Cupid_kl的博客

原创 Maven依赖配置、依赖传递、依赖范围

本文介绍了Maven依赖管理的三个核心概念：1）依赖配置方法，在pom.xml中通过dependencies标签添加依赖坐标；2）依赖传递机制，包括直接依赖和间接依赖，可通过exclusions标签排除特定依赖；3）依赖范围设置，使用scope标签控制依赖在编译、测试和打包等不同阶段的有效范围。文章还提供了从Maven仓库搜索依赖坐标的操作图示。

原创 神经网络算法各种层的原理（基于Keras）--输入层，全连接层，卷积层，池化层，嵌入层，长短期记忆网络层等

神经网络中的不同层提供了构建各种深度学习模型所需的基础构件，承担着数据转换和特征提取的核心功能。我们可以根据具体任务的需求选择合适的层来构建模型。

原创 Matplotlib学习

本文介绍了Python数据可视化库Matplotlib的基本概念和使用方法。主要内容包括：1) Matplotlib的安装与模块导入；2) 基础绘图功能，如绘制直线、折线图和设置样式（颜色、线型、标记、标题、坐标轴等）；3) 进阶功能，包括曲线图的绘制（正弦/余弦）和子图划分；4) 图像构成的四个层次（Axis、Axes、Figure、Artist）。文章通过多个代码示例展示了如何创建不同类型的图表，并详细说明了如何调整图表样式、添加图例和标注等。最后简要介绍了子图绘制和图像构成的基本概念，为数据可视化提供

原创 自然语言处理NLP：嵌入层Embedding中input_dim的计算——Tokenizer文本分词和编码

摘要：本文介绍了Keras中Embedding层的input_dim参数计算方法，主要基于Tokenizer分词器构建词汇表。Tokenizer会对文本进行分词和编码，为每个词分配唯一编号，词汇表大小即为唯一词数量加1（预留索引0）。文章通过示例代码展示了Tokenizer的使用流程，包括文本预处理、序列填充和Embedding层创建，并解释了如何确定output_dim和input_length等参数。最后演示了模型预测过程，输出词向量维度为（样本数，序列长度，词向量维度）。

原创 Raspberry Pi 5树莓派5 烧录系统到树莓派上

树莓派有自己的烧录工具，可通过以下链接下载对应的工具通过网盘分享的文件：链接: https://pan.baidu.com/s/1-bY6bysqP9BO-zlnAWMnQA 提取码: 278t打开后，文件如上图所示。根据自己电脑的系统，下载对应的烧录工具。

原创 ubuntu中下载安装python3.11

enable-optimizations 参数是为了启用优化选项，可以提高 Python 的性能。由于我是在桌面上安装解压的，可以看到ubuntu桌面上有一个Python-3.11.0的文件夹。使用 altinstall 命令以避免与系统默认的 Python 版本冲突。5.切换目录到Python-3.11.0（注意区分大小写），并且可以用。6.配置Python3.11.0。7.安装Python3.11.0。

原创 在外面windows系统中复制的内容粘贴到VMware虚拟机中ubuntu

2.在VMware主界面中选择虚拟机，然后点击“编辑虚拟机设置”，然后点“选项”，再点“客户机隔离”，确保“启用拖放”和“启用剪切板共享”都是勾选状态，最后点击确定。2.下载安装open-vm-tools，open-vm-tools-desktop。再次启动虚拟机，已经实现功能。1.打开终端，更新软件库。第二步：启用共享剪切板。1.关闭Ubuntu。

原创 下载安装VMware和win11系统

官网下载或者此处百度网盘下载：链接：https://pan.baidu.com/s/1QKFRiRyLZ2icGL9biVS4TA提取码：qu7x打开安装文件（百度网盘中VMware-workstation-full-17.5.2-23775571.exe）后点击下一步：点击接受协议，下一步：修改安装位置后点击下一步：后续一直点击下一步：直到最后点击安装：安装完成后，点击许可证：点击文件夹中的txt文件，复制17版本的密钥输入：安装完成：点击进入网址后，下拉找到磁盘映像：点击

原创 Maven的安装与配置

Maven是一款管理和构建java项目的工具，它基于项目对象模型（POM）的概念，通过一小段描述信息来管理项目的构建。

原创 IDEA集成Maven--在IDEA中配置Maven环境

打开文件-设置：设置Maven的路径：设置用户文件，改为maven的配置文件中settings.xml的位置，如下：我的JDK版本是19，所以Maven运行程序和JAVA编译器都选择19：不要打开项目，直接打开自定义选项中的所有设置：和1.1中的设置Maven的路径步骤一样，修改如图所示的Maven路径和用户设置文件，后续也是一样的：创建模块，选择Maven填写模块名称，坐标信息：Archetype 骨架是一个 Maven 的项目模板，它定义了项目的基本结构、依赖和配置。通过使用

原创 yolov5训练自己的数据集

在VOCData中新建文件夹Annotations，放置.xml的标签文件。conf-thres：置信度阈值，只有置信度高于此阈值的对象才会被检测出来，可以根据自己的结果修改。epochs和batch-size按照自己的需要设置，刚开始试运行的时候，可以调整的低一点。（4）训练结束之后，可以看到目录中runs/train中有跟新的结果，我这边是exp5。此处0表示打开默认摄像头。names表示类别的名字，如果有多个，就都写入[ ]中，用逗号隔开。安装后，运行detect.py，如果成功运行，则安装完毕。

原创 目标检测性能指标和计算方法

Precision: 所有Positive的预测中(也就是预测为1)，预测正确的比例。Recall: 现实中为1的case中，被Positive预测(也就是预测为1，被正确预测了) 的比例是多少。所有正样本中被预测为正的比例。精度Precision（查准率）评估预测的准不准召回率Recall（查全率）评估找的全不全。

原创 yolo环境的下载和安装

可参考。

原创 labelimg的安装、说明和具体操作

如果LabelImg出现闪退的问题，那是因为python版本不适，需要创建新的虚拟环境。具体可参考。

原创 Vue组件库Element

Element：是饿了么公司前端开发团队提供的一套基于 Vue 的网站组件库，用于快速构建网页。Element 提供了很多组件（组成网页的部件）供我们使用。例如 超链接、按钮、图片、表格等等。

原创 前端工程化--NodeJS下载安装、Vue-cli下载安装

下载稳定版：node -v。如果显示出版本信息了，说明安装成功。注意：D:\nodejs 这个目录是NodeJS的安装目录这个过程中，联网下载，可能会耗时几分钟，耐心等待。

原创 解决方法：Visual Studio Code中npm脚本找不到

原创 Ajax，Axios 异步交互

Ajax: 全称Asynchronous JavaScript And XML，异步的JavaScript和XML。其作用有如下2点：与服务器进行数据交换：通过Ajax可以给服务器发送请求，并获取服务器响应的数据。如下图所示前端资源被浏览器解析，但是前端页面上缺少数据，前端可以通过Ajax技术，向后台服务器发起请求，后台服务器接受到前端的请求，从数据库中获取前端需要的资源，然后响应给前端，前端在通过我们学习的vue技术，可以将数据展示到页面上，这样用户就能看到完整的页面了。

原创 Vue 前端框架

是一套前端框架，免除原生JavaScript中的DOM操作，简化书写。基于思想，实现数据的双向绑定，将编程的关注点放在数据上。

原创 Python神经网络环境搭建（anaconda，cuda，jupyter，tensorflow，pytorch，torchvision，pycharm)

以管理员身份打开cmd，通过cd命令转换到相应的文件位置，输入上图圈中的命令进行测试，若会显示result=pass，则说明安装无误，那么应该是在安装之后没有设置好系统环境变量，重新设置变量之后再进行测试。torch与torchvision也有对应关系，我是1.13.1的torch，3.10的python，所以我选择对应的。CUDA版本确定后，pytorch要依赖此CUDA版本，因为pytroch安装跟cuda对应的。首先要激活安装pytorch的python环境，之后到下载目录下进行安装。

原创 JavaScript(JS引入方式，JS基础语法，JS函数，JS对象，JS事件监听)

JavaScript（简称：JS）是一门跨平台、面向对象的脚本语言，是用来控制网页行为的，它能使网页可交互。

原创 降维算法--PCA

在高维数据中，必然有一些特征是不带有有效的信息的（比如噪音），或者有一些特征带有的信息和其他一些特征是重复的（比如一些特征可能会线性相关）。我们希望能够找出一种办法来帮助我们衡量特征上所带的信息量，让我们在降维的过程中，能够即减少特征的数量，又保留大部分有效信息——将那些带有重复信息的特征合并，并删除那些带无效信息的特征等等——逐渐创造出能够代表原特征矩阵大部分信息的，特征更少的，新特征矩阵。在降维中，PCA使用的信息量衡量指标是样本方差，又称可解释性方差，方差越大，特征所带的信息量越多。

原创 Java Web——web前端开发入门

Web标准：三部分组成。

原创 VS Code 安装

进入VS Code官网：https://code.visualstudio.com，点击 DownLoad for Windows 下载windows版本下载完毕后进行安装（点击next，换安装位置）

原创 特征选择--Filter过滤法，Embedded嵌入法，包装法

过滤方法通常用做预处理步骤，特征选择完全独立于任何机器学习算法。是根据各种统计检验中的分数以及相关性的各项指标来选择特征的......

原创 处理连续性变量--二值化与分段

根据阈值将数据二值化（将特征值设置为0或者1），用于处理连续型变量。大于阈值的值映射为1，小于阈值的值映射为0。二值化是对文本数据常见的处理方式。

原创 处理分类型特征：编码与哑变量

机器学习中的大多数算法，e.g.逻辑回归，支持向量机SVM，k近邻算法等都只能处理数值型数据，所以要将数据进行编码，即将文字型数据转换成数值型。

原创 数据无量纲化--归一化，标准化

数据的无量纲化可以是线性的或者非线性的。线性的无量纲化包括中心化处理和缩放处理。中心化的本质是让所有记录减去一个固定值，即让数据样本数据平移到某个位置。缩放的本质是通过除以一个固定值，将数据固定在某个范围之中，取对数也算是一种缩放。

原创 机器学习算法调参--随机森林

在机器学习中，我们用来衡量模型在未知数据上的准确率的指标，叫做泛化误差。当模型在未知数据上表现糟糕时，说明模型的泛化程度不够，泛化误差大，模型的效果不好。泛化误差受到模型的结构（复杂度）的影响。当模型太复杂，模型会过拟合，泛化误差大。当模型太简单，模型就会欠拟合，泛化误差也会大。调参的过程：判断模型处于图像的哪一边，然后减少或者增加模型的复杂度，把模型往图像的左边或者右边移动，到最佳模型复杂度，泛化误差最低点。

原创 填补缺失值

用SimpleImputer来填补缺失值需要导包from sklearn.impute import SimpleImputer #填补缺失值的类。

原创 决策树--分类树、回归树

决策树（Decision Tree）是一种非参数的有监督学习方法，它能够从一系列有特征和标签的数据中总结出决策规则，并用树状图的结构来呈现这些规则，以解决分类和回归问题。决策树算法的核心是要解决两个问题：1）如何从数据表中找出最佳节点和最佳分枝？2）如何让决策树停止生长，防止过拟合？例如数据集：目标是，将动物们分为哺乳类和非哺乳类。

原创 Anaconda中安装库

pip或者conda install/uninstall 库名。进入虚拟环境之后，base环境就会更换为激活的虚拟环境。#conda查看、新建、删除虚拟环境。##1.查看conda下所有虚拟环境。##列出当前虚拟环境下所有的包。##安装/卸载某个库。##更新部分/所有包。