Mrjdk的博客

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。

原创 基于激光雷达点云的 3D 目标检测技术综述

《基于激光雷达点云的 3D 目标检测技术综述》的阅读笔记

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

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。...

原创 西瓜书2.0决策树递推过程

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

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

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])

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']

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,

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 +

原创 神经网络的反向传播算法

对于全连神经网络的隐藏层和输出层的权值的推算：

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

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):.

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 =

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 =

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

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...