a1111111111ss的博客

原创 python机器学习随笔知识点（琐碎的知识点）

numpy.linspace使用详解在指定的间隔内返回均匀间隔的数字。**np.random.seed()**的作用当我们设置相同的seed时，每次生成的随机数也相同（相当于给这一组的随机数弄个名字）如果不设置seed，则每次生成的随机数都会不一样，设置的seed()值仅一次有效np.random.shuffle(x)：用处在原数组上进行，随机打乱顺序，无返回值。np.random.permutation(x)：用处创建一个新数组本身都是打乱顺序的数组**np.random.normal()

原创 机器学习的卷积神经网络（CNN）

本文首发https://blog.csdn.net/qq_25762497/article/details/51052861#%E5%85%A8%E8%BF%9E%E6%8E%A5%E5%B1%82fully-connected-layer**卷积神经网络（CNN）卷积神经网络跟普通的神经网络相似，他们都具有可学习的权重和偏执常量的神经元组成卷积神经网络是具有三维体积的神经元（是比较抽象...

原创 模型训练总结

segnetmoblie结构unet网络结构。

原创 语义分割代码train解析

1、通过抽象 Keras 后端 API 来编写它们。2、callback回调函数。

原创 Vscode+anaconda

2、用anaconda在cmd编写。6、VScode设置中文。

原创 神经网络配置环境

我选择了Add Anaconda to my PATH environment variable，这样会自动将anaconda装到系统的环境变量中。链接: https://pan.baidu.com/s/12tW0Oad_Tqn7jNs8RNkvFA 提取码: i83n。前面一条指令用于创建一个名为tensorflow的环境，后面一条指令用于激活一个名为tensorflow的环境。4、cmd中创建tensorflow环境的创建与激活。3、安装Cudnn和CUDA的下载。该环境的python版本为3.6。

原创 pycharm使用

镜像地址不要添加太多，但凡有一个不能用，就会报错。

转载 语义分割笔记

其利用Encoder中提取了多次特征的f4进行处理，利用Decoder进行多次上采样Upsampling2D。最后得到一个具有一定hw的filter数量为n_classes的图层。编码层，有四层，很多卷积层。用卷积层设计解码译码。解码层，用很多上采样。

原创 python2231356狱血魔神75级2231356

原创 Python

CBOW多预测少Skip-Gram少预测多NCE技术，在计算loss和反向传播的时候只考虑部分的负样本， 节约计算量在CBOW，我们的X数据每行有前后N个词语，Y中只有1个词； 而在Skip-Gram，X数据只有1个词，Y也只有1个词。skip-gram里面，每个词在作为中心词的时候，实际上是 1个学生 VS K个老师，K个老师（周围词）都会对学生（中心词）进行“专业”的训练cbow是 1个老师 VS K个学生，K个学生（周围词）都会从老师（中心词）那里学习知识，但是老师（中心词）是一视同仁的，

原创 Python

itertools模块创建迭代器迭代器（Iterator）是常用来做惰性序列的对象，只有当迭代到某个值的时候，才会进行计算得出这个值sklearn-TfidfVectorizer–tf-idf特征提取1、TfidfVectorizer对所使用模型有限制sklearn提供的是传统的词袋模型TfidfVectorizer并不适用朴素贝叶斯算法朴素贝叶斯知识 用矩阵的形式进行计算文本需要空间向量进行计算VSM空间模型 适合线性模型2、训练集与测试集会影响tfidf值的计算不同文本中相同词项的t

原创 自然语言处理

*Itertools.chain(iterables)除去内置列表元组字典set() 函数创建一个无序不重复元素集vocab = set(itertools.chain(*docs_words))祛内置东西–祛重复元素docs_words = [d.replace(",", “”).split(" ") for d in docs]遍历数组docs–代替–分割lambda 虚拟函数enumerate().将一个可遍历的数据对象（列表，元组）组合为一个索引序列...

原创 笔记杂类的

VMware密钥UG5J2-0ME12-M89WY-NPWXX-WQH88ubantu链接：https://pan.baidu.com/s/1YXtdV0W1uyiRz7M8rW2HKA提取码：n3un–来自百度网盘超级会员V4的分享VMware链接：https://pan.baidu.com/s/1SOercRFS45ZE1AuNjKnV5Q提取码：kolb–来自百度网盘超级会员V4的分享Ubantu教程https://blog.csdn.net/xijieyuan2qi/artic

原创 Python的CNN笔记

降维方法有PCA（主成分分析）和LDA（线性判别分析，Fisher Linear Discriminant Analysis1：Tensorflow中examples.tutorials.mnist中 input_data数据类在tensorflow最初时一直用的就是最经典的mnist手写字符识别中的数据集了，而且在tensorflow中直接封装好的是mnist手写字符的数据集类，方便直接用input_data.*中的方法调用其读取数据，读取数据标签2：mnist = input_data.read_

原创 RNN循环卷积神经网络

RNN

转载 卷积神经网络

CNN卷积神经网络

原创 Pr软件问题

Pr

原创 Python的坑

重拾P走的ython的坑

原创 本人树莓派安装遇到的问题

conky.config = { alignment = 'top_right', background = false, border_width = 0.5, cpu_avg_samples = 4, default_color = 'white', default_outline_color = 'grey', default_shade_color = 'black', draw_borders = true, draw_gr

原创 python进程和线程

进程和线程进程就是一个软件线程就是软件的一个分支每个进程至少有一个线程(主线程)进程和线程对比的三个方向一、 关系对比二、 区别对比三、优缺点对比关系对比：（1） 线程是依附在进程中的，没有进程就没有线程（2） 一个进程默认有一个线程，进程也可以创建多个线程（3） 都是实现多任务的一种方式区别对比：（1） 进程之间不共享全局变量（2） 线程之间共享全局变量，但是要注意资源竞争问题，解决方法：互斥锁和线程等待（3） 创建进程的资源开销要比创建线程的资源开销要大（4） 进程是操作

原创 python的numpy的随机函数random中的常用函数讲解

1、 numpy.random.rand()numpy.random.rand(d0,d1,…,dn)他生成的是0-1中间的数然而他括号中的是它的维度返回值为指定维度的array2、numpy.random.randn()numpy.random.randn(d0,d1,…,dn)生成正态分布的数据括号中还是维度返回值为指定维度的array3、 numpy.random.randint()numpy.random.randint(low, high=None, size=None,

原创 python的numpy pandas库

numpyprint(array.ndim)维度print(array.shape)行数列数print(‘size:’,array.size) # 元素个数a = np.array([1,2,3])创建arraya = np.array([2,23,4],dtype=np.int32)指定数据类型a = np.zeros((3,4))全零a = np.ones((3,4), dtype=np.int)全一a = np.empty((3,4))全空（每个值基本都是接近0）a = np.a

原创 Python GUI之tkinter窗口视窗教程大集合

参考大佬的https://www.cnblogs.com/shwee/p/9427975.html#D12Button用于生成一个按钮点击过后可以进行其他的操作Canvas组织图形用于在界面插入图像checkButton定义选项用于切换两个选项的选择Entry定义文本输入用于进行输入信息Frame定义窗口部件更加有序Lable定义文本或者图像设置一些Listbox定义一个可供选择的菜单栏Menu设置菜单file一级菜单import二级菜单

原创 前端CSS知识简洁总结（内有思维导图）

参考大佬的https://blog.csdn.net/qiushi_1990/article/details/40260447?utm_medium=distribute.pc_relevant.none-task-blog-OPENSEARCH-4.nonecase&depth_1-utm_source=distribute.pc_relevant.none-task-blog-OPENSEARCH-4.nonecase认识css样式CSS全称为“层叠样式表 (Cascading Style

原创 前端HTML知识点简洁的总结

附上我觉得特别帮的文章参考大佬https://blog.csdn.net/qiushi_1990/article/details/40260447?utm_medium=distribute.pc_relevant.none-task-blog-OPENSEARCH-4.nonecase&depth_1-utm_source=distribute.pc_relevant.none-task-blog-OPENSEARCH-4.nonecasehtml页面的标准格式<!DOCTYPE .

原创 python连接MySQL的PyMySQL库增删查改

参考大佬https://blog.csdn.net/yoggieCDA/article/details/99971149?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-2.nonecase&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-2.nonecas

原创 python练手小项目2048

如果你想体验一下http://gabrielecirulli.github.io/2048源代码https://pan.baidu.com/s/1_LoS5QsQwjG3NQz_8pAGHg提取码2sgz借鉴一下大佬的https://blog.csdn.net/weixin_42668123/article/details/823815682048游戏规则：简单的移动方向键让数字叠加，并且获得这些数字每次叠加后的得分，当出现2048这个数字时游戏胜利。同时每次移动方向键时，都会在这个4*4的

原创 python练手小项目图片转字符画

本人遇到的BUG如果运行完报错usage: First.py [-h] [-o OUTPUT] [–width WIDTH] [–height HEIGHT] file First.py: error: the following arguments are required: file 用eclipse环境写一直出现如上错误。那么你需要修改格式具体如下parser.add_argument('--file', default='test.jpg') # 输入文件百度网盘https://p

原创 MySQL基本操作总结

MySQL 创建数据库CREATE DATABASE 数据库名;MySQL 删除数据库drop database <数据库名>;MySQL 选择数据库use RUNOOB;MySQL 创建数据表CREATE TABLE table_name (column_name column_type);eg:mysql> CREATE TABLE runoob_tbl(-> runoob_id INT NOT NULL AUTO_INCREMENT,-> runoo

转载 图像特征提取Haar特征的介绍

参考大佬的https://blog.csdn.net/q123456789098/article/details/52748918（三）Haar特征1、Haar-like特征Haar-like特征最早是由Papageorgiou等应用于人脸表示，Viola和Jones在此基础上，使用3种类型4种形式的特征。Haar特征分为三类：边缘特征、线性特征、中心特征和对角线特征，组合成特征模板。特征模板内有白色和黑色两种矩形，并定义该模板的特征值为白色矩形像素和减去黑色矩形像素和。Haar特征值反映了图像的

转载 图片特征提取LBP特征的介绍

参考大佬的https://blog.csdn.net/q123456789098/article/details/52748918LBP特征LBP（Local Binary Pattern，局部二值模式）是一种用来描述图像局部纹理特征的算子；它具有旋转不变性和灰度不变性等显著的优点。它是首先由T. Ojala, M.Pietikäinen, 和D. Harwood 在1994年提出，用于纹理特征提取。而且，提取的特征是图像的局部的纹理特征；1、LBP特征的描述原始的LBP算子定义为在33的窗口内，

原创 python+opencv计算机视觉去噪处理的均值滤波，高斯滤波，中值滤波，双边滤波，方框滤波介绍

参考大佬的xzbwm576https://blog.csdn.net/u011304078/article/details/100171317详解均值滤波，高斯滤波，中值滤波，双边滤波，方框滤波滤波器种类线性滤波： 方框滤波、均值滤波、高斯滤波非线性滤波： 中值滤波、双边滤波图像图像滤波要求：不能损害图像的轮廓和边缘，图像清晰视觉效果更好一、图像平滑图像平滑的目的之一是消除噪声，二是模糊图像。（1）方框滤波它是滤波器中最简单的，是通过滤波器核K内每个像素值的平均值得到的，滤波核如

原创 python+opencv计算机视觉去噪处理的均值滤波，高斯滤波，中值滤波，双边滤波简答精华总结

借鉴大佬的roclinghttps://blog.csdn.net/weixin_41424481/article/details/96738308?utm_medium=distribute.pc_relevant.none-task-blog-baidujs-9（这个博主写的真的简洁明了）想要详细了解的参考（这个图是真的太棒了）结果import numpy as npimport cv2import matplotlib.pyplot as plt######## 四个

原创 HOG特征、LBP特征、Haar-like特征用到的知识点清单

知识点清单（个人觉得需要的就总结一下）方向梯度直方图特征（Histogram of Oriented Gradient, HOG）：是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子通过计算和统计图像局部区域的梯度方向直方图来构成特征更直观的看出差别支持向量机（support vector machines, SVM）：是一种二分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器SVM的的学习算法就是求解凸二次规划的最优化算法。细胞单元（cell）：整个图像分成单个小个的连

转载 图像特征提取HOG特征介绍

参考大佬的名字：q123456789098https://blog.csdn.net/q123456789098/article/details/52748918（一）HOG特征1、HOG特征方向梯度直方图特征是在计算机视觉和图像处理中用来进行物体检测的特征描述梯度直方图特征通过计算和统计图像局部区域的梯度方向直方图来构成特征Hog特征结合SVM分类器广泛应用于图像识别中，尤其在行人检测中获得了极大的成功。需要提醒的是，HOG+SVM进行行人检测的方法是法国研究人员Dalal在2005的CV

原创 预处理图像的灰度化原理

借鉴大佬的名字：EmbededCoderhttps://blog.csdn.net/u012308586/article/details/92795677RGB概念在图像处理中，用RGB三个分量（R：Red，G：Green，B：Blue），即红、绿、蓝三原色来表示真彩色，R分量，G分量，B分量的取值范围均为0~255，比如电脑屏幕上的一个红色的像素点的三个分量的值分别为：255，0，0。像素点像素点是最小的图像单元，一张图片由好多的像素点构成图像的灰度化处理的基本原理将彩色图像转化成为灰度图

原创 HOG特征中的Gamma校正原理

名字：零钱币借鉴大佬的https://blog.csdn.net/linqianbi/article/details/78617615gamma校正原理：　　假设图像中有一个像素，值是 200 ，那么对这个像素进行校正必须执行如下步骤：　　1. 归一化 ：将像素值转换为 0 ～ 1 之间的实数。 算法如下 : ( i + 0. 5)/256 这里包含 1 个除法和 1 个加法操作。对于像素 A 而言 , 其对应的归一化值为 0. 783203 。2. 预补偿 ：根据公式 , 求

原创 概率论离散型和连续型的二维变量（猴博士版五）

这都是看图都能答公式判断公式分别带入公式再来一题题中问的公式中推出看来x0,y0=1/2直接求往函数中一代就好了不能直接调用公式拆成这个是不行的F把公式往里头带f的公式...

原创 概率论五种分布（猴博士版四）

五种分布这种他太简单了就不详述在这里插入图片描述题目公式这个X是 参数x就是题目中问的x=2再来一题公式中x =题中的问的公式把上面两个值带入公式这些参数正态分布太简单了就不详述...

原创 概率论随机变量的函数（猴博士版三）

借鉴猴博士因为确实太简单了没必要展开讲我就直接把截屏过来了