- 博客(18)
- 收藏
- 关注
原创 论文阅读《Hierarchical Aggregation for 3D Instance Segmentation》
Hierarchical Aggregation for 3D Instance Segmentation是一个用于实例分割的方法,他主要利用了点以及点集之间的空间关系,以此进行实例分割。
2023-12-07 15:34:27 1040
原创 随机梯度下降法
随机梯度下降法:import numpy as npimport randomdef gen_line_data(sample_num=100): x1 = np.linspace(0, 9, sample_num) x2 = np.linspace(1, 10, sample_num) x3 = np.linspace(2, 11, sample_num) x = np.concatenate(([x1], [x2], [x3]), axis=0).T
2021-11-12 09:28:33 846
原创 线性判别分析(LDA)
样本的协方差:协方差矩阵是一个对角矩阵,对角线上的元素是各维度上随机变量的方差。 我们定义协方差为Σ, 协方差矩阵为:Σ=E[(X−E(X))(X−E(X))T]对于二维的LDA要实现1)两类数据的中心点的投影之间的距离最大2)两类数据投影距离中心点的距离尽可能小,即协方差尽量小对于1):用μ0,μ1分别表示两个中心点。对于2):用Σ0,Σ1表示两类数据投影的协方差。...
2021-11-02 21:01:35 162
原创 演员评论家算法
import gym, osfrom itertools import countimport paddleimport paddle.nn as nnimport paddle.optimizer as optimimport paddle.nn.functional as Ffrom paddle.distribution import Categoricaldevice = paddle.get_device()env = gym.make("CartPole-v0") ### 或
2021-10-21 17:06:15 121
原创 paddlepaddle的手写体识别
import paddleimport matplotlib.pyplot as pltimport numpy as npfrom PIL import Imageimport paddle.nn.functional as Fclass MNIST(paddle.nn.Layer): def __init__(self): super(MNIST, self).__init__() self.fc = paddle.nn.Linear(in_fea
2021-10-19 20:17:02 252
原创 主成分分析
import numpy as npx = np.array([2.5, 0.5, 2.2, 1.9, 3.1, 2.3, 2, 1, 1.5, 1.1])y = np.array([2.4, 0.7, 2.9, 2.2, 3.0, 2.7, 1.6, 1.1, 1.6, 0.9])#x,y 平均值ax = np.average(x)ay = np.average(y)#x,y 调整后的值xc = x-axyc = y-ay#调整后的矩阵D = np.array([xc, yc])
2021-10-07 22:07:59 59
原创 隐马尔可夫
#第一天的概率P = {'s': 0.4, 'r': 0.6, }#前一天的天气条件下,今天的各种天气的概率CP = {'ss': 0.6, 'rr': 0.7, 'sr': 0.4, 'rs': 0.3} #不同天气下,各种行为的概率MP = {'rw': 0.1, 'rs': 0.4, 'rc': 0.5, 'sw': 0.6, 'ss': 0.3,'sc': 0.1}#第一天p11 = 1 * P['s'] * MP['sw']p12 = 1 * P['r']
2021-09-30 20:19:59 51
原创 贝叶斯公式在全连接神经网络权重的应用
import numpy as npimport math#三行为三组数据 x = np.array([[1, 4, 3, 3, 2, 2, 3], [85, 76, 89, 64, 55, 98, 73], [2, 2, 3, 3, 1, 2, 3]]) #x2 = np.array([100, 76, 89, 64,
2021-09-26 15:23:35 201
原创 改进欧拉算法
改进欧拉算法,使用两个点的斜率对下一个点进行预测:求出两个点的斜率使用二分之一 的斜率和乘以步长加上之前的y值进行预测import numpy as npimport matplotlib.pyplot as pltt = 0.1x = 0y = 1y1 = np.zeros(100)x1 = np.ones(100)a = np.zeros(100)for i in range(99): y = 1.1 * y - 0.2 * x / y # 对y进行迭代。 x +
2021-09-24 09:24:26 416
原创 朴素贝叶斯公式
在夏季,某公园男性穿凉鞋的概率为 1/2 ,女性穿凉鞋的概率为 2/3 ,并且该公园中男女比例通常为 2:1 ,问题:若你在公园中随机遇到一个穿凉鞋的人,请问他的性别为男性或女性的概率分别为多少?在这里,我们设事件Y(y=men)为性别为男,Y(y=women)为,性别为女;X(x=1)为穿凉鞋,X(x=0)为不穿凉鞋;由题易知X和Y为独立事件,互不干扰。首先我们先来求 P(X(x=1)) 和 P(X(x=0)) :由全概率公式:可知,穿拖鞋的概率为 人 是 男性且穿拖鞋 的概率加上 人
2021-09-15 21:44:46 471
原创 Euler公式求解微分方程
对于该问题,我们的思路是:根据已有的第一个坐标点(x0,y0)通过计算斜率和步长h得出 delta Y用 delta Y 加上Y得到第二个点的纵坐标 Y1即:y(n+1) = y(n) + delta(Y)… …以此类推得到一百个点的坐标以下是程序import numpy as npimport matplotlib.pyplot as pltx = 0y = 1y1 = np.zeros(100)x1 = np.ones(100)for i in range(100):.
2021-09-14 21:02:43 996 1
原创 基于神经网络的 “与” 运算器
神经网络学习算法本次神经网络学习算法旨在完成对加法器的模拟:真值表:通过学习训练使得神经网络能够对给出的输入做出正确的输出。训练函数:这里,σ作为启动函数由于此处只有两个自变量,因此训练函数即为和监督学习算法类似,只是在求和符号外多了一启动函数σimport numpy as npimport mathx1 = np.array([0, 0, 1, 1])x2 = np.array([0, 1, 0, 1])t = np.array([0, 0, 0, 1])th0 =
2021-09-08 20:21:39 184
原创 监督学习算法
监督学习算法通过讲解学习了监督学习算法,并将其应用到一个实例中。算法内容该算法实现了对数据的拟合于后续的发展可能的预测。对于该问题:我们使用函数:进行学习拟合。这里theta为需要学习拟合出的系数。L为误差分析函数,我们以L小于1*e-4为满足条件。下降梯度:import randomimport numpy as npimport matplotlib.pyplot as pltx1 = np.array([2104,1600,2400,1416,3000])x2 =
2021-09-03 14:54:05 174
原创 Numpy应用
import numpy as npdata = np.array([1, 2, 3])print(data.max())print(data.min())print(data.sum())316import numpy as npprint(np.ones(3))print(np.zeros(3))print(np.random.random(3))[1. 1. 1.][0. 0. 0.][0.27003621 0.87720018 0.90411969]import
2021-09-01 20:05:17 63
转载 PYTHON
python多行语句python通常一行写完一条语句,如果太长的话,一般使用 " \ " 来换行。例如:sum = data1+\ data2+\ data3但是在有括号时则不需要使用 " \ " 。例如:sum = ['data1', 'data2', 'data3']数字类型python有四种数字类型:整数型,浮点数,布尔数和复数。int(整数形) 普通定义的整数bool(布尔数)true...
2021-05-04 10:40:06 146
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人