- 博客(1127)
- 资源 (2)
- 收藏
- 关注
原创 (6-7)绘制热力图:使用热力图可视化展示某城市的房价信息
在数据库db.sqlite3中保存了某城市的某个时间点的房价信息,有关数据库表的具体设计请参考Django文件models.py,文件models.py的具体实现代码如下所示。编写Django项目的模板文件hot.html,使用百度地图的API展示此城市的房价热力图信息,文件hot.html的具体实现代码如下所示。在浏览器中输入http://127.0.0.1:8000/后会在网页中显示对应的可视化热力图效果,执行效果如图6-17所示。图6-17 执行效果。
2024-09-21 16:47:32 153
原创 (6-2-03)模型训练:文生图大模型的训练策略(3)正则化技术+动态学习率调整+混合精度训练
在每个训练步骤中,L2正则化损失会对模型的权重进行惩罚,使其保持较小的值,从而限制模型的复杂度。请看下面的例子,演示了在模型训练中使用学习率调度器(learning rate scheduler)动态调整学习率的过程。例如下面的实例演示了实现一个文生图模型训练过程,包括数据集的构建、模型的定义、损失函数的设定以及训练过程。这样做的目的是在优化过程中不仅考虑了训练数据的拟合情况(由交叉熵损失表示),还考虑了模型参数的大小,从而更好地平衡了模型的复杂度和拟合能力,提高了模型的泛化能力。
2024-09-21 16:43:22 204
原创 (6-6)绘制热力图:绘制词云图
编写实例文件BiliBili.py,功能抓取B站排行榜的信息,然后提取排行榜前50名视频的所有标签信息,最后将提取的标签文本添加到词云图中。“词云”就是通过形成“关键词云层”或“关键词渲染”,对网络文本中出现频率较高的“关键词”的视觉上的突出。编写实例文件zhihu.py,功能抓取知乎热榜的信息,然后提取排行榜前50名信息的所有标签信息,最后将提取的标签文本添加到词云图中。文件zhihu.py的具体实现代码如下所示。执行后会创建一幅名为“zhihu.png”的词云图,效果如图6-16所示。
2024-09-20 15:20:08 180 1
原创 (20-2-02)基于强化学习的贪吃蛇游戏:应用强化学习(2)训练模型+Agent智能体+测试模型
下面的定义了一个基于深度强化学习的智能体(Agent)类,用于训练和控制一条贪吃蛇(Snake)游戏中的蛇。该智能体使用 Q-learning 算法,通过与环境的交互不断学习,以最大化奖励并优化游戏策略。LR = 0.001# 控制随机性# 折扣率# 最近的动作,如果达到限制,我们将删除最旧的动作# 模型需要有11个输入,因为我们的世界状态网格有11个元素,输出是3个,因为我们有3个方向# 这为我们提供了世界的状态state = [# 前方有危险# 右方有危险# 左方有危险# 移动方向。
2024-09-20 15:17:36 213
原创 (6-5)绘制热力图:行人重识别并绘制行走热力图
行人重识别(Person re-identification)也称行人再识别,是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术。在本项目实例中,将识别一幅有行人的照片,通过行人重识别后绘制对应的行走热力图。编写程序文件re-identification.py,功能是使用训练模型识别我们预先准备的素材图片“test.jpg”,实现行人重识别后绘制热点图文件CAM.jpg。执行后会识别素材图片文件“test.jpg”,并将绘制的行人热点图保存在文件CAM.jpg中,执行效果如图6-14所示。
2024-09-20 14:34:04 280
原创 (11-2)基于多普勒频移和WLS的卫星速度估计:位置估计和速度估计
卫星的速度在地球固定坐标系 (ECEF) 中表示,但由于地球的自转,这会给卫星带来不符合物理的速度偏差,不适用于多普勒频移的计算。
2024-09-20 11:06:47 178
原创 (6-4)绘制热力图:使用热点图可视化展示电视剧的收视率
接下来使用程序文件film.py将抓取的电视剧信息保存到CSV文件“out.csv”中,然后读取CSV文件中的收视率数据,并将读取的收视率数据作为参数绘制热点图,将绘制的热点图保存为PNG格式的图片文件。执行后会根据输入搜索的关键字打印输出抓取的电视剧信息,并将绘制的热点图保存为一幅“.png”格式的图片文件。编写程序文件film.py抓取互联网电影资料库中的电视剧信息,首先提示用户输入潮汛电视剧的关键字,然后根据关键字在网站中搜索相关的电视剧,并爬取这个电视剧每一季中每一集的收视率。
2024-09-19 14:21:46 323 1
原创 (6-2-02)模型训练:文生图大模型的训练策略(2)对比学习+数据增强+迁移学习
例如,在“图像-文本”匹配任务中,可以使用对比学习方法让模型区分匹配和不匹配的“图像-文本”对。请看下面的例子,演示了使用对比学习方法训练模型来学习“图像-文本”之间的相似性和差异性的过程。请看下面的代码,演示了使用PyTorch的 torchvision 库进行图像数据增强的过程。在上述代码中,首先加载指定的图像并定义了一系列图像数据增强的变换,包括随机水平翻转、垂直翻转、随机旋转、随机颜色变换和随机裁剪缩放等。请看下面的实例,演示了利用迁移学习在文生图模型训练中使用预训练的自然图像分类模型的过程。
2024-09-19 12:06:42 327
原创 (111-1)基于多普勒频移和WLS的卫星速度估计:项目+介绍准备工作
随着卫星系统在全球通信、气象监测、军事和科学研究等领域的广泛应用,对精确速度估计的需求愈加迫切。在现代卫星导航和跟踪系统中,准确估计卫星的速度是确保导航精度和系统可靠性的关键。传统的速度估计方法在精度和实时性方面常常面临挑战,因此,需要采用更先进的技术来提升性能。本项目围绕基于多普勒频移和加权最小二乘法(WLS)的卫星速度估计展开。多普勒频移技术利用卫星信号的频率变化来推算其运动速度,而加权最小二乘法则通过最优化算法处理和融合不同来源的数据,从而提高估计的准确性。
2024-09-19 12:06:05 169
原创 (6-2-01)模型训练:文生图大模型的训练策略(1)
在这个例子中,使用预训练的ResNet模型提取图像特征,并使用预训练的BERT模型提取文本特征,然后将这些特征用于两个不同的任务:图像分类和文本分类。该模型结合了图像和文本信息,使用预训练的ResNet模型提取图像特征,使用预训练的BERT模型提取文本特征,并将两者融合后进行分类任务。(4)最后,创建模型的实例,并随机生成了图像特征和文本特征作为输入,将其输入模型进行前向传播,得到模型的输出结果。在训练文生图大模型的过程中,采用适当的训练策略至关重要,这些策略有助于提高模型的性能、稳定性和泛化能力。
2024-09-18 17:06:08 460 3
原创 (6-1)模型训练:模型训练的过程
文生图模型训练是指通过深度学习技术,将文本描述转化为图像的过程。模型首先对输入的文本进行自然语言处理,提取出关键特征和语义信息,然后通过生成对抗网络(GAN)或扩散模型等技术,生成与文本描述相匹配的图像。训练过程中,模型需要大量的图文配对数据,并通过不断调整和优化参数,提高生成图像的质量和准确性。最终,训练好的文生图模型能够根据不同的文本输入,生成多样化、高质量的图像。在本章的内容中,将详细讲解训练文生图模型的知识和用法。
2024-09-18 17:03:15 93
原创 (29-2)通过回测、ARIMA 和 GRU 预测股票价格:EDA
(3)下面这段代码绘制了一个包含多个子图的图表,展示了数据框 data_hist 中的开盘价(Open)、最高价(High)、最低价(Low)和收盘价(Close)。执行后的效果如图29-6所示,在图中包括了开盘价、最高价、最低价和收盘价,并且添加了一条表示收盘价平均值的虚线,并且去除了图表的上边框和右边框。最后,显示了绘制的图表。(6)设置绘图的开始日期和结束日期,通过start 变量指定了绘图的开始日期为 2020-12-31,使用end 变量设置为当前日期(today),表示绘图的结束日期是今天。
2024-09-18 15:29:27 210
原创 (10-4-02)基于卡尔曼滤波器的实时跟踪系统:目标检测和跟踪(2)多目标跟踪+ 视频目标跟踪+目标跟踪可视化
类Tracker负责管理多个目标的跟踪过程,通过以下几个主要步骤来进行目标跟踪:预测每个目标的状态分布,更新目标的状态,进行目标与检测的匹配,管理和维护活动的跟踪目标,并根据检测结果初始化新的跟踪目标。(1)下面的代码实现了一个视频中目标跟踪的功能,首先加载视频文件,对每一帧图像进行目标检测和跟踪,使用 YOLOv3 模型进行目标检测,并通过深度学习特征编码器对目标进行特征提取。随后,卡尔曼滤波器用于预测目标的运动轨迹,并通过多目标跟踪算法管理目标的状态和匹配,实现对多个目标的持续跟踪和数据更新。
2024-09-18 11:04:24 415
原创 (6-3)绘制热力图:将Excel文件中的地址信息可视化为交通热力图
在Excel文件address.xlsx中保存了文字格式的地址信息,编写Python文件index_address.py将文件address.xlsx中的地址保存到JS文件address.js中。申请高德地图API的key,编写文件index_address.html,在高德地图中可视化展示文件address.xlsx中各个地址的热力信息。文件index_address.html的具体实现代码如下所示。编写文件amap.js将JS文件address.js中的地址转换为坐标格式,具体实现代码如下所示。
2024-09-18 10:57:27 205
原创 (5-4-13)基于Stable Diffusion的文生图系统(13)图像分辨率增强
文件superresolution.py功能是实现图像超分辨率处理的 Streamlit 应用。该应用允许用户上传低分辨率图像,输入提示文本以描述希望增强的内容,并通过 Stable Diffusion 模型生成高分辨率的图像。用户可以调整生成过程中的参数,如随机种子、样本数量、尺度、DDIM 步数和噪声水平等。程序通过将模型加载、图像处理和最终结果展示整合在一起,提供了一个简洁的界面来实现图像质量的提升。
2024-09-17 16:44:24 360
原创 (6-2)绘制热力图
热力图是指以特殊高亮的形式显示访客热衷的页面区域和访客所在的地理区域的图示。在本节的内容中,将详细讲解在Python程序中使用各种库绘制热力图的知识。请看下面的实例文件re02.py,功能是使用库Matplotlib绘制一个热力图。在Python程序中,通常使用库Seaborn中的内置函数heatmap()绘制热力图,此函数的语法原型如下所示。请看下面的实例文件re03.py,功能也是使用库Matplotlib绘制一个热力图。(6)square:设置热力图矩阵小块形状,默认值是False。
2024-09-17 16:38:35 1050
原创 (6-1)绘制其他图形:绘制雷达图
在本书前面的内容中,已经讲解了使用Python绘制折线图、散点图、柱状图和饼状图的知识。其实在数据分析可视化应用中,还可以使用其他类型的图形展示数据分析结果。在本章的内容中,将详细讲解使用Python绘制其他类型的可视化统计图的知识,为读者步入本书后面知识的学习打下基础。
2024-09-16 18:12:27 1160 1
原创 (10-4-01)基于卡尔曼滤波器的实时跟踪系统:目标检测和跟踪(1)
最近邻距离度量是一种用于目标跟踪和识别的算法,它通过计算特征向量之间的距离来确定两个样本的相似性。通过增量更新目标的特征库,最近邻距离度量能够动态适应目标的变化,确保在复杂环境中准确跟踪和匹配目标身份。下面的代码实现了非极大值抑制(Non-Maximum Suppression, NMS)算法,用于在目标检测任务中抑制重叠度超过设定阈值的边界框,保留检测置信度较高的框,以减少冗余的检测结果。下面的代码实现了一个最近邻距离度量功能,用于在目标跟踪场景中根据目标的特征计算与已有样本的最小距离。
2024-09-16 09:28:50 476
原创 (10-3)基于卡尔曼滤波器的实时跟踪系统:卡尔曼滤波器
(1)函数min_cost_matching的功能是通过线性分配算法解决跟踪和检测之间的匹配问题,此函数用于计算给定轨迹和检测之间的成本矩阵,并根据设定的阈值过滤掉高于最大距离的匹配。(3)函数gate_cost_matrix的功能是根据卡尔曼滤波器的状态分布来修正成本矩阵,通过对每个轨迹和检测对计算门控距离修正不可能的匹配项,将其成本设置为非常大的值。在本项目中,通过计算轨迹与检测之间的关联成本,应用线性分配算法来确定最佳匹配,同时考虑到卡尔曼滤波器预测的状态和门控距离,以提高匹配的准确性。
2024-09-15 17:06:35 420
原创 (5-5)绘制饼状图:可视化展示名著《西游记》中出现频率最多的文字
(3)编写函数create_matplotlib(self, f),功能是使用Matplotlib绘制饼状图,首先设置字体为“SimHei”,然后使用函数open()打开要读取的文件,通过循环统计记事本文件中的所有文字,最终根据统计结果绘制饼状图。编写文件InputDialog.py,功能是当在“打开文件”对话框中选择一个要统计的小说文件后会弹出一个输入对话框,提示用户输入所需显示的出现频率,然后根据用户输入的频率值统计文字。执行后的效果如图5-21所示,这说明本项目默认的统计频率值是20%。
2024-09-15 10:52:16 1232
原创 (5-4-12)基于Stable Diffusion的文生图系统(12)图像修复
文件inpainting.py是一个用于图像修复的应用程序,利用 Stable Diffusion 模型对指定区域进行填充。用户可以上传一张图像,绘制要修复的区域的掩码,并输入提示文本。程序将根据提示生成修复后的图像,并通过隐形水印标记生成的结果。它结合了 Streamlit 框架提供的交互式界面,使得用户能够方便地调整参数,如种子、样本数量、缩放比例和 DDIM 步数,从而控制修复效果。最终,生成的图像将在界面上显示,供用户查看和下载。
2024-09-14 21:02:56 181
原创 (29-1)通过回测、ARIMA 和 GRU 预测股票价格:项目介绍+准备环境
在金融市场中,准确预测股票价格一直是一个重要且具有挑战性的任务。股票价格受多种因素影响,包括市场动态、公司财报、宏观经济指标等。传统的时间序列分析方法,如自回归综合滑动平均模型(ARIMA),已被广泛应用于金融数据分析。然而,这些方法通常假设数据是线性的,且无法处理复杂的非线性关系和长时间依赖。在现代金融市场中,投资者和机构对预测工具的需求越来越高。这些工具可以帮助他们做出更明智的投资决策,最大限度地降低风险并提高收益。
2024-09-14 17:56:22 252
原创 (5-4)绘制饼状图:Scikit-Learn聚类分析并可视化处理
在聚类处理之前,需要先加载饼状图素材文件timg.jpg,然后将这个图像矩阵转换为像素的列表,并调用聚类算法的实现聚类处理。在本节的内容中,编写实例文件piechart-kmeans.py,使用Scikit-Learn聚类分析一个饼状图,并统计这个饼状图中各种颜色所占的比重,然后可视化展示统计结果。(1)编写函数centroid_histogram()生成一个柱状图,可视化展示每个聚类中心的data point数(所占的比例)。执行后会实现聚类处理,并可视化展示素材饼状图中的每种颜色的百分比。
2024-09-14 15:47:33 556
原创 (10-2)基于卡尔曼滤波器的实时跟踪系统:提取特征向量
最后,从图像中的边界框提取补丁,利用预训练模型对这些补丁进行特征编码,并保存生成的特征向量。下面的代码实现了一个用于目标检测和特征提取的系统,其中类Detection用于表示图像中的一个检测结果,包括边界框坐标、置信度分数、类别名称和特征向量;下面代码的功能是从图像中的边界框提取图像补丁,并使用预训练模型对这些图像补丁进行特征编码,最后将生成的特征向量保存到指定目录中。具体包括加载保存的模型权重、设置YOLOv3模型的锚点(anchors)和输入图像的尺寸,以及设定检测对象的概率阈值。
2024-09-14 09:29:49 246
原创 (5-4-11)基于Stable Diffusion的文生图系统(11)图生图测试
文件img2img.py的功能是基于 Stable Diffusion 模型实现图生图功能。从一张现有图像开始生成新图像,用户提供的是初始图像,并可以通过文本提示进行指导。文件img2img.py从给定的初始图像出发,通过应用文本提示和各种参数设置来生成新图像。用户可以指定图像的输入路径、输出目录、采样步数、无条件引导比例、图像处理强度等选项。该脚本支持批量生成图像,并能够在生成的图像中添加不可见水印,以帮助识别机器生成的内容。最终生成的图像和样本网格会保存在指定的输出目录中。
2024-09-13 16:38:52 268 1
原创 (5-3)绘制饼状图:抓取热门电影信息并制作可视化分析饼状图
编写文件域名.py,功能是抓取指定网页的电影信息,将抓取到的数据添加到MySQL数据库中。然后建立和MySQL数据库的连接,并使用matplotlib将数据库中的电影数据绘制国别类别的统计饼状图。编写文件myPymysql.py,功能是使用pymysql建立和指定MySQL数据库的了连接,并创建指定选项的数据库表。文件myPymysql.py的主要实现代码如下所示。本实例的功能是抓取某电影网的热门电影信息,并将抓取的电影信息保存到MySQL数据库中,然后使用Matplotlib绘制电影信息的饼状统计图。
2024-09-13 14:49:50 340
原创 (10-1)基于卡尔曼滤波器的实时跟踪系统:项目介绍+准备工作
随着计算机视觉和人工智能技术的飞速发展,实时目标跟踪已经成为许多应用领域中的重要技术。目标跟踪技术广泛应用于安全监控、智能交通、无人驾驶、运动分析等领域。卡尔曼滤波器作为一种经典的动态系统估计方法,因其在处理噪声和不确定性方面的优势,被广泛用于实时跟踪系统中。本项目旨在开发一个基于卡尔曼滤波器的实时跟踪系统,该系统能够高效地从视频中识别和追踪多个目标,为用户提供准确的目标位置和运动轨迹信息。这一技术不仅提高了目标跟踪的精度和稳定性,也为进一步的智能分析和决策提供了坚实的基础。
2024-09-13 10:13:51 324
原创 (20-2-01)基于强化学习的贪吃蛇游戏:应用强化学习(1)强化学习环境+神经网络模型
在强化学习(RL)中,环境是代理将学习和执行操作的“场所”,在我们的例子中,环境是经过调整的Silly Snake游戏,使其可以由AI来玩。请看下面的代码,现了一个强化学习环境用于训练AI玩贪吃蛇游戏。类SillySnakeGameAi定义了游戏的环境,包括初始化游戏窗口、设置游戏状态、处理游戏逻辑和用户界面更新。游戏逻辑包括蛇的移动、食物的放置、碰撞检测和奖励机制。AI 通过 playStep 方法采取行动,得到奖励,并根据当前状态更新游戏。
2024-09-12 16:10:01 349 1
原创 (5-2)绘制饼状图:绘制基本的饼状图(绘制简易的饼状图+修饰饼状图+突出显示某个饼状图的部分)
请看下面的例文件pie04.py,功能是使用Matplotlib绘制的饼状图,并为绘制的饼状图添加图例说明。请看下面的例文件pie05.py,功能是使用Matplotlib绘制的饼状图,可视化展示某地区程序员的工龄分部信息。请看下面的例文件pie09.py,功能是使用库Pygal绘制多系列饼状图,可视化展示某年度浏览器产品的市场份额数据。请看下面的例文件pie11.py,功能是使用库Pygal绘制环状饼状图,可视化展示某年度浏览器产品的市场份额数据。图5-10 文件bar_chart.svg的效果。
2024-09-12 15:45:50 546
原创 (20-1)基于强化学习的贪吃蛇游戏:项目介绍+游戏准备
将使用强化学习和一个简单的神经网络进行训练。对于神经网络,我们将使用 PyTorch。我们使用的游戏是一个用 Python 编写的贪吃蛇游戏,使用了 pygame 模块。在这个笔记本中,我们可能无法看到它的实际运行,但它会被训练,我们可以观察到它的进展!我会添加一些游戏和训练过程在我本地机器上运行的图片。当然,我也鼓励你在一个可以看到游戏窗口的地方运行这个代码。
2024-09-12 10:44:42 312 1
原创 (5-4-10)基于Stable Diffusion的文生图系统(10)测试文生图大模型
(2)函数load_model_from_config的功能是根据给定的配置和检查点加载模型,并将其移动到指定的设备(CPU或GPU),同时输出加载过程中遇到的任何缺失或意外的参数键。(1)函数chunk的功能是将可迭代对象分块,每个块的大小由size参数指定,返回一个迭代器,其中每个元素是一个大小为size的元组,最后一个元组可能会小于size。(3)函数parse_args的功能是解析命令行参数,提供用于生成图像的各种选项,包括提示、输出目录、采样步骤等,并返回解析后的参数对象。
2024-09-11 15:47:41 533 1
原创 (5-1)绘制饼状图:绘制基本的饼状图(绘制简易的饼状图+修饰饼状图+突出显示某个饼状图的部分)
饼状图常用于数据统计和分析领域,通常分为2D与3D饼状图。饼状图显示一个数据系列(数据系列:在图表中绘制的相关数据点,这些数据源自数据表的行或列。在现实应用中,经常使用饼状图来展示数据分析的结果,这样可以更加直观的展示数据分析结果。在本节的内容中,将详细讲解使用Python绘制饼状图的知识。
2024-09-11 10:58:17 465
原创 (28-5-02)使用隐马尔可夫模型交易比特币:实现交易策略(2)
通过这个函数,用户可以评估不同策略在测试数据上的表现。(5)下面代码用于绘制模拟数据下的投资组合价值随时间变化的图表,比较了使用HMM优化的买入/卖出策略(HMM buy/sell policy)和简单的比特币投资(Bitcoin investment)在0.5%市场摩擦下的表现。(7)下面代码绘制了在1.5%市场摩擦条件下,投资组合价值随时间变化的可视化图表,比较了使用HMM优化的买入/卖出策略(HMM buy/sell policy)与简单的比特币投资(Bitcoin investment)的表现。
2024-09-11 10:48:40 218
原创 (5-4-09)基于Stable Diffusion的文生图系统(9)多注意力机制
本项目实现了多种注意力机制,以增强模型对输入数据特征的捕捉能力,提升性能。同时,引入了指数移动平均(EMA)策略,通过更新和管理模型参数的阴影版本,稳定训练过程并提高模型在验证时的表现。两者共同优化了模型的训练和推理阶段,提升了性能和稳定性。
2024-09-10 16:14:37 270 1
原创 (28-5-01)使用隐马尔可夫模型交易比特币:实现交易策略(1)
此外,虽然检查了100个不同的摩擦率值,我们的方法仅选择了三种不同的策略,即三组不同的阈值,这就是为什么回报与摩擦率的图形呈现分段线性形状的原因。(1)函数back_test_pol用于回测不同摩擦率下的买入/卖出策略,它根据隐马尔可夫模型(HMM)得到的预期异常回报率(EAR)和隐藏状态概率,对每种摩擦率下的买入/卖出阈值进行回测,计算投资组合的价值变化。(4)下面代码的功能是绘制一个可视化图表,比较在1%市场摩擦下的HMM优化买入/卖出策略和直接比特币投资的投资组合价值随时间的变化。
2024-09-10 13:41:07 205
原创 (9-2)汽车速度检测(OpenCV、PyTorch 和 SSD):车速检测
在下面的代码中,通过背景减除技术处理视频,以检测和高亮显示移动的物体,并在 Jupyter Notebook 环境中使用 Matplotlib 显示处理后的帧。如果检测到汽车并且有之前帧的位置数据则计算汽车的速度,若计算出的速度超过设定的速度限制则发出超速罚单,并记录在文本文件 Speeding_Ticket.txt 中。请看下面的的代码,使用预训练的目标检测模型(SSDLite320_MobileNet_V3_Large)从检测视频中的汽车,并根据检测到的车辆位置估算其速度。该模型用于检测视频中的汽车。
2024-09-10 13:30:56 601
原创 (4-5)绘制柱状图:可视化处理文本情感分析数据
(3)设置我们要在柱状图中统计显示的5种情感类型neg(Negative,阴性), wneg(Weakly Negative,弱阴性), neu(Neutral,中性), wpos(Weakly Positive,弱阳性), pos(Positive,阳性)。预先准备两部电视剧的剧本文件,这些文件的格式是记事本格式“.txt”,在这些剧本文件中有大量的英文单词。(2)准备要处理的文件,设置第1部电视剧剧本的对应的记事本文件名以字母“a”开头,第2部电视剧剧本的对应的记事本文件名以字母“b”开头。
2024-09-10 11:24:22 827
原创 (9-1)汽车速度检测(OpenCV、PyTorch 和 SSD):项目介绍+准备工作
随着城市化进程的加快和机动车数量的增加,交通管理成为了现代城市面临的重要挑战之一。超速驾驶不仅增加了交通事故的风险,还对道路安全构成了严重威胁。传统的交通监控系统通常依赖于人工监控和固定的测速设备,这些方法不仅成本高昂,而且效率有限。近年来,计算机视觉和深度学习技术的发展为交通监控提供了新的解决方案。通过实时分析视频数据,这些技术可以自动检测和跟踪车辆,并准确估算其速度,从而提高了交通管理的智能化水平。本项目旨在构建一个智能车速检测系统,利用计算机视觉和深度学习技术对视频中的车辆进行检测和速度估算。
2024-09-09 21:01:48 273
原创 (28-4)使用隐马尔可夫模型交易比特币:隐马尔可夫模型(HMM)
相反,必须选择序列的起始部分,这样才能使用来自相对未来的数据来测试模型,以便测试结果能够反映模型对未见过的未来数据的泛化能力。HMM假设系统状态是隐藏的,通过观察到的数据(观测值)来推断系统的状态。它们基于的是价格数据的简单规则或趋势,而不是通过隐藏状态模型来进行预测。然后,代码绘制了在训练期间内的隐状态概率和比特币价格的归一化对比图,以及期望异常收益率与比特币价格的对比图。上述输出结果将帮助我们评估HMM在捕捉比特币价格行为中的表现,并提供有关如何基于隐状态概率和期望异常收益率做出交易决策的见解。
2024-09-09 17:03:04 243
原创 (5-4-08)基于Stable Diffusion的文生图系统:(8)深度学习框架
通过灵活的结构,这些组件能够有效地处理不同类型的特征图,并在网络中实现信息的传递与融合,增强模型的学习能力和性能。此外,在文件midas_net_custom.py中还包含一个 fuse_model 函数,该函数用于对模型中的卷积层、批量归一化层和 ReLU 激活函数进行融合,以优化模型的推理性能和减少内存占用。(6)文件transforms.py实现了一组用于处理图像样本的变换类,这些变换可以组合使用,以确保输入数据符合深度学习模型的要求,提高模型的训练和推理效果。
2024-09-09 15:26:47 358
文本分类与情感分析算法 数据集
2024-05-22
行为预测算法:基于自动驾驶大模型的车辆轨迹预测系统
2024-05-13
专栏《NLP算法实战》中第9部分《大模型Transformer》的所有配套源码
2024-04-24
斗转星移换图系统(PyTorch+Visdom+CycleGAN)源码
2024-04-24
Tensorflow机器翻译系统和PyTorch机器翻译系统
2024-03-22
AI智能问答系统的源码资料
2024-03-15
《基于深度强化学习的量化交易策略》一文的源码
2024-02-29
比特币价格预测系统的项目的源码和数据集
2024-01-13
我的专栏《大模型从入门到实战》2-1到2-3的配套源码,包含数据集
2024-01-11
金融大模型实战:个人专栏《检测以太坊区块链中的非法账户》项目的源码和数据集
2024-01-11
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人