exsolar_521的博客

原创 基于python-opencv给图像添加水印

基于python-opencv给图像添加水印

原创 爱斯维尔-模式识别 Pattern Recognition论文投稿周期

爱斯维尔模式识别PR投稿心得

原创 基于Python-Opencv实现哈哈镜效果

基于Python-Opencv实现哈哈镜效果，虚拟相机创建、定义3D镜面、坐标重映射

原创 python算法集锦1-10

1.递归实现阶乘 def fac(N): if N==1: return 1 else: return N*fac(N-1)print(fac(3))#62.线性搜索与二分搜索实现求平方根比起线性搜索，二分搜索的计算复杂度更低。#method1:线性搜索def sqrt(N): ''' linear saerch ''' for i in range(N): if i*i==N:

原创 基于Opencv的图像卡通化

这里写自定义目录标题基于Opencv的图像卡通化铅笔素描效果国画效果抽象效果基于Opencv的图像卡通化主要工具是高斯滤波器、细节增强滤波器、双边滤波、拉普拉斯滤波器。铅笔素描效果将输入图像灰度化后及逆行高斯滤波，其中由于高斯滤波服从正态分布，核数越大、越模糊。最后一步是将原始灰度图像除以模糊后的灰度图像。这样可以得出两个图像中每个像素之间的变化率。模糊效果越强，每个像素的值相对于其原点的变化就越大，因此，它使我们的铅笔素描更加清晰。其中第一幅图核数为25，第二幅图核数为75。（领会除法运用在此处的

原创 pytorch使用过程中的cmd

pytorch使用过程中的cmd1.nvidia-smi证明驱动已装好，并显示GPU的内存、使用情况等信息。2.torch.cuda.is_available() #判断当前GPU是否可用

原创 机器学习有关的概率论与信息论基本知识

本文内容参考 机器学习相关的概率论和信息论基础知识概率论 是很多机器学习的算法的构建模型的基础，信息论 可以描述随机事件的信息量也可以计算两种概率分布的差异。@机器学习有关的概率论和信息论基础概率论概率；随机事件；随机变量；1.某次试验具有偶然性；相同条件下的大量重复实验具有规律性。2.一个随机试验的可能结果（称为基本事件）的全体组成一个基本空间Ω。随机变量X是定义在基本空间Ω上的取值为实数的函数，即基本空间Ω中每一个点，也就是每个基本事件都有实轴上的点与之对应。概率质量函数；概率密度函数；

原创 CART分类回归树-Gini系数 基于原理的代码练习

特征选择，决策树生成，决策树剪枝特征选择gini计算系数函数。按照特征进行dataframe划分函数。在给定特征的条件概率下对其他特征进行遍历，找到gini系数最小的特征，并返回gini系数值以及按照此特征重新划分后的子空间。#读数据data=pd.read_csv('example_data.csv')#pandas-framework# humility outlook temp windy play# 0 high sunny hot False

原创 基于numpy的逻辑回归

交叉熵损失函数；sigmoid激励函数基于numpy的逻辑回归的程序如下：import numpy as npimport matplotlib.pyplot as pltfrom sklearn.datasets.samples_generator import make_classificationclass logistic_regression(): def __init__(self): pass def sigmoid(self, x): .

原创 基于numpy的线性回归-python

class类中包含：创建数据参数初始化计算输出值，损失值，dw,db预测函数交叉验证函数其中用到的数据集为sklearn中的糖尿病数据集具体代码如下：import numpy as npfrom sklearn.utils import shufflefrom sklearn.datasets import load_diabetesimport matplotlib.pyplot as plt#基于numpy实现一个简单的线性回归模型#用class进行简单封装class lr

原创 稀疏认知学习、计算与识别的研究进展-焦李成论文学习笔记

引言1.已发现许多自然信号在适当的变换下呈现稀疏性(即大多数变换系数为零或接近于零,仅有少数的变换系数不为零).2.验证了自然图像经过稀疏编码后,学习得到的基函数可以近似描述V1 区上简单细胞的感受野的响应特性。3.本文：借鉴生物视觉的稀疏认知机理,学习并完成该机理的数学建模,进而通过得到的稀疏认知计算模型实现目标(如自然图像等)的识别.生物视觉稀疏认知机理的研究进展生物视觉稀疏认知机理的生理实验依据实验结论：: 具有相同的轮廓与形状但细节不同的视觉刺激,所引起V1 区的活性模式是相似的,即具

原创 Matplotlib速成学习笔记

Matplotlib基本使用画图种类多图合并显示Matplotlib功能强大，可以画线图;散点图;等高线图;条形图;柱状图;3D 图形,甚至是图形动画等等.基本使用1.基本画图import matplotlib.pyplot as pltimport numpy as npx=np.linspace(-20,20,100)y=x**2plt.figure()plt.plot(x,y)plt.show()#多张图同时显示plt.figure(num=2,figsize=(10,10),

原创 python threading多线程速成学习

多线程添加线程join之进程执行的顺序存储进程结果QueueGIL（Global Interpreter Lock)三级目录三级目录多线程可以加速程序的运算，此笔记为python的多线程模块threading的学习笔记。添加线程import threadingthreading.active_count()#获取已经激活的线程数# 1threading.enumerate()#查看所有的线程信息# [<_MainThread(MainThread, started 4088)>]

原创 python对一个句子倒序输出

def spin_words(a): lenth = len(a) # print(len(a)) b = [] c=[] for i in range(lenth): if a[i] == " ": b.append(i) # 定位出空格所在位置前一个字符位置 b.append(lenth) b=b[::-1] # print(b) if len(b)==1: c=a[::-

原创 python3 对一个句子从尾到头输出且对其中长度小于某值的词语进行倒序

#所有句子整体倒序，对长度小于某值的再倒序def spin_words(a): lenth = len(a) # print(len(a)) b = [] c=[] for i in range(lenth): if a[i] == " ": b.append(i) # 定位出空格所在位置前一个字符位置 b.append(lenth) b=b[::-1] # print(b) if len(

原创 python3对一个字符串中长度大于某个值的串倒序，小于某个值不变，最终输出

a="ecnetnes a si ecnetnes sihT"lenth=len(a)print(len(a))b=[]c=[]for i in range(lenth): if a[i]==" ": b.append(i)#定位出空格所在位置前一个字符位置b.append(lenth)print(b)for j in b: if j==b[0]: if j>=5: temp1=a[:j][::-1]#前闭后开，不

原创 Pandas数据可视化显示

原创 pandas合并之merge

原创 pandas合并之concat

原创 pandas处理丢失数据 dropna,fillna,isnull,notnull

原创 pandas对DataFrame中的值进行设置

原创 pandas之筛选数据

原创 pandas Series与DataFrame

原创 numpy copy&deep copy学习笔记

原创 numpy-array分割 等量/不等量分割

原创 Numpy-array合并

原创 Numpy索引

原创 numpy基础运算

一.一维数组运算加法、减法、乘法、乘方二.二维数组运算

原创 numpy学习笔记-array属性及其创建

原创 Pytorch之dropout避免过拟合测试

一.做数据二.搭建神经网络三.训练四.对比测试结果注意：测试过程中，一定要注意模式切换

原创 Pytorch之GAN小例子

一.真实数据二.架构三.训练四.可视化

原创 pyTorch-DQN强化学习之立杆子游戏

一.参数设置二.NET架构三.DQN体系DQN体系：选动作机制，存经历机制，学习机制四.训练

原创 pytorch-自编码器实现手写数字识别

一.建立数据集，超参数设置二.建立Auto-Encoder架构三.训练1.训练结果2.程序

原创 pyTorch之RNN实现sin拟合cos（回归问题）

一.超参数设置，建立数据二.建立RNN架构结果如下所示：上面是用for-loop形式计算，为了提高计算速度，可以用下面简化的reshape形式写。三.训练及其显示

原创 pytorch之LSTM实现minsts数字分类

一.超参数设置、建立训练数据集、测试数据集二.RNN架构结果：三.训练训练结果如下图所示：

原创 pytorch-CNN之MINST数据识别

一.下载数据集下图为数据集的下载过程：二.示例图片显示三.测试数据集及其批处理设置四.CNN架构设置打印CNN结果五.MINST数据识别

原创 pytorch-不同的optimizer不同梯度更新法作图

原创 pytorch-批处理

一.shuffle=True打乱数据二.shuffle=False不打乱数据

原创 pytorch-模型保存与提取

原创 pytorch快速搭建神经网络

由上述结果可以看出，两种不同的神经网络搭建方式，第二种结构中包含了激活函数，此时Relu大写为一个类。第一种结构激活函数在forward( )中，此时relu小写，为功能。相比之下，我们可以在第一种方式中个性化前向传播功能。...