布兹学长-CSDN博客

所以我需要重新一个python3.7的pytorch1.12.0环境，而之前那个python3.6版本的pytorch1.10.1的环境也就用不了了。,找到符合自己需求的pytorch进行安装，我这里就安装。认真看了一下后续发布的版本，发现只有。安装好之后，我的就可以运行成功了🤯。的torchtext版本，需要。才行，如果想要安装含有。我的torch版本是。,python版本是。

2022-11-12 12:55:44 4301 1

原创 nltk.download()方法出现getaddrinfo failed的问题

nltk_data的百度网盘地址:https://pan.baidu.com/s/1Pc_-tdFPGeYB4TRWqno55g。然后自己在网上找了很多的教程来解决这个问题，都没能得到很好的解决，大多都是通过修改hosts文件来。当在执行下面的语句的时候，遇到了获取地址失败的错误。产生这个问题的原因是在不会科学上网的话，我们无法访问。可以在下面的报错中看到，

2022-10-26 15:33:07 2029 2

原创文本分词脚本

之前写过一个文本关键字分析的脚本，但是那个脚本还绑定了一些其他的功能，相当于有些冗杂了☠，这里我将文本分词功能拎出来单独写，然后还在之前的文本分词中添加了一些其他的功能😎，像是添加停用词以及添加分词等功能。

2022-10-05 12:58:26 462

原创 python实现表格搜索脚本

( 以下简称Text2SQL)，是将自然语言文本（Text）转换成结构化查询语言SQL的过程，属于自然语言处理-语义分析（Semantic Parsing）领域中的子任务。“打破人与结构化数据之间的壁垒”，即普通用户可以通过自然语言描述完成复杂数据库的查询工作，得到想要的结果。

2022-10-02 17:27:44 1497

一键将我创建的虚拟环境添加进了jupyter notebook。我按照上面那篇博客操作过很多次都没有问题，但是这一次在运行一个有pytorch的虚拟环境的时候却出问题了。我在网上查阅了大量的资料，结果都是说tornado的版本和Jupyter的版本对不上，才会产生上面的问题。首先我第一个遇到问题就是，jupyter notebook连接不上我虚拟环境的内核，总给我报这个。中方法二将虚拟环境添加进jupyter notebook的。我将虚拟环境添加至jupyter notebook的方法是参考博客。

2022-09-18 10:30:00 6367 3

原创 python图形界面tkinter使用技巧

使用python的tkinter库实现滚动文本框的方式，目前我知道的有两种，一种方式是使用frame容器来放置Text控件和Scrollbar控件，再将Text控件和Scrollbar控件联动；另一种方式则是直接使用tkinter库中的ScrollText控件。

2022-09-10 17:21:13 2834

原创 remote: Permission to xxxxx.git denied to xxxxx.

情况是这样的，我一同学他家那边网不怎么好，然后同学找我帮忙帮他把内容提交到github上，他把他的账号和密码给我，我再登陆他的账号密码，使用git上传他的内容到远程仓库。因为我默认打开验证页面的浏览器的github账户登录的是我(feet)的账号而不是我同学(hand)的账号，这个是时候你有两种解决方法。，我原来一直都是使用我自己的feet用户往我的github远程仓库上传内容,现在往hand用户的github仓库上传内容所以就报错了。将内容推到远程仓库的时候，终端总给我报这个的问题。nonono!....

2022-07-26 13:38:47 2707 1

原创过拟合及过拟合处理

代码运行平台为jupyter-notebook，文章中的代码块，也是按照jupyter-notebook中的划分顺序进行书写的，运行文章代码，直接分单元粘入到jupyter-notebook即可。，模型就是在训练集上效果很好，在验证机上效果一般，说明模型有。从正确率这里也可以看到，模型在训练集和验证集上的。，然后模型训练完之后，最后。的，所以可以在一定程度上。，这也说明着模型存在。只需要在示例代码中的。...

2022-07-17 09:10:59 477

原创网络优化和超参数选择

如果向着梯度的反方向移动，则损失函数的值会相应减小。在调整学习速率时，既需要使其足够小，保证不至于发生超调，也要保证它足够大，以使损失函数能够尽快下降，从而可通过较少次数的选代更快地完成学习。梯度的输出向量表明了在每个位置损失函数增长最快的方向，可将它视为表示了在函数的每个位置向哪个方向移动函数值可以增长。是一种高效计算数据流图中梯度的技术每一层的导数都是后一层的导数与前一层输出之积，这正是链式法则的奇妙之处，在具体实践中，可通过查看损失函数值随时间的变化曲线，来判断学习速率的选取是合适的。...

2022-07-16 21:52:37 521

原创独热编码与交叉熵损失函数

当我们的lable是顺序标签的时候，使用sparse_categorical_crossentropy作为损失函数，当我们的label是独热编码的时候，我们使用categorical_crossentropy作为损失函数。这个时候5元的标签也就编码为[1,0,0],10元的编码为[0,1,0],20元的编码为[0,0,1]。中的简单示例数据标签的修改，以及损失函数的修改，将顺序编码的标签改为了独热编码的标签，损失函数改为了categorical_crossentropy。来计算softmax交叉熵。....

2022-07-16 17:45:16 2052

原创 softmax多分类

Dense是把一个一维的数据映射到另一个一维的数据，不能把二维的数据进行运算，所以我们要把fashionmnist数据先扁平成一维的，

2022-07-16 12:54:17 5643 2

原创逻辑回归与交叉熵

交叉熵刻画的是实际输出（概率）与期望输出（概率）的距离，也就是交叉熵的值越小，两个概率分布就越接近。平方差所惩罚的是与损失为同一数量级的情形对于分类问题，我们最好的使用交叉熵损失函数会更有效交叉熵会输出一个更大的“损失”。不使用均方差作为损失函数使用，比如1-0.2的平方产生损失会非常小，因此迭代次数会比较多，训练就会比较慢。逻辑回归问题就是分类问题。sigmoid函数是一个概率分布函数，给定某个输入，它将输出为一个概率值。在keras里,我们使用binary_crossentropy来计算二元交叉熵。..

2022-07-15 19:01:23 663

原创多层感知机（神经网络）与激活函数

因为对于每一个中间的隐藏单元，需要三个对应的权重（因为前面有三个输入）以及一个偏置，即4*10=40。相当于每个隐藏神经元对应一个方程f(x)=w1x1+w2x2+w3x3+b,其中w1,w2,w3为待计算的权重，b为待计算的偏置。.........

2022-07-15 18:32:36 873

原创 tf.keras实现线性回归

这个时候就需要使用到损失函数。比如说使用均方差作为作为损失函数。也就是预测值和真实值之间差的平方取均值。y代表实际的收入，找到合适的a和b，使得(f(x)-y)^2的值，越小越好，越小就说明预测的收入和实际的收入就越接近。==注意==现在求解的是参数a和b，问题也就转变为。..................

2022-07-15 17:39:28 521

原创 loading google drive data into colab

loading google drive data into colab

2022-07-14 12:04:39 115

原创 Tensorflow安装

如果没有NVIDIA GPU执行,下面两步即可完成安装:第一步，打开anaconda prompt命令行，安装tensorflow未指定版本安装安装的是最新版本的tensorflow。第二步，安装所需其他包：搞定！查看NVIDIA驱动版本,打开终端输入查看驱动情况。GPU版本有两个依赖库Cudatoolkit 和Cudnn当我们使用conda安装的时候，它会自动帮助我门安装这两个辅助库，所以不用操心。检查NVIDIA驱动版本满足要求后，执行下面两步即可完成安装：第一步执行TensorFl

2022-07-14 11:33:14 1114

原创生成对抗网络原理及应用介绍

生成对抗网络（Generative Adversarial Networks，GAN）最早由 Ian Goodfellow 在 2014 年提出，是目前深度学习领域最具潜力的研究成果之一。它的核心思想是：同时训练两个相互协作、同时又相互竞争的深度神经网络（一个称为生成器 Generator，另一个称为判别器 Discriminator）来处理无监督学习的相关问题。通常，我们会用下面这个例子来说明 GAN 的原理：将警察视为判别器，制造假币的犯罪分子视为生成器。一开始，犯罪分子会首先向警察展示一张假币。警察识

2022-07-14 10:54:26 936

原创常见数据集格式+数据集标注

简单的来说就是，识别出目标的位置+类别。例如：人脸检测就是以人脸为目标进行检测文字检测就是以文字为目标进行检测目前主流的目标检测，都是以矩形框的形式进行输出，就是用矩形框将检测到的目标框出，但是这样的话精度就没有特别高，框内可能还有其他的目标。语义分割：具有更高精度VOC数据集官网VOC数据具体说明参考文章：目标检测：PASCAL VOC 数据集简介Pascal Voc数据集详细分析PASCAL VOC数据集分析COCO数据集官网参考文章：COCO数据集介绍线上标注网址：m

2022-07-13 09:09:26 5126

原创函数式模型

搭建单通道模型，使用序贯（Sequential）模型和函数式（Functional）模型搭建都可以。搭建代码：2.函数式（Functional）模型搭建搭建代码：使用时需要导入。除了常见的单通道模型之外，还有着许多知名的多通道模型。例如google的Inception:就是典型的多通道模型。序贯（Sequential）模型只能定义有一个通道的模型，假如一个模型有很多通道的话，那么Sequential()序贯模型就定义不了，这个时候就只能使用函数式模型进行网络模型搭建。搭建部分多通道Incepti

2022-07-11 10:23:01 337

原创 word2vec介绍及CNN在自然语言中的应用

当我们分析图片或者语音的时候，我们通常都是在分析密集的，高纬度的数据集。我们所需的全部信息都储存在原始数据中。根据词的上下文词汇来预测目标词汇，例如上下文词汇是“今天早餐吃_”，要预测的目标词汇可能是“面包"Skip-Gram模型刚好和CBOW相反，它是通过目标词汇来预测上下文词汇。例如目标词汇是“早餐”，上下文词汇可能是“今天”和“吃面包”把自然语言中的句子转换成矩阵的形式，然后对其进行卷积和池化，池化后拼起来，用个全连接层连接到最后的分类。...

2022-07-11 09:56:19 409

原创图像风格转换

载入vgg16的卷积层和池化层，用来做图像特征提取，将风格照片传入就可以得到特征图，类似于这样的有很多的特征图。这些特征图可以理解为，经过卷积和池化提取到的各种各样的特征。之后还需要对特征图进行一个格莱姆矩阵的变换，变换完之后我们就可以认为我们做了格莱姆矩阵变换之后的结果就是风格图片的风格，认为它就是代表这张图片的风格，到这里我们就认为我们把图片的风格提取出来了。之后我们需要把风格加在正常图片上，让图片风格产生变化。同样我们先把正常图片放在vgg16卷积层和池化层进行处理，最后也可以得到正常图片的特

2022-07-10 15:46:37 1703 1

原创猫狗分类-VGG16-Finetune

第二种方法的特点就是固化卷积层和池化层的参数，然后把图片放到卷积层和池化层去运算出它的结果，然后再把这个结果作为我们自己搭建的全连接层输入，训练我们自己的全连接层，最后得到这个分类的结果。Finetune的特点它也是使用VGG16在imagenet上训练出来的权值，但是在训练的过程中它也会改变卷积层和池化层，它不会像bottleneck一样固化前面的卷积层和池化层，它是整个网络，卷积层，池化层，全连接层都会做一个微调，我们可以把这个学习率设置的小一点，做一个微调，然后慢慢的去改变整个网络的参数，然后使得它

2022-07-10 10:56:23 385

原创猫狗分类-VGG16-bottleneck

第一种方式是自己搭建一个网络，然后所有的参数都是随机的，从零开始训练。第二种方式用到了bottleneck在别人模型基础上训练自己的网络,其实也不完全是,只是使用了半部分的别人的网络结构和参数。自己搭建一个网络所有的权值都是随机初始化的，我们从头开始训练这个网络。而bottleneck(瓶颈)，指的是输出层的前面一部分，输出层最后的目的就是用来做分类的，做分类的前面的那个部分可以叫做bottleneck，在我们这个例子里，bottleneck指的是VGG16里面的用来提取图像特征的卷积池化的那部分。

2022-07-10 10:00:45 619 2

空空如也

空空如也