Lily的博客

np.where 的用法

numpy 与 torch中压缩、扩展维度的方法

PIL，cv2读取类型及转换

数据增强

卷积核类型简介一个简短的介绍卷积使用“kernel”从输入图像中提取某些“特征”。kernel是一个矩阵，可在图像上滑动并与输入相乘，从而以某种我们期望的方式增强输出。看下面的GIF。上面的kernel可用于锐化图像。但是这个kernel有什么特别之处呢？考虑下图所示的两个输入图像。第一个图像，中心值为3 * 5 + 2 * -1 + 2 * -1 + 2 * -1 + 2 * -1 =7，值3增加到7。第二个图像，输出是1 * 5 + 2 * -1 + 2 * -1 + 2 * -1 + 2 * -1

pytorch_5.11 残差网络--RestNet </h2> <div class="postbody"> <div id="cnblogs_post_body" class="blogpost-body cnblogs-markdown">了解残差网络ResNet是何凯明在2015年提出的一种网络结构ResNet又名残差神经网络，指的是在传统卷积神经网络中加入残差学习（res...

添加程序（一定要添加在包的最前面）import osos.environ["KMP_DUPLICATE_LIB_OK"] = "TRUE"

pytorch 中常见的numpy版本问题报错，本人深受困扰以下三个问题都是numpy 包版本的问题（本人遇到:2，3）：1：UserWarning: Failed to initialize NumPy: No module named ‘numpy.core._multiarray_umath‘2： RuntimeError: implement_array_function method already has a docstring3：TypeError: float() argument

code 中的小问题很困扰啊使用plt 显示保存图片，numpy 通道顺序的问题opencv 绘图报错（仅对于plt加载的图片进行绘图时报错）import torchimport matplotlib.pyplot as pltimport numpy as npimgs = np.ones((3,256,256))imgs = (imgs * 255).transpose(2, 1, 0)imgs_ = imgs.astype(np.uint8).copy()print('imgs:'

设图像大小为n * n问题为：将 n*n 数组变为 n*n*3*# 1 numpy实现： temp = np.expand_dims(img,axis=2).repeat(3,axis=2)# 3```python # 2 pytorch实现tensor.repeat() [3链接详情](https://blog.csdn.net/qq_41568188/article/details/107250635?ops_request_misc=%257B%2522request%255Fi

import matplotlib.pyplot as pltimport numpy as npimport cv2通道是3mask_ = np.zeros((256,256,3))cv2.circle(mask_, (60, 60), 30, (0, 255, 0), 2) # x,y,r,color,thicknessplt.title('match_template')# plt.imshow(target,cmap='gray')plt.imshow(mask_, cmap='

if epoch % 10== 0: plt.title('ber:{:.3f},a: {:.3f},b:{:.3f},snr: {:.3f}'.format( error_rate, a, b,M )) plt.plot(r3) # 绘制波形 # save_image(r3, './img/fake_images-{}.png'.format(epoch + 1)...

简介：np.vstack((a, b))垂直堆叠，要求两个数组矩阵具有相同的列数（以二维数组为例）np.hstack((a, b)) *注意是双扩后*水平堆叠，要求两个数组矩阵具有相同的行数（以二维数组为例）方法一：import numpy as npx = np.zeros((1,2,2))y = np.ones((1,2,2))z = np.ones((1,2,2))temp = np.vstack((x,y,z))方法二：# 写入listlist =[]

import numpy as npa = np.array([1,2,3,-1,-2,9])where 的条件索引使用：c = np.where(a==3)print(c) # tubleprint(c[0])结果：ss = np.where((a>=1))ss_value = a[ss]print(ss[0]) # 对应的索引print(ss_value) # 索引对应的值结果：在原数组中修改值：a[a>0] = 0 # 在原数组上进行修改print(

**环境 ** Anaconda 3 Python 3.6 Numpy 1.14.3 二、功能用途及官方说明 1、hstack 功能：沿水平方向堆叠数组（numpy array） 用途举例：机器学习数据集准备过程中，可以用于将数据列与标签列在水平方向上合并，从而得到带标签的数据集 官方说明：https://docs.scipy.org/doc/numpy-1.15.0/reference/generated/numpy.hstack.html#numpy.hstack 2、vst.

打开 Anaconda Prompt输入命令 jupyter notebook --generate-config打开C:/Users/你的户/.jupyter/jupyter_notebook_config.py修改 #c.NotebookApp.notebook_dir = '' 为 c.NotebookApp.notebook_dir = '你想要默认打开的文件夹'开始菜单找到 jupyter notebook 快捷键，右键->更多->打开文件所在位置，找打快捷方式在文件中

diff(func,x,n) 其中，func是要求导的函数，x是要对其求导的变量，n是可选的，表示求n阶导数，默认为1阶导数。 例子1 注意，在用diff进行求导之前，需要用symbols函数定义变量 from sympy import difffrom sympy import symbolsdef func(x): return x**4x = symbols("x")print(diff(func(x),x))输出结果为：4*x**3 例子2（求多阶导数） from sym

from sklearn import preprocessing## z- score 标准化 1scaler = preprocessing.StandardScaler().fit(x_train)x_train = scaler.transform(x_train)x_train,np.max(x_test),np.min(x_test)x_test = scaler.transform(x_test)## max - min 标准化 2x_train = preprocessin

引入包文件import numpy as npimport matplotlib.pyplot as pltfrom sklearn import datasets# step1: 加载数据集iris = datasets.load_iris()X = iris.datay = iris.targetX.shape,y.shape# step2: 数据集的划分，测试数据集和训练数据集# 数据集划分np.random.seed(666)shuffle_indexs = np.rand

map的使用class map(func, *iterables)传入参数X1 def sum(a): return a+a if __name__ == '__main__': Ls1 = [1,2,4] r = map(sum, Ls1) print(tuple(r))运行结果：(2, 4, 8)传入参数X1，X2 def sum(a,b): return a+b if __name__ == '__m

################################################## 补全################################################## 计算 padding: (x-3+1)= 5 ,x= 7, padding=(7-5)/2=1import numpy as npfrom matplotlib import pyplot as pltimport imageio## 输入原始矩阵img, 卷积核w,## 补全的坐标ra

import numpy as np### 不补全卷积运算""" 实现 5*5的w矩阵 与 核为3*3的矩阵ker卷积 得到3*3的矩阵的过程一共生成3*3的计算矩阵 (5-3+1)*(5-3+1)= 3*3 = 9个每个3*3 的矩阵一共9个元素，最终形成9*9的矩阵来存储要计算的矩阵""""""k_r : 卷积核的长k_1 : 卷积核的宽w_r : 原始矩阵的长w_l : 原始矩阵的宽"""## 得到要计算的矩阵def pro_M(k_r,k_1,w_r,w_l): t

概述按照图一中aixs=0，对aixs=0上下对应的数据进行相加在学习numpy的时候，最难理解的就是轴的概念，我们知道坐标系中有轴的概念，那么两个轴是否有关联呢？为...