![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
Python
eternity1118_
不积跬步无以至千里,不积小流无以成江海
展开
-
Python学习笔记(一)--Python基础知识:变量、数据类型、模块与字符串
刚接触Python,如有错误还望大家多多包涵。。1.长整数:和普通整数一样,不同的是要在结尾加个大写的L,当然如果你小写也是允许的,只是容易被误认为是数字1,所以,书写时最好还是大写,以免生不必要的事端;另外长整数和普通整数可以放在一起使用;2.变量:和其它语言中的变量一样,变量名不能以数字开头,只能包含数字、字母和下划线;3.模块:模块导入到Python中,就可以使用该模块下的函数功原创 2016-06-13 12:37:59 · 857 阅读 · 0 评论 -
基于DL的计算机视觉(6)-- 神经网络
1.神经元与含义大家都知道最开始深度学习与神经网络,是受人脑的神经元启发设计出来的。所以我们按照惯例也交代一下背景,从生物学的角度开始介绍,当然也是对神经网络研究的先驱们致一转载 2016-08-11 11:31:26 · 828 阅读 · 0 评论 -
基于DL的计算机视觉(7)-- 数据的预处理、正则化
1. 引言上一节我们讲完了各种激励函数的优缺点和选择,以及网络的大小以及正则化对神经网络的影响。这一节我们讲一讲输入数据预处理、正则化以及损失函数设定的一些事情。2. 数据与网络的设定前一节提到前向计算涉及到的组件(主要是神经元)设定。神经网络结构和参数设定完毕之后,我们就得到得分函数/score function(忘记的同学们可以翻看一下之前的博文),总体说来,一个完整的神经转载 2016-08-11 11:34:29 · 1538 阅读 · 0 评论 -
基于DL的计算机视觉(8)-- 神经网络是如何训练的
1.训练在前一节当中我们讨论了神经网络静态的部分:包括神经网络结构、神经元类型、数据部分、损失函数部分等。这个部分我们集中讲讲动态的部分,主要是训练的事情,集中在实际工程实践训练过程中要注意的一些点,如何找到最合适的参数。1.1 关于梯度检验之前的博文我们提到过,我们需要比对数值梯度和解析法求得的梯度,实际工程中这个过程非常容易出错,下面提一些小技巧和注意点:使用中心化转载 2016-08-11 11:48:32 · 1037 阅读 · 0 评论 -
安装Scikit-learn:ValueError: numpy.dtype has the wrong size, try recompiling解决
今天在尝试使用scikit-learn的AdaBoost模型时一直报错,Traceback (most recent call last):File "", line 1, in File "/Library/Python/2.7/site-packages/sklearn/__init__.py", line 57, in from .base import cloneFile "/转载 2016-08-24 17:22:12 · 4245 阅读 · 0 评论 -
Python学习笔记(四)-- 函数中的参数传递
位置传递关键字传递参数默认值传递包裹传递包裹关键字传递解包总结位置传递>>>def func1(a,b,c): return a*b*c>>>func1(1,2,3) #这种传递就叫做位置传递,对应位置上的参数对应value关键字传递>>>def func2(a,b,c): return a+b+c>>>func2(a=2,b=3,c=5) #这种传递叫做关键字传递,即原创 2016-10-11 13:37:47 · 510 阅读 · 0 评论 -
Python学习笔记(五)-- 上下文管理器(Context Manager)
定义如何使用如何创建1.定义写代码时,我们希望把一些操作放到一个代码块中,这样在代码块中执行时就可以保持在某种运行状态,而当离开该代码块时就执行另一个操作,结束当前状态;所以,简单来说,上下文管理器的目的就是规定对象的使用范围,如果超出范围就采取“处理”。 这一功能是在Python2.5之后引进的,它的优势在于可以使得你的代码更具可读性,且不容易出错。2.如何使用首先我们来看一段未使用上下文管原创 2016-10-11 18:20:24 · 3857 阅读 · 0 评论 -
Python学习笔记(六)-- 闭包(closure)
1.闭包的概念闭包是一个包含有环境变量取值的函数对象,是一种组织代码的结构,闭包的功能在于,它提高了代码的可重用性。2.闭包的使用关于闭包是什么样的形式,又是如何使用的,我们来看几段代码; code1:def line_func(): def line(x): return 5*x + 1 return line #返回函数对象line_hl = line_fun原创 2016-10-12 12:10:13 · 894 阅读 · 0 评论 -
Python学习笔记(七)-- 装饰器
1.何为装饰器?简单来说,装饰器就是用来包装函数或类的“函数”,它接收一个对象(函数对象或类对象),并且返回一个对象(函数对象或类对象)。2.装饰器如何使用?用于包装函数的装饰器 首先给出一段代码,然后我们试着用包装器来包装它;def squareSum(a, b): print("input", a, b) return a**2 + b**2def squareDiff(a,原创 2016-10-12 17:33:45 · 720 阅读 · 0 评论 -
Ubuntu14.04下MXNet安装
Ubuntu1404下MXNet安装安装流程step0 安装基本的依赖包step1 安装CUDAstep2 安装cudnnstep3 下载MXNet源码step4 安装OpenCVstep5 安装MXNet for Pythonstep6 安装Python的相关库step7 测试MXNet是否安装成功参考链接Ubuntu14.04下MXNet安装MXNet是一个轻量化分布式且可原创 2017-02-15 12:01:40 · 5377 阅读 · 0 评论 -
MXNet:手把手教你如何用im2rec.py生成rec数据文件
第一步生成list文件第二步生成rec文件第一步:生成list文件首先,在你的MXNet目录下找到im2rec.py的位置:~/mxnet/tools/im2rec.py其次,准备好你要用来生成rec文件的数据集,存放在某个目录下,如:/home/xxx/data/现在,我们可以开始生成list文件了,文件后缀为:.lst python ~/mxnet/tools/im2rec.py –lis原创 2017-04-27 14:58:18 · 14647 阅读 · 4 评论 -
基于DL的计算机视觉(5)--理解反向传播
1. 引言其实一开始要讲这部分内容,我是拒绝的,原因是我觉得有一种写高数课总结的感觉。而一般直观上理解反向传播算法就是求导的一个链式法则而已。但是偏偏理解这部分和其中的转载 2016-08-11 11:29:21 · 963 阅读 · 0 评论 -
基于DL的计算机视觉(4)-- SGD
1. 引言上一节深度学习与计算机视觉系列(3)_线性SVM与SoftMax分类器中提到两个对图像识别至关重要的概念:用于把原始像素信息映射到不同类别得分的得分函数/转载 2016-08-11 11:25:39 · 926 阅读 · 0 评论 -
基于DL的计算机视觉(3)-- SVM和Softmax分类器
1. 线性分类器在深度学习与计算机视觉系列(2)我们提到了图像识别的问题,同时提出了一种简单的解决方法——KNN。然后我们也看到了KNN在解决这个问题的时候,虽然实现起来非转载 2016-08-11 11:23:19 · 1667 阅读 · 0 评论 -
Python计算机视觉Learning(一)-- Python图像处理类库--PIL
1.简介PIL(Python Image Library)是一个Python库,它提供了通用的图像处理功能,以及大量有用的基本图像操作,如图像缩放、旋转等,该类库中最重要的模块为Image;PIL库是开源的,点击下载下载链接。2.基本图像操作2.1 图像读取from PIL import Imageimg = Image.open('xxx.jpg');PIL的open()函数可原创 2016-07-25 19:58:20 · 909 阅读 · 0 评论 -
Python计算机视觉Learning(二)-- Matplotlib类库
Matplotlib类库具有比PIL更强大的绘图功能,其中的PyLab接口包含了很多方便用户创建图像的函数。Matplotlib同样是个开源库,下载链接绘制图像,点和线from PIL import Imageform pylab import *#绘制图像#读取图像到数组img = array(Image.open('lena.jpg'))imshow(img)#绘制点原创 2016-07-26 14:19:56 · 478 阅读 · 0 评论 -
Python学习笔记(零)-- Python简介
Python是一门面向对象,解释型(边执行边解释)的编程语言,1991年首次公开发行,因为快速高效,所以像YouTube以及过你额的豆瓣都是用Python来写的;Python语法简洁且清晰,而且强制使用空格来缩进,具有强大而丰富的库,包括自己的和第三方的库,能够为使用者提供丰富多样的功能,具体了解可以访问Python官网(https://www.python.org/)进行更多的学习和深入。关原创 2016-07-28 13:43:40 · 556 阅读 · 0 评论 -
Python学习笔记(二)-- iPython notebook
什么是iPython notebook?它是一种新兴的交互式数据分析与记录工具,既是一个交互计算平台,又是一个记录计算过程的“笔记本”;它定义了一种全新的计算文件格式,其中包含了代码、代码说明以及每一步的计算输出(包括数值或图片);它是数据分析、科学计算以及交互计算的“利器”;在很多课堂教学以及在线课程上,许多讲师都喜欢用它来给学生演示代码,因此很受大家青睐。iPython n原创 2016-07-29 10:35:35 · 5505 阅读 · 0 评论 -
K-Means聚类算法
本文系翻译(原文),必要时揉入了自己的理解,各位看官,如有错误还望多多包涵。1.引言 前面说过,机器学习是一门处理数据的学科,计算机发展至今,也诞生了数不胜数的跟数据有关的智能算法,正因为这些算法才让那些从事数据分析和处理的人们得以发挥自己的聪明才智。这些算法表面上看似极其复杂无比,但是如果你有心将它们一一整理并且深入的理解,那么在你需要时,你会发现找到一个适合的算法应用到你的翻译 2016-05-27 12:59:06 · 4622 阅读 · 0 评论 -
Python学习笔记(三)-- 数据结构
1.元组Tuple元组,其值不可变,因此又叫定值表;相当于我们c中的静态数组,一旦确定了数组长度,不可再往数组中添加元素;定义:T = (1,2,3)引用:与数组一样,下标引用T[0]>>>12.表Listlist,值可以改变,相当于动态数组,可以添加元素和删除;定义:L = [1,2,3,4]引用:1)下标引用:L[1]>>>22)与MATLA原创 2016-08-02 18:33:52 · 671 阅读 · 0 评论 -
基于DL的计算机视觉(9)--神经网络之动手实践
1.引言前面8小节,算从神经网络的结构、简单原理、数据准备与处理、神经元选择、损失函数选择等方面把神经网络过了一遍。这个部分我们打算把知识点串一串,动手实现一个简单的2维平面神经网络分类器,去分割平面上的不同类别样本点。为了循序渐进,我们打算先实现一个简单的线性分类器,然后再拓展到非线性的2层神经网络。我们可以看到简单的浅层神经网络,在这个例子上就能够有分割程度远高于线性分类器的效果。转载 2016-08-11 11:52:10 · 795 阅读 · 0 评论 -
基于DL的计算机视觉(10)-- 详谈CNN
1. 前言前面九讲对神经网络的结构,组件,训练方法,原理等做了介绍。现在我们回到本系列的核心:计算机视觉,神经网络中的一种特殊版本在计算机视觉中使用最为广泛,这就是大家都知道的卷积神经网络。卷积神经网络和普通的神经网络一样,由『神经元』按层级结构组成,其间的权重和偏移量都是可训练得到的。同样是输入的数据和权重做运算,输出结果输入激励神经元,输出结果。从整体上看来,整个神经网络做的事情,依旧转载 2016-08-11 11:54:37 · 1074 阅读 · 2 评论 -
基于DL的计算机视觉(11)-- 基于DL的快速图像检索系统
1.引言本系统是基于CVPR2015的论文《Deep Learning of Binary Hash Codes for Fast Image Retrieval》实现的海量数据下的基于内容图片检索系统,250w图片下,对于给定图片,检索top 1000相似时间约为1s,其基本背景和原理会在下文提到。2.基本问题与技术大家都知道,基于内容的图像检索系统是根据图像的内容,在已转载 2016-08-11 11:59:19 · 1082 阅读 · 0 评论 -
基于DL的计算机视觉(2)--实现图像分类最简单的方法:KNN
1. 图像分类问题这是人每天自然而然会做的事情,普通到大部分时候,我们都感知不到我们在完成一个个这样的任务。早晨起床洗漱,你要看看洗漱台一堆东西中哪个是杯子,哪个是你的牙刷;转载 2016-08-11 11:21:05 · 2741 阅读 · 0 评论 -
MXNet:训练自己的数据并做预测
Prepare the input dataBecause the input data’s formt of MXNet is rec,so we must turn the image into the .rec format,as folow:First, we prepare some face images data stored in ‘test_face’ file:step1:bui原创 2017-04-27 17:22:06 · 4274 阅读 · 4 评论