![](https://img-blog.csdnimg.cn/20210707145435942.jpg?x-oss-process=image/resize,m_fixed,h_224,w_224)
人工智能总结和案例
文章平均质量分 61
人工智能总结和案例
数据知道
IT技术博主,博主会持续更新专栏文章,欢迎关注和订阅文章博客,欢迎私信和博主交流技术。
展开
-
用python实现文字转语音的5个较好用的模块
1、完全脱机文本到语音转换,可以在系统中安装的不同语音中进行选择;2、控制语音的速度/速率,调整音量;4、简单、强大、直观的API。3、将语音音频另存为文件;原创 2023-11-25 10:29:21 · 9602 阅读 · 1 评论 -
用python给照片添加水印的三种方式
filestools模块其本质上也是对ImageDraw.Draw.text()方法做了进一步的封装,让我们用起来会更加的简便,使用add_mark()方法可以生成数量较多的水印,该方法当中里面有8个参数,其中比较重要的几个是。给照片添加水印的代码多种多样,下面这种的或许是最为简单的形式,然后我们将印有水印的图片和原图进行结合,代码如下。原创 2023-04-12 19:20:33 · 15669 阅读 · 0 评论 -
用python检测两个文本文件的相似性
很多时候我们需要来检查两文件的相似性,到底存在着多少的雷同,或许以下的这个脚本文件可以派得上用场。原创 2023-04-12 19:05:45 · 12089 阅读 · 0 评论 -
谷歌JAX快速入门笔记详解和案例
JAX最初由谷歌大脑团队的 Matt Johnson、Roy Frostig、Dougal Maclaurin 和 Chris Leary 等人发起,借助 Autograd 的更新版本,并且结合了 XLA,可对 Python 程序与 NumPy 运算执行自动微分,支持循环、分支、递归、闭包函数求导,也可以求三阶导数;依赖于 XLA,JAX 可以在 GPU 和 TPU 上编译和运行 NumPy 程序;通过 grad,可以支持自动模式反向传播和正向传播,且二者可以任意组合成任何顺序。原创 2022-09-19 20:02:59 · 22366 阅读 · 5 评论 -
pyecharts模块的几个经典案例(python经典编程案例)
一. pyecharts概述pyecharts是基于ECharts图表库开发的python第三方模块。ECharts是一个纯JavaScript的商业级图表库,兼容当前绝大部分浏览器,能够创建类型丰富,精美生动,可交互,可高度个性化定制的数据可视化效果。安装:pip3 install pyecharts二. 案例2.1 图表配置项from pyecharts import options as optsfrom pyecharts.charts import Barfrom pyechart原创 2021-11-05 09:27:30 · 25851 阅读 · 0 评论 -
matplotlib各种案例总结(python经典编程案例)
一. 绘制基本图表颜色color和简写:红色 r: red绿色 g: green蓝色 b: blue青色 c: cyan洋红色 m: magenta黄色 y: yellow黑色 k: black白色 w: white1.1 绘制柱状图import matplotlib.pyplot as pltx = [1, 2, 3, 4, 5, 6, 7, 8]y = [60, 45, 49, 36, 42, 67, 40, 50]plt.bar(x, y)plt.show()im原创 2021-11-03 23:19:41 · 26024 阅读 · 0 评论 -
一文掌握jieba分词器的常见用法,附带案例
一. jieba分词器的基础知识安装:pip install jieba安装:pip3 install paddlepaddle-tiny如果出现超时的情况,指定清华源:pip3 install paddlepaddle-tiny -i https://pypi.tuna.tsinghua.edu.cn/simple1.1 jieba分词支持4中方式精确模式:将句子最精确的切分开,适合文本分析时使用;全模式:将句子可以生成词语的词都扫描出来,速度非常快,但有歧义的词语也会被扫描出来;搜索引擎原创 2021-11-02 22:47:57 · 27557 阅读 · 0 评论 -
21句话简述机器学习
1.机器学习有四种用途:分类、聚类、回归和降维。监督学习:分类和回归无监督学习:聚类和降维更严格一点,机器学习的目的只有三个:分类、聚类和回归,降维不过是达成目标的手段之一。2.分类和聚类都是对个体样本归类,看起来很相似,实则相去甚远——前者属于有监督的学习,后者属于无监督的学习。分类是基于经验的,而经验来自过往的数据,这意味着分类需要训练;聚类则是基于当前全部样本的特征,不依赖经验,自然也就无需训练。举个例子:让你从一堆水果中挑出苹果、橘子和香蕉,这是分类;让你将画在纸上的若干个图案分组,分组规转载 2021-10-18 18:16:33 · 24308 阅读 · 0 评论