503, -0.5385,  0.1281, -0.0941,  0.1281, -0.5385,  0.3503],
          [-0.5385,  0.5726, -0.5385,  0.3503, -0.5385,  0.5726, -0.5385],
          [ 0.1281, -0.5385,  0.5726, -0.7608,  0.5726, -0.5385,  0.1281],
          [-0.0941,  0.3503, -0.7608,  1.0170, -0.7608,  0.3503, -0.0941],
          [ 0.1281, -0.5385,  0.5726, -0.7608,  0.5726, -0.5385,  0.1281],
          [-0.5385,  0.5726, -0.5385,  0.3503, -0.5385,  0.5726, -0.5385],
          [ 0.3503, -0.5385,  0.1281, -0.0941,  0.1281, -0.5385,  0.3503]]]],
       grad_fn=<DivBackward0>)
tensor([[[[ 0.3157, -0.1288,  0.5379,  0.3157,  0.0934, -0.1288,  0.7601],
          [-0.1288,  0.0934, -0.1288,  0.3157, -0.1288,  0.9823, -0.1288],
          [ 0.5379, -0.1288,  0.0934, -0.3510,  0.9823, -0.1288,  0.0934],
          [ 0.3157,  0.3157, -0.3510,  0.5379, -0.3510,  0.3157,  0.3157],
          [ 0.0934, -0.1288,  0.9823, -0.3510,  0.0934, -0.1288,  0.5379],
          [-0.1288,  0.9823, -0.1288,  0.3157, -0.1288,  0.0934, -0.1288],
          [ 0.7601, -0.1288,  0.0934,  0.3157,  0.5379, -0.1288,  0.3157]]]],
       grad_fn=<DivBackward0>)
--------------- 池化  ---------------
torch.Size([1, 1, 4, 4])
tensor([[[[0.9868, 0.3201, 0.5423, 0.3201],
          [0.3201, 0.9868, 0.3201, 0.5423],
          [0.5423, 0.3201, 0.9868, 0.0979],
          [0.3201, 0.5423, 0.0979, 0.7645]]]], grad_fn=<DivBackward0>)
tensor([[[[0.5726, 0.3503, 0.5726, 0.3503],
          [0.3503, 1.0170, 0.5726, 0.1281],
          [0.5726, 0.5726, 0.5726, 0.1281],
          [0.3503, 0.1281, 0.1281, 0.3503]]]], grad_fn=<DivBackward0>)
tensor([[[[0.3157, 0.5379, 0.9823, 0.7601],
          [0.5379, 0.5379, 0.9823, 0.3157],
          [0.9823, 0.9823, 0.0934, 0.5379],
          [0.7601, 0.3157, 0.5379, 0.3157]]]], grad_fn=<DivBackward0>)
--------------- 激活  ---------------
tensor([[[[0.7645, 0.0000, 0.0979, 0.3201, 0.5423, 0.0000, 0.3201],
          [0.0000, 0.9868, 0.0000, 0.3201, 0.0000, 0.0979, 0.0000],
          [0.0979, 0.0000, 0.9868, 0.0000, 0.0979, 0.0000, 0.5423],
          [0.3201, 0.3201, 0.0000, 0.5423, 0.0000, 0.3201, 0.3201],
          [0.5423, 0.0000, 0.0979, 0.0000, 0.9868, 0.0000, 0.0979],
          [0.0000, 0.0979, 0.0000, 0.3201, 0.0000, 0.9868, 0.0000],
          [0.3201, 0.0000, 0.5423, 0.3201, 0.0979, 0.0000, 0.7645]]]],
       grad_fn=<DivBackward0>)
tensor([[[[0.3503, 0.0000, 0.1281, 0.0000, 0.1281, 0.0000, 0.3503],
          [0.0000, 0.5726, 0.0000, 0.3503, 0.0000, 0.5726, 0.0000],
          [0.1281, 0.0000, 0.5726, 0.0000, 0.5726, 0.0000, 0.1281],
          [0.0000, 0.3503, 0.0000, 1.0170, 0.0000, 0.3503, 0.0000],
          [0.1281, 0.0000, 0.5726, 0.0000, 0.5726, 0.0000, 0.1281],
          [0.0000, 0.5726, 0.0000, 0.3503, 0.0000, 0.5726, 0.0000],
          [0.3503, 0.0000, 0.1281, 0.0000, 0.1281, 0.0000, 0.3503]]]],
       grad_fn=<DivBackward0>)
tensor([[[[0.3157, 0.0000, 0.5379, 0.3157, 0.0934, 0.0000, 0.7601],
          [0.0000, 0.0934, 0.0000, 0.3157, 0.0000, 0.9823, 0.0000],
          [0.5379, 0.0000, 0.0934, 0.0000, 0.9823, 0.0000, 0.0934],
          [0.3157, 0.3157, 0.0000, 0.5379, 0.0000, 0.3157, 0.3157],
          [0.0934, 0.0000, 0.9823, 0.0000, 0.0934, 0.0000, 0.5379],
          [0.0000, 0.9823, 0.0000, 0.3157, 0.0000, 0.0934, 0.0000],
          [0.7601, 0.0000, 0.0934, 0.3157, 0.5379, 0.0000, 0.3157]]]],
       grad_fn=<DivBackward0>)

3. 可视化：了解数字与图像之间的关系

可视化卷积核和特征图

import torch
import torch.nn as nn
import matplotlib.pyplot as plt
import os
os.environ["KMP_DUPLICATE_LIB_OK"] = "TRUE"
 
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号 #有中文出现的情况，需要u'内容
x = torch.tensor([[[[-1, -1, -1, -1, -1, -1, -1, -1, -1],
                    [-1, 1, -1, -1, -1, -1, -1, 1, -1],
                    [-1, -1, 1, -1, -1, -1, 1, -1, -1],
                    [-1, -1, -1, 1, -1, 1, -1, -1, -1],
                    [-1, -1, -1, -1, 1, -1, -1, -1, -1],
                    [-1, -1, -1, 1, -1, 1, -1, -1, -1],
                    [-1, -1, 1, -1, -1, -1, 1, -1, -1],
                    [-1, 1, -1, -1, -1, -1, -1, 1, -1],
                    [-1, -1, -1, -1, -1, -1, -1, -1, -1]]]], dtype=torch.float)
print(x.shape)
print(x)
img = x.data.squeeze().numpy()  # 将输出转换为图片的格式
plt.imshow(img, cmap='gray')
plt.title('原图')
plt.show()
 
print("--------------- 卷积  ---------------")
conv1 = nn.Conv2d(1, 1, (3, 3), 1)  # in_channel , out_channel , kennel_size , stride
conv1.weight.data = torch.Tensor([[[[1, -1, -1],
                                    [-1, 1, -1],
                                    [-1, -1, 1]]
                                   ]])
img = conv1.weight.data.squeeze().numpy()  # 将输出转换为图片的格式
plt.imshow(img, cmap='gray')
plt.title('Kernel 1')
plt.show()
conv2 = nn.Conv2d(1, 1, (3, 3), 1)  # in_channel , out_channel , kennel_size , stride
conv2.weight.data = torch.Tensor([[[[1, -1, 1],
                                    [-1, 1, -1],
                                    [1, -1, 1]]
                                   ]])
img = conv2.weight.data.squeeze().numpy()  # 将输出转换为图片的格式
plt.imshow(img, cmap='gray')
plt.title('Kernel 2')
plt.show()
conv3 = nn.Conv2d(1, 1, (3, 3), 1)  # in_channel , out_channel , kennel_size , stride
conv3.weight.data = torch.Tensor([[[[-1, -1, 1],
                                    [-1, 1, -1],
                                    [1, -1, -1]]
                                   ]])
img = conv3.weight.data.squeeze().numpy()  # 将输出转换为图片的格式
plt.imshow(img, cmap='gray')
plt.title('Kernel 3')
plt.show()
 
feature_map1 = conv1(x)
feature_map2 = conv2(x)
feature_map3 = conv3(x)
 
print(feature_map1 / 9)
print(feature_map2 / 9)
print(feature_map3 / 9)
 
img = feature_map1.data.squeeze().numpy()  # 将输出转换为图片的格式
plt.imshow(img, cmap='gray')
plt.title('卷积后的特征图1')
plt.show()
 
print("--------------- 池化  ---------------")
max_pool = nn.MaxPool2d(2, padding=0, stride=2)  # Pooling
zeroPad = nn.ZeroPad2d(padding=(0, 1, 0, 1))  # pad 0 , Left Right Up Down
 
feature_map_pad_0_1 = zeroPad(feature_map1)
feature_pool_1 = max_pool(feature_map_pad_0_1)
feature_map_pad_0_2 = zeroPad(feature_map2)
feature_pool_2 = max_pool(feature_map_pad_0_2)
feature_map_pad_0_3 = zeroPad(feature_map3)
feature_pool_3 = max_pool(feature_map_pad_0_3)
 
print(feature_pool_1.size())
print(feature_pool_1 / 9)
print(feature_pool_2 / 9)
print(feature_pool_3 / 9)
img = feature_pool_1.data.squeeze().numpy()  # 将输出转换为图片的格式
plt.imshow(img, cmap='gray')
plt.title('卷积池化后的特征图1')
plt.show()
 
print("--------------- 激活  ---------------")
activation_function = nn.ReLU()
 
feature_relu1 = activation_function(feature_map1)
feature_relu2 = activation_function(feature_map2)
feature_relu3 = activation_function(feature_map3)
print(feature_relu1 / 9)
print(feature_relu2 / 9)
print(feature_relu3 / 9)
img = feature_relu1.data.squeeze().numpy()  # 将输出转换为图片的格式
plt.imshow(img, cmap='gray')
plt.title('卷积 + relu 后的特征图1')
plt.show()
torch.Size([1, 1, 9, 9])
tensor([[[[-1., -1., -1., -1., -1., -1., -1., -1., -1.],
          [-1.,  1., -1., -1., -1., -1., -1.,  1., -1.],
          [-1., -1.,  1., -1., -1., -1.,  1., -1., -1.],
          [-1., -1., -1.,  1., -1.,  1., -1., -1., -1.],
          [-1., -1., -1., -1.,  1., -1., -1., -1., -1.],
          [-1., -1., -1.,  1., -1.,  1., -1., -1., -1.],
          [-1., -1.,  1., -1., -1., -1.,  1., -1., -1.],
          [-1.,  1., -1., -1., -1., -1., -1.,  1., -1.],
          [-1., -1., -1., -1., -1., -1., -1., -1., -1.]]]])
--------------- 卷积  ---------------
tensor([[[[ 0.8130, -0.0759,  0.1463,  0.3685,  0.5908, -0.0759,  0.3685],
          [-0.0759,  1.0352, -0.0759,  0.3685, -0.0759,  0.1463, -0.0759],
          [ 0.1463, -0.0759,  1.0352, -0.2981,  0.1463, -0.0759,  0.5908],
          [ 0.3685,  0.3685, -0.2981,  0.5908, -0.2981,  0.3685,  0.3685],
          [ 0.5908, -0.0759,  0.1463, -0.2981,  1.0352, -0.0759,  0.1463],
          [-0.0759,  0.1463, -0.0759,  0.3685, -0.0759,  1.0352, -0.0759],
          [ 0.3685, -0.0759,  0.5908,  0.3685,  0.1463, -0.0759,  0.8130]]]],
       grad_fn=<DivBackward0>)
tensor([[[[ 0.3294, -0.5595,  0.1071, -0.1151,  0.1071, -0.5595,  0.3294],
          [-0.5595,  0.5516, -0.5595,  0.3294, -0.5595,  0.5516, -0.5595],
          [ 0.1071, -0.5595,  0.5516, -0.7818,  0.5516, -0.5595,  0.1071],
          [-0.1151,  0.3294, -0.7818,  0.9960, -0.7818,  0.3294, -0.1151],
          [ 0.1071, -0.5595,  0.5516, -0.7818,  0.5516, -0.5595,  0.1071],
          [-0.5595,  0.5516, -0.5595,  0.3294, -0.5595,  0.5516, -0.5595],
          [ 0.3294, -0.5595,  0.1071, -0.1151,  0.1071, -0.5595,  0.3294]]]],
       grad_fn=<DivBackward0>)
tensor([[[[ 0.3348, -0.1096,  0.5571,  0.3348,  0.1126, -0.1096,  0.7793],
          [-0.1096,  0.1126, -0.1096,  0.3348, -0.1096,  1.0015, -0.1096],
          [ 0.5571, -0.1096,  0.1126, -0.3318,  1.0015, -0.1096,  0.1126],
          [ 0.3348,  0.3348, -0.3318,  0.5571, -0.3318,  0.3348,  0.3348],
          [ 0.1126, -0.1096,  1.0015, -0.3318,  0.1126, -0.1096,  0.5571],
          [-0.1096,  1.0015, -0.1096,  0.3348, -0.1096,  0.1126, -0.1096],
          [ 0.7793, -0.1096,  0.1126,  0.3348,  0.5571, -0.1096,  0.3348]]]],
       grad_fn=<DivBackward0>)
--------------- 池化  ---------------
torch.Size([1, 1, 4, 4])
tensor([[[[1.0352, 0.3685, 0.5908, 0.3685],
          [0.3685, 1.0352, 0.3685, 0.5908],
          [0.5908, 0.3685, 1.0352, 0.1463],
          [0.3685, 0.5908, 0.1463, 0.8130]]]], grad_fn=<DivBackward0>)
tensor([[[[0.5516, 0.3294, 0.5516, 0.3294],
          [0.3294, 0.9960, 0.5516, 0.1071],
          [0.5516, 0.5516, 0.5516, 0.1071],
          [0.3294, 0.1071, 0.1071, 0.3294]]]], grad_fn=<DivBackward0>)
tensor([[[[0.3348, 0.5571, 1.0015, 0.7793],
          [0.5571, 0.5571, 1.0015, 0.3348],
          [1.0015, 1.0015, 0.1126, 0.5571],
          [0.7793, 0.3348, 0.5571, 0.3348]]]], grad_fn=<DivBackward0>)
--------------- 激活  ---------------
tensor([[[[0.8130, 0.0000, 0.1463, 0.3685, 0.5908, 0.0000, 0.3685],
          [0.0000, 1.0352, 0.0000, 0.3685, 0.0000, 0.1463, 0.0000],
          [0.1463, 0.0000, 1.0352, 0.0000, 0.1463, 0.0000, 0.5908],
          [0.3685, 0.3685, 0.0000, 0.5908, 0.0000, 0.3685, 0.3685],
          [0.5908, 0.0000, 0.1463, 0.0000, 1.0352, 0.0000, 0.1463],
          [0.0000, 0.1463, 0.0000, 0.3685, 0.0000, 1.0352, 0.0000],
          [0.3685, 0.0000, 0.5908, 0.3685, 0.1463, 0.0000, 0.8130]]]],
       grad_fn=<DivBackward0>)
tensor([[[[0.3294, 0.0000, 0.1071, 0.0000, 0.1071, 0.0000, 0.3294],
          [0.0000, 0.5516, 0.0000, 0.3294, 0.0000, 0.5516, 0.0000],
          [0.1071, 0.0000, 0.5516, 0.0000, 0.5516, 0.0000, 0.1071],
          [0.0000, 0.3294, 0.0000, 0.9960, 0.0000, 0.3294, 0.0000],
          [0.1071, 0.0000, 0.5516, 0.0000, 0.5516, 0.0000, 0.1071],
          [0.0000, 0.5516, 0.0000, 0.3294, 0.0000, 0.5516, 0.0000],
          [0.3294, 0.0000, 0.1071, 0.0000, 0.1071, 0.0000, 0.3294]]]],
       grad_fn=<DivBackward0>)
tensor([[[[0.3348, 0.0000, 0.5571, 0.3348, 0.1126, 0.0000, 0.7793],
          [0.0000, 0.1126, 0.0000, 0.3348, 0.0000, 1.0015, 0.0000],
          [0.5571, 0.0000, 0.1126, 0.0000, 1.0015, 0.0000, 0.1126],
          [0.3348, 0.3348, 0.0000, 0.5571, 0.0000, 0.3348, 0.3348],
          [0.1126, 0.0000, 1.0015, 0.0000, 0.1126, 0.0000, 0.5571],
          [0.0000, 1.0015, 0.0000, 0.3348, 0.0000, 0.1126, 0.0000],
          [0.7793, 0.0000, 0.1126, 0.3348, 0.5571, 0.0000, 0.3348]]]],
       grad_fn=<DivBackward0>)

 

 

 

 

 

 

 二、 基于CNN的XO识别

1. 数据集

2. 构建模型

 

import torch
from torchvision import transforms, datasets
import torch.nn as nn
from torch.utils.data import DataLoader
 
# 模型类
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 9, 3)
        self.maxpool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(9, 5, 3)
 
        self.relu = nn.ReLU()
        self.fc1 = nn.Linear(27 * 27 * 5, 1200)
        self.fc2 = nn.Linear(1200, 64)
        self.fc3 = nn.Linear(64, 2)
 
    def forward(self, x):
        x = self.maxpool(self.relu(self.conv1(x)))
        x = self.maxpool(self.relu(self.conv2(x)))
        x = x.view(-1, 27 * 27 * 5)
        x = self.relu(self.fc1(x))
        x = self.relu(self.fc2(x))
        x = self.fc3(x)
        return x
 
model = Net()
print(model)
 
criterion = torch.nn.CrossEntropyLoss()  # 损失函数 交叉熵损失函数
optimizer = torch.optim.SGD(model.parameters(), lr=0.1)  # 优化函数：随机梯度下降
 
transforms = transforms.Compose([
    transforms.ToTensor(),  # 把图片进行归一化，并把数据转换成Tensor类型
    transforms.Grayscale(1)  # 把图片 转为灰度图
])
path = r'training_data_sm'
data_train = datasets.ImageFolder(path, transform=transforms)
data_loader = DataLoader(data_train, batch_size=64, shuffle=True)
 
epochs = 10
for epoch in range(epochs):
    running_loss = 0.0
    for i, data in enumerate(data_loader):
        images, label = data
        out = model(images)
        loss = criterion(out, label)
 
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()
 
        running_loss += loss.item()
        if (i + 1) % 10 == 0:
            print('[%d  %5d]   loss: %.3f' % (epoch + 1, i + 1, running_loss / 100))
            running_loss = 0.0
 
print('finished train')
 
# 保存模型
torch.save(model.state_dict(), 'model_name.pth')  # 保存的是模型， 不止是w和b权重值
构建的神经网络模型：

Net(
  (conv1): Conv2d(1, 9, kernel_size=(3, 3), stride=(1, 1))
  (maxpool): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
  (conv2): Conv2d(9, 5, kernel_size=(3, 3), stride=(1, 1))
  (relu): ReLU()
  (fc1): Linear(in_features=3645, out_features=1200, bias=True)
  (fc2): Linear(in_features=1200, out_features=64, bias=True)
  (fc3): Linear(in_features=64, out_features=2, bias=True)
)
损失函数输出：

[1     10]   loss: 0.069
[1     20]   loss: 0.069
[2     10]   loss: 0.068
[2     20]   loss: 0.067
[3     10]   loss: 0.058
[3     20]   loss: 0.045
[4     10]   loss: 0.020
[4     20]   loss: 0.008
[5     10]   loss: 0.005
[5     20]   loss: 0.004
[6     10]   loss: 0.003
[6     20]   loss: 0.003
[7     10]   loss: 0.002
[7     20]   loss: 0.001
[8     10]   loss: 0.001
[8     20]   loss: 0.001
[9     10]   loss: 0.000
[9     20]   loss: 0.001
[10     10]   loss: 0.000
[10     20]   loss: 0.001
finished train

3. 训练模型

import torch
from torchvision import transforms, datasets
import torch.nn as nn
from torch.utils.data import DataLoader
import matplotlib.pyplot as plt
import torch.optim as optim
 
transforms = transforms.Compose([
    transforms.ToTensor(),  # 把图片进行归一化，并把数据转换成Tensor类型
    transforms.Grayscale(1)  # 把图片 转为灰度图
])
 
path = r'training_data_sm'
path_test = r'testing_data_sm'
 
data_train = datasets.ImageFolder(path, transform=transforms)
data_test = datasets.ImageFolder(path_test, transform=transforms)
 
print("size of train_data:", len(data_train))
print("size of test_data:", len(data_test))
 
data_loader = DataLoader(data_train, batch_size=64, shuffle=True)
data_loader_test = DataLoader(data_test, batch_size=64, shuffle=True)
print(len(data_loader))
print(len(data_loader_test))
 
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 9, 3)  # in_channel , out_channel , kennel_size , stride
        self.maxpool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(9, 5, 3)  # in_channel , out_channel , kennel_size , stride
 
        self.relu = nn.ReLU()
        self.fc1 = nn.Linear(27 * 27 * 5, 1200)  # full connect 1
        self.fc2 = nn.Linear(1200, 64)  # full connect 2
        self.fc3 = nn.Linear(64, 2)  # full connect 3
 
    def forward(self, x):
        x = self.maxpool(self.relu(self.conv1(x)))
        x = self.maxpool(self.relu(self.conv2(x)))
        x = x.view(-1, 27 * 27 * 5)
        x = self.relu(self.fc1(x))
        x = self.relu(self.fc2(x))
        x = self.fc3(x)
        return x
 
# 读取模型
model = Net()
model.load_state_dict(torch.load('model_name.pth', map_location='cpu'))  # 导入网络的参数
 
correct = 0
total = 0
with torch.no_grad():  # 进行评测的时候网络不更新梯度
    for data in data_loader_test:  # 读取测试集
        images, labels = data
        outputs = model(images)
        _, predicted = torch.max(outputs.data, 1)  # 取出 最大值的索引 作为 分类结果
        total += labels.size(0)  # labels 的长度
        correct += (predicted == labels).sum().item()  # 预测正确的数目
print('Accuracy of the network on the  test images: %f %%' % (100. * correct / total))
运行结果：

size of train_data: 1700
size of test_data: 300
27
5
Accuracy of the network on the  test images: 99.000000 %

最终准确率为99%。

4. 测试训练好的模型

import torch
import matplotlib.pyplot as plt
import numpy as np
from PIL import Image
from torchvision import transforms, datasets
import torch.nn as nn
from torch.utils.data import DataLoader
#  定义图像预处理过程(要与网络模型训练过程中的预处理过程一致)
import os
os.environ["KMP_DUPLICATE_LIB_OK"]="TRUE"
 
transforms = transforms.Compose([
    transforms.ToTensor(),  # 把图片进行归一化，并把数据转换成Tensor类型
    transforms.Grayscale(1)  # 把图片转为灰度图
])
path = r'training_data_sm'
data_train = datasets.ImageFolder(path, transform=transforms)
data_loader = DataLoader(data_train, batch_size=64, shuffle=True)
 
for i, data in enumerate(data_loader):
    images, labels = data
    print(images.shape)
    print(labels.shape)
    break
 
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 9, 3)  # in_channel , out_channel , kennel_size , stride
        self.maxpool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(9, 5, 3)  # in_channel , out_channel , kennel_size , stride
 
        self.relu = nn.ReLU()
        self.fc1 = nn.Linear(27 * 27 * 5, 1200)  # full connect 1
        self.fc2 = nn.Linear(1200, 64)  # full connect 2
        self.fc3 = nn.Linear(64, 2)  # full connect 3
 
    def forward(self, x):
        outputs = []
        x = self.conv1(x)
        outputs.append(x)
        x = self.relu(x)
        outputs.append(x)
        x = self.maxpool(x)
        outputs.append(x)
        x = self.conv2(x)
 
        x = self.relu(x)
 
        x = self.maxpool(x)
 
        x = x.view(-1, 27 * 27 * 5)
        x = self.relu(self.fc1(x))
        x = self.relu(self.fc2(x))
        x = self.fc3(x)
        return outputs
# create model
model1 = Net()
 
# load model weights加载预训练权重
model_weight_path = "model_name.pth"
model1.load_state_dict(torch.load(model_weight_path))
 
# 打印出模型的结构
print(model1)
 
x = images[0]
x = x.unsqueeze(1)
# forward正向传播过程
out_put = model1(x)
 
for feature_map in out_put:
    # [N, C, H, W] -> [C, H, W]    维度变换
    im = np.squeeze(feature_map.detach().numpy())
    # [C, H, W] -> [H, W, C]
    im = np.transpose(im, [1, 2, 0])
    print(im.shape)
 
    # show 9 feature maps
    plt.figure()
    for i in range(9):
        ax = plt.subplot(3, 3, i + 1)  # 参数意义：3：图片绘制行数，5：绘制图片列数，i+1：图的索引
        # [H, W, C]
        # 特征矩阵每一个channel对应的是一个二维的特征矩阵，就像灰度图像一样，channel=1
        # plt.imshow(im[:, :, i])
        plt.imshow(im[:, :, i], cmap='gray')
    plt.show()

5. 查看训练好的模型的特征图

import torch
import matplotlib.pyplot as plt
from torchvision import transforms, datasets
import torch.nn as nn
from torch.utils.data import DataLoader
import os
os.environ["KMP_DUPLICATE_LIB_OK"]="TRUE"
 
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号,有中文出现的情况，需要u'内容
#  定义图像预处理过程(要与网络模型训练过程中的预处理过程一致)
transforms = transforms.Compose([
    transforms.ToTensor(),  # 把图片进行归一化，并把数据转换成Tensor类型
    transforms.Grayscale(1)  # 把图片 转为灰度图
])
path = r'training_data_sm'
data_train = datasets.ImageFolder(path, transform=transforms)
data_loader = DataLoader(data_train, batch_size=64, shuffle=True)
for i, data in enumerate(data_loader):
    images, labels = data
    # print(images.shape)
    # print(labels.shape)
    break
 
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 9, 3)  # in_channel , out_channel , kennel_size , stride
        self.maxpool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(9, 5, 3)  # in_channel , out_channel , kennel_size , stride
 
        self.relu = nn.ReLU()
        self.fc1 = nn.Linear(27 * 27 * 5, 1200)  # full connect 1
        self.fc2 = nn.Linear(1200, 64)  # full connect 2
        self.fc3 = nn.Linear(64, 2)  # full connect 3
 
    def forward(self, x):
        outputs = []
        x = self.maxpool(self.relu(self.conv1(x)))
        # outputs.append(x)
        x = self.maxpool(self.relu(self.conv2(x)))
        outputs.append(x)
        x = x.view(-1, 27 * 27 * 5)
        x = self.relu(self.fc1(x))
        x = self.relu(self.fc2(x))
        x = self.fc3(x)
        return outputs
 
# create model
model1 = Net()
 
# load model weights加载预训练权重
model_weight_path = "model_name.pth"
model1.load_state_dict(torch.load(model_weight_path))
 
x = images[0]
x = x.unsqueeze(1)
 
# forward正向传播过程
out_put = model1(x)
 
weights_keys = model1.state_dict().keys()
for key in weights_keys:
    print("key :", key)
    # 卷积核通道排列顺序 [kernel_number, kernel_channel, kernel_height, kernel_width]
    if key == "conv1.weight":
        weight_t = model1.state_dict()[key].numpy()
        print("weight_t.shape", weight_t.shape)
        k = weight_t[:, 0, :, :]  # 获取第一个卷积核的信息参数
        # show 9 kernel ,1 channel
        plt.figure()
 
        for i in range(9):
            ax = plt.subplot(3, 3, i + 1)  # 参数意义：3：图片绘制行数，5：绘制图片列数，i+1：图的索引
            plt.imshow(k[i, :, :], cmap='gray')
            title_name = 'kernel' + str(i) + ',channel1'
            plt.title(title_name)
        plt.show()
 
    if key == "conv2.weight":
        weight_t = model1.state_dict()[key].numpy()
        print("weight_t.shape", weight_t.shape)
        k = weight_t[:, :, :, :]  # 获取第一个卷积核的信息参数
        print(k.shape)
        print(k)
 
        plt.figure()
        for c in range(9):
            channel = k[:, c, :, :]
            for i in range(5):
                ax = plt.subplot(2, 3, i + 1)  # 参数意义：3：图片绘制行数，5：绘制图片列数，i+1：图的索引
                plt.imshow(channel[i, :, :], cmap='gray')
                title_name = 'kernel' + str(i) + ',channel' + str(c)
                plt.title(title_name)
            plt.show()

 

 

 

 

 

 

 

 

 

 

Guo_weiqi
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
【华为OD机试真题 java、python、c++】统计匹配的二元组个数（100%通过+复盘思路）
hjc的博客
01-06 1496
给定两个数组A和B，若数组A的某个元素A[i]与数组B中的某个元素B[j]满足 A[i]==A[j],则寻找到一个值匹配的二元组(j,i).请统计在这两个数组A和B中二元组。
华为OD机试 - 统计匹配的二元组个数（Python） | 机试题+算法思路+考点+代码解析 【2023】
坚果的博客
02-22 549
给定两个数组 A 和 B，若数组 A 的某个元素 A[i] 与数组 B 中的某个元素 B[j] 满足 A[i]==B[j]，则寻找到一个匹配的二元组(i,j) ，请统计再这两个数组 A 和 B 中，一共存在多少个这样的二元组。
华为OD机试 - 统计匹配的二元组个数（C 语言解题）【独家】
梦想橡皮擦，专栏100例写作模式先行者，现象级专栏 《Python 爬虫 100 例》作者、《滚雪球学 Python 专栏》原创者
03-08 5552
本期题目：统计匹配的二元组个数 题目 给定两个数组 A 和 B，若数组 A 的某个元素 A[i] 与数组 B 中的某个元素 B[j] 满足 A[i]==B[j]，则寻找到一个匹配的二元组(i,j) ，请统计再这两个数组 A 和 B 中，一共存在多少个这样的二元组。 输入 第一行输入数组 A 的长度 M ； 第一行输入数组 B 的长度 N ； 第三行输入数组 A 的值； 第四行输入数组 B 的值。 1≤M,N≤100000 A,B 数组中数值的取值均小于 100000
大学编译实验--词法分析器（Java实现）
编程语言小筑
12-18 1112
SIMPLE语言定义 一、字符集定义 1．&lt;字符集&gt; → &lt;字母&gt;│&lt;数字&gt;│&lt;单界符&gt; 2．&lt;字母&gt; → A│B│…│Z│a│b│…│z 3．&lt;数字&gt; → 0│1│2│…│9 4．&lt;单界符&gt; → +│-│*│/│=│&lt;│&gt;│
【华为OD机试真题 python】二元组个数【2022 Q4 | 100分】
无痕de泪的博客
12-11 891
华为OD机试 Python OD笔试 二元组个数：给定两个数组a，b，若a[i] == b[j] 则称 [i, j] 为一个二元组，求在给定的两个数组中，二元组的个数。
NNDL-solutions:迈克尔·尼尔森（Michael Nielsen）的《神经网络与深度学习》一书中的练习和问题的解决方案
05-03
NNDL解决方案 迈克尔·尼尔森（Michael Nielsen）的书《 （以及对Python 3和Theano 1.0.3的代码的改编）中的练习和问题的解决方案（数学和代码）。 在这里找到练习和问题的解决方案： 涉及数学： notebooks 涉及...
NNDL:神经网络和深度学习课程回购
04-12
作业6： 在房屋价格数据集上实现小批量梯度下降。作业7： 它由批量梯度下降优化器的实现组成，该优化器用于对点样本进行采样，这些点取自线y = 2 * x + 3的方程式。作业8： 在压力和重量数据集上实现微型批次梯度...
NNDL:使用python的梯度下降算法
03-25
NNDL:使用python的梯度下降算法
锻炼：锻炼nndl
02-26
5.卷积神经网络卷积神经网络（CNN） 利用卷积神经网络，处理MNIST数据集分类问题。 6.循环神经网络 基于循环神经网络的唐诗生成问题 7.注意力机制 使用序列对模型进行建模。 使用注意序列对模型进行排序。 11.高斯...
NNDL:神经网络与深度学习
03-07
NNDL:神经网络与深度学习
【华为OD机试模拟题】用 C++ 实现 - 统计匹配的二元组个数（2023.Q1）
梦想橡皮擦，专栏100例写作模式先行者，现象级专栏 《Python 爬虫 100 例》作者、《滚雪球学 Python 专栏》原创者
02-26 3084
给定两个数组 A 和 B，若数组 A 的某个元素 A[i] 与数组 B 中的某个元素 B[j] 满足 A[i]==B[j]，则寻找到一个匹配的二元组(i,j) ，请统计再这两个数组 A 和 B 中，一共存在多少个这样的二元组。参加华为od机试，一定要注意不要完全背诵代码，需要理解之后模仿写出，通过率才会高。输入数组中允许出现重复数字，一个数字可以匹配多次。若不存在相等的值，则输出 0 ，所采用的算法复杂度需小于 O(若下标从 0 开始，则匹配的二元组分别为。若下标从 0 开始，统计匹配的二元组个数
【满分】【华为OD机试真题2023 JAVA&JS】统计匹配的二元组个数
qq_34465338的博客
01-09 2458
统计匹配的二元组个数 题目描述：给定两个数组A和B，若数组A的某个元素A[i]与数组B中的某个元素B[j]满足 A[i] == B[j], 则寻找到一个值匹配的二元组(i, j). 请统计在这两个数组A和B中，一共存在多少个这样的二元组。
题目0168-统计匹配的二元组个数
amos_cloud的博客
12-11 1329
给定两个数组 AAA 和 BBB，若数组 AAA 的某个元素 A[i]A[i]A[i] 与数组 BBB 中的某个元素 B[j]B[j]B[j] 满足 A[i]==B[j]A[i]==B[j]A[i]==B[j]，则寻找到一个匹配的二元组 (i,j)(i,j)(i,j) ，请统计再这两个数组 AAA 和 BBB 中，一共存在多少个这样的二元组。第一行输入数组 AAA 的长度 MMM ； 第一行输入数组 BBB 的长度 NNN ； 第三行输入数组 AAA 的值； 第四行输入数组 BBB 的值。 1≤M,N≤10
华为OD机试真题Java_2022-2023-题目0194-静态扫描最优成本
amos_cloud的博客
01-14 1233
NNM给出源代码文件标识序列和文件大小序列，求解采用合理的缓存策略，最少需要的金币数。
【100%通过率】华为OD机试真题 Python 实现【二元组个数】【2022.11 Q4新题】
MISAYAONE的博客
12-07 8516
给定两个数组a，b，若a[i] == b[j] 则称 [i, j] 为一个二元组，求在给定的两个数组中，二元组的个数。
【100%通过率】华为OD机试真题 C++ 实现【二元组个数】【2022.11 Q4新题】
MISAYAONE的博客
12-05 8336
给定两个数组a，b，若a[i] == b[j] 则称 [i, j] 为一个二元组，求在给定的两个数组中，二元组的个数。
华为OD机试 - 二元组个数（Java & JS & Python）
伏城之外的博客
12-08 3525
2022.Q4 已支持Java、JavaScript、Python，逻辑分析
【Codeforces - 769D】k-Interesting Pairs Of Integers（暴力，统计，思维，数学，异或）
xuanweiace的博客
10-31 453
题干： Vasya has the sequence consisting ofnintegers. Vasya consider the pair of integersxandyk-interesting, if their binary representation differs from each other exactly inkbits. For example, ...
2、编程练习：基于循环神经网络的唐诗生成问题 https://github.com/nndl/exercise/
最新发布
05-04
非常好的编程练习项目！这个项目是基于 Tensorflow 实现的，目标是使用循环神经网络生成唐诗。 在这个项目中，你将学习如何使用 Tensorflow 实现循环神经网络，并且了解到如何在自然语言处理任务中使用它们。你将使用唐诗数据集进行模型训练，并且生成新的唐诗。 该项目分为三个部分： 1. 数据预处理：将唐诗数据集转换为 Tensorflow 的输入格式。 2. 模型构建：构建一个基于 LSTM 的循环神经网络，并且使用该网络进行唐诗生成。 3. 模型评估：评估模型生成的唐诗质量，并且尝试改进模型，提高唐诗生成的质量。 该项目对于想要学习循环神经网络并且对自然语言处理感兴趣的人来说是一个非常好的练习项目。它将帮助你深入了解循环神经网络和自然语言处理，并且提高你的编程能力。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值