- 博客(30)
- 收藏
- 关注
RSS订阅原创 【class19】人工智能初步---语音识别（5）
不同之处在于：detect_nonsilent()通过传入静音段的参数min_silence_len, silence_thresh去除静音段，来定位语音段的位置，从而获取语音段时间信息，返回值为列表。第16行，使用detect_nonsilent()获取语音段时间信息。使用str()函数将mspart转化为字符串，再通过zfill()函数返回长度为3的字符串，位数不够前面补0。使用str()函数将spart转化为字符串，再通过zifill()函数返回长度为2的字符串，位数不够前面补0。
2024-05-29 16:22:27
738
原创 【class18】人工智能初步----语音识别（4）
批量调用接口识别音频：在for循环结果的循环体内，调用语音识别函数audio2text()，获取语音识别结果，并输出识别结果，实现批量调用接口识别音频。语音识别的输入和输出都是不定长序列，换句话说，就是每次输入的语音和输出的文字长度不定。比如，时长不一样的语音，采样后所得的数字序列是不一样长的。本节课，我们学习了语音识别模型的结构和原理，同时调用创建好的AipSpeech客户端实现了语音转文字功能。注意：该接口只能将60秒以下的音频识别为文字，若音频时长超过限制，可切分为多段音频进行识别。
2024-05-28 18:47:00
1435
原创 【class17】人工智能初步-----语音识别（3）
第17行，使用split_on_silence()切分音频，并传入参数sound,min_silence_len,silence_thresh。完成模块的导入后，我们利用语音端点检测的原理： 对split_on_silence类，设置适当的参数。音频这个东西，看波形就可以看出来有没有声音，哪部分是语音段，哪部分是静音段一目了然。文件保存至路径变量path，路径为/Users/yequ/下的音频文件，文件名从音乐片段0.wav-音乐片段11.wav音乐。
2024-05-27 11:35:07
1285
原创 【class15】人工智能初步----语音识别（2）
使用AudioSegment类中的from_wav()函数读取音频文件"大话西游.wav"。是最常见的声音文件格式之一，一种标准的数字音频文件，该文件能记录各种单声道或立体声的声音信息，并能保证声音不失真。使用VideoFileClip类中的.audio属性获取加载后视频文件的音频。使用.audio属性可以获取视频中的音频对象。使用AudioSegment类中的from_wav()函数读取音频文件"大话西游.wav"第7行，使用VideoFileClip类中的audio方法获取加载后视频文件的音频；
2024-05-26 10:34:57
672
原创 【class14】人工智能初步之语音识别
在这个过程中，耳朵就相当于声音的接收端，大脑相当于GPU，对声音进行处理，最终得出一个判定的结果。我们知道电脑只能对数字进行处理分析，语音识别模型的输入和输出没有我们想象的那么简单：输入和输出不一定是简单的语音和文字。比如，音位字典告诉电脑，cat由K、AE、T三个音位组成，遇到这三个音位组合时，就输出cat这个单词。与图像识别类似，人类对自己熟悉的语言，理解起来很简单，遇到不熟悉的语言，理解起来就比较困难了。在深度学习没有流行之前，以音位为输出是很常见的，因为音位和声音的对应关系比较强，机器更好理解。
2024-05-25 09:15:00
950
原创 【class14】创建自己的OCR系统
想要从字典result中取出参数'words_result'的值，得到文字信息，可以用result['words_result']。列表中的每一个元素又是一个字典，我们想要获得'words'参数中的文字信息就需要指定键'words'。示例中添加了参数detect_direction，将其设置为"true"，就能检测图像的朝向。这几行高亮的代码，利用「通用文字识别（高精度版）」接口，对一张输入图片，识别出所有文字。最后，为了保存记录，我们试着将刚刚获得的所有文字信息写入最简单的文本文件，方便查看。
2024-05-24 08:30:00
834
原创 【class13】人工智能初步（OCR技术初步）
比如，习惯了复制粘贴后，遇上想借鉴的纸质文件、需付费才能复制的文档、无法选取的PDF文件或图片，只能一个字一个字重新敲？背景复杂， 字体多样， 颜色多变， 方向任意， 大小不同， 语言不统一， 板式不固定这些问题。每一层的每个阀门都与下一层的所有阀门相连，组成一个从前到后，逐层完全连通的水流系统。在电商行业中，智能识别广告图中的文字内容，过滤广告中的不良信息，为企业降低业务风险。实际上，对我们来说，OCR一点儿也不陌生。再看一看，是不是标记了"中"字的出口水流最多，如果不是，再调节所有的阀门。
2024-05-23 08:45:00
1197
原创 【class13】人工智能初步（人脸识别（4））
检测到的面孔【位置信息】与配置options参数时添加的【检测质量】、【年龄预测】信息，也会依次记录在ret_data['result']['face_list']这些字典中。当识别到多张人脸时，ret_data['result']['face_list'] 列表里会存储多个字典，且每个字典都对应了一个人脸的基本信息。其中，对五官的遮挡检测存储在face_msg['quality']['occlusion']，ret_data['result']['face_list'] 中用列表存储每张人脸的信息；
2024-05-22 08:45:00
889
1
原创 【class12】人工智能初步（人脸识别（3））
配置options参数不仅让我们成功检测到图中的所有面孔，并依次将每个面孔的【位置信息】、【检测质量】与【年龄预测】等信息，记录在ret_data['result']['face_list']这些字典中。检测到的面孔【位置信息】与配置options参数时添加的【检测质量】、【年龄预测】信息，也会依次记录在ret_data['result']['face_list']这些字典中。在 options 字典中，加入一个键为'face_field'的元素，它的值为字符串存储的属性名称。
2024-05-21 08:30:00
829
原创 【class12】人工智能初步（人脸识别（2））
配置options参数不仅让我们成功检测到图中的所有面孔，并依次将每个面孔的【位置信息】、【检测质量】与【年龄预测】等信息，记录在ret_data['result']['face_list']这些字典中。在 options 字典中，加入一个键为'max_face_num'的元素，该元素对应的整数值就是程序能够从图片中识别到的最多人脸数目。如果文件已经存在，则可以在文件的末尾追加内容，并且可以读取文件内容。在 options 字典中，加入一个键为'face_field'的元素，它的值为字符串存储的属性名称。
2024-05-20 09:00:00
1175
原创 【class11】人工智能初步（人脸识别（1））
是人脸识别的Python SDK客户端，它为使用人脸识别的开发人员提供了一系列的功能方法。若要实现类似于“美颜”、“脸部卡通特效”等更精准的脸部修改，需要程序在检测到人脸的同时，进入【人脸识别】页面以后，我们需要通过【去创建】功能，创建一个私人使用的人脸识别应用。在今天的课程中，通过创建AipFace，我们完成了开发“口罩佩戴检测”系统的第一步。利用一些第三方接口，即API，能够让我们更小成本的实现人脸识别的过程。判断的图案越复杂，程序的计算量就会越大，获取结果的时间也就越长。
2024-05-19 17:13:48
912
1
原创 【class10】人工智能初步----批量化处理
要查看文件夹中所有的文件，该文件夹的路径为imgroot ，就将该路径传入到 os.listdir() 函数中。的方式拼接变量 imgroot、"/"、变量 imgname，将拼接后的字符串赋值给变量 filePath。使用 os.listdir() 函数获取文件名后，返回一个列表，列表中的每个元素是文件夹中的每个文件。每个上层标签的字符数不一样，有的2个字的，比如动物、植物，有4个字的，比如自然风景。使用os.listdir()函数获取该路径下所有的照片，并赋值给变量imglist。
2024-05-17 10:15:00
778
原创 【class9】人工智能初步（处理单张图片）
例如：cat.jpg 要移动到'动物-猫'这个文件夹中，需要先检查 'img'文件夹中是否已经创建了名为'动物-猫'的文件夹。创建完文件夹，我们打开'img'文件夹就可以看到刚刚创建的'动物-猫'这个文件夹。及以后的版本中，字典记住了插入顺序，但这是一个实现细节，不应依赖于这一点来保证跨版本的一致性）。这几行高亮的代码，利用通用物体识别接口，对一张输入图片，输出其中的多个物体及场景标签。它接收两个参数，第一个参数是要移动的文件（夹）路径，第二个参数是目标文件（夹）的路径。
2024-05-16 08:00:00
1182
原创 【class8】人工智能初步（图像识别-----卷积神经网络）
这里，为了方便使用，先将AppID、API Key和Secret Key以字符串的形式，依次赋值给变量APP_ID、API_KEY和SECRET_KEY。但是网络的设计并不是简单的层数上的纵向堆叠，每一层的参数都需要不断反复的调试，投入大量的人力、物力和时间。即使一个简单的深度学习模型，跑一次数据的时间也短则数小时，长则数天，普通的电脑很难满足要求。大量的数据和参数需要大量的计算资源支持，因此越深越复杂的网络对计算资源的需求也越大。深度学习的许多研究成果，离不开对大脑认知原理的研究，尤其是视觉原理的研究。
2024-05-15 08:00:00
1214
原创 【class】人工智能初步（了解深度学习）
对于同样尺寸的一幅图，如果图像分辨率越高，则组成该图的图像像素数目越多，像素点也越小，图像越清晰、逼真，印刷的质量也就越好。我们的眼球转动一次的平均时间是200毫秒，如果把这每一次转动比作按下一次相机快门的话，一个2岁左右的孩子，已经看过上亿张现实世界的图片了。我们常说的某幅图像的分辨率是1280（长）×720（宽），指的就是这张图中的每一行都有1280个像素，每一列都有720个像素。面对陌生的事物，我们也很难认清。如果我们用不同的数字来表示不同的颜色，图像就可以表示为一个数字表，这就是计算机所看到的。
2024-05-14 08:15:00
781
原创 【class6】人工智能初步（选择一个合适的监督学习算法。）
通过这样的方式，第二层的感知器就能处理更复杂和更抽象的数据。细心的同学可能已经发现，我们在处理数据集时使用的是fit_transform()函数，但在处理没有标签的预测数据时使用的是transform()函数，为什么呢？因此，我们只需要使用transform()，这样就可以使用相同的均值和方差来对没有标签的数据进行转换，同时又避免了我们的模型学习预测数据的特征。那么对于没有标签的数据，如果使用fit()函数，则会重新计算一份新的特征均值和方差，这样的话我们的模型就会又学习一遍没有标签数据的特征。
2024-05-13 08:15:00
1356
原创 【class5】建立人工智能系统（2）
通过这样的方式，第二层的感知器就能处理更复杂和更抽象的数据。有了预测结果后，我们就可以通过对比【依靠模型生成的测试集标签数据test_pred】和【测试集原本的标签数据test_label】，来检验模型的准确率。因此，我们只需要使用transform()，这样就可以使用相同的均值和方差来对没有标签的数据进行转换，同时又避免了我们的模型学习预测数据的特征。那么对于没有标签的数据，如果使用fit()函数，则会重新计算一份新的特征均值和方差，这样的话我们的模型就会又学习一遍没有标签数据的特征。
2024-05-12 05:24:06
928
原创 【class4】建立人工智能系统（1）
而每条评论的文本特征则需要我们来提取。当我们提取评价的文本特征后，就可以发现，每一条评论的文本特征都有一一对应的“好评”或“差评”的标签。这里，我们将random_state参数赋值为1，该数字没有特殊含义，可以换成其它任意整型（int），它相当于一个种子参数，使得每次划分数据的结果一致。每次运行程序时，train_test_split()函数都是根据随机数来对数据进行“洗牌”，从而达到随机划分数据的效果。将需要进行划分的数据集的文本特征X，作为必选参数，传入到train_test_split()函数中。
2024-05-11 08:18:50
1131
1
原创 【class3】人工智能初步（词频统计）
函数，用于构造词袋模型，计算各个词语出现的次数。fit_transform() 会筛选出所有评价里前15个出现频率最高的词语，并对这些词语进行编号，然后依次统计每条评价里这些词语出现的次数。接下来，就需要构造词袋模型，从这些评价中提取所有出现过的词语，然后统计每个词出现的频率，即词频。找到商品评论中出现次数最多的词语，比如出现频率最高的前15个词，可能就找出了最能够描述这件商品的关键词。为了构造词袋模型，我们已经完成了处理分词结果的第一个步骤，将每条评价的分词结果以空格连接生成一个新的字符串。
2024-05-11 06:32:09
1034
2
原创 【class2】人工智能初步（自然语言处理）
它的数据格式如图所示，文件中多个数据之间通常用逗号分隔，每一行的数据都是相同的结构。但在中文文本里，所有的字都连在一起，计算机并不知道一个字应该与其前后的字连成词语，还是应该自己形成一个词语。通过词袋模型生成的结果，词的顺序和语法都被忽略了，变成了一些词语间的组合，但又在一定程度上保留了主题信息。具体的方法是把所有的评价都存储在一个列表中，这样不论是遍历所有评价还是访问单独的某一条评价，都会非常方便。编程语言中的关键词数量是固定的，而自然语言中能使用的词汇量是无限的，甚至还在不断创造新词；
2024-05-08 22:46:44
1320
4
原创 【class1】人工智能初步（认识人工智能）
比如，我们会学习如何通过“人脸识别”技术，自动提取监控设备中的人脸画面，对乘客的面部特征进行分析，并对未佩戴口罩的乘客进行筛选并提醒。若在规定的时间内，大部分测试人员没有意识到与他聊天的是机器人，那我们就认为该机器人是“人类聊天模仿大师”，即它是具有智能的。测试具有聊天功能的机器人是否“智能”，我们可以让它模仿人类的说话习惯，然后与不同的测试人员聊天。简单来说，早期的“人工智能”程序由大量的字典等内容组成数据储备，并用固定数量的条件规则作为逻辑。通过某种方式将这些数据归纳、总结，就可以得出新的结论。
2024-05-08 16:04:29
740
1
原创 【class2】两个小练习
60 万到 100 万之间时，高于 60 万元的部分，可提成 1.5%，高于100 万元时，超过 100 万元的部分按 1%提成，从键盘输入当月利润 I，求应发放奖金总数？`for`循环结束后，如果还有剩余的利润（即利润超过了所有定义的阈值），则使用`rates`列表中的最后一个费率（针对超出最高阈值部分的利润）来计算奖金，并加到`bonus`中。- 如果当前利润大于正在处理的阈值，则先按照该阈值的费率计算该阈值部分的奖金，并从总利润中减去该阈值金额，继续循环处理下一个阈值。
2024-04-12 07:25:29
358
1
原创 【class1】python基础
1.变量名可以包含的字符有:小写字母(a-z)，大写字母(A-Z)，数字(0-9)，注意:此函数返回值为字符串型数据，要用 int()、float()或 eval()转。>>>a[1:4] #[start:end]从start提取到end-1。同时输出文字和变量 a 的数值(逗号分隔):print(“结果是”，a)2.布尔运算(逻辑运算):and(与)，or(或)，not(非)9.变量a在原有数值上增加1(a+=1，即a=a+1)>>>a[:4] #[:end]从开头提取到end-1。
2024-04-11 20:29:44
820
原创 【class7】
将 url 和 headers参数，添加进requests.get()中，将字典headers传递headers参数，给赋值给response。在 jieba 模块中，分词的方法有很多种，在这里，我们使用 jieba.lcut()。，将列表 list1 和列表 list2 使用 + 运算，赋值给 result，即可将两个。在 Python 中合并列表是非常常见的操作，方法也有很多，在这里，我们学习通过。传入 jieba.lcut()，将语句进行切分。，在这里，有多少条电影短评，就有多少个列表生成。
2024-04-08 07:25:38
1300
1
原创 【class6】一个爬虫的案例
response.raise_for_status() # 如果响应状态码为4XX/5XX，则引发HTTPError。info.to_excel(excel_writer=writer, sheet_name="计算机科学与技术")file_path = "C:\\Users\\DELL\\公务员职位信息.xlsx"print(f"请求页面{page}时出错：{e}")print(f"解析页面{page}时出错：{e}")"部门": departmentList,"地区": areaList,
2024-04-07 07:28:15
710
原创 【class5】关于string和text的一些知识 and 示例
使用BeautifulSoup()读取html，添加lxml解析器，赋值给soup。时，示例中标黄的部分：有两个节点，一个节点是 em 标签内容，另一个节点是纯文字。使用BeautifulSoup()读取html，添加lxml解析器，赋值给soup。使用find_all()查询soup中em的节点，赋值给content_all。使用find_all()查询soup中h2节点，赋值给content_all。使用find_all()查询soup中p节点，赋值给content_all。
2024-04-05 12:03:06
666
1
原创 【class4】爬虫基础
变量 soup 是一个 BeautifulSoup 对象，调用 soup 使用 find_all() 函数就能查找 HTML 中的内容。示例代码中，如果我们想要获取 h1 标签所在的节点，可以在 find_all() 中，传入 name 参数，其参数值为 h1。使用find_all()查询soup中em的节点，赋值给content_all。中的 find_all() 函数，可以根据标签名，获取soup中的节点。将返回的结果，赋值给一个变量。看一看有什么不记得的内容，这是前几天的内容，多复习一下。
2024-04-04 08:59:13
1202
原创 【class3】
请求方法在请求头(Requests Headers)中，浏览器发送HTTP请求时，要告诉服务器此次请求的方法类型。状态码是由3位的数字构成的，主要用于返回服务器执行的结果。标签用于定义文档的主体，包含网页的图片、文字、链接、视频等多种展现形式。的，例如<head>元素中嵌套了<title></title>成对标签。，原因是它具有更高的效率，所以我们也将采用lxml解析器。标签用于定义文档的头部信息，这些信息不会展示在网页中。学习了对内容的解析，下节课我们继续学习对内容的定位~~
2024-04-03 11:03:50
1267
原创 【class2】爬虫基础
前面内容讲到，网页爬虫能够获取网页上的信息，要使用Python来爬取网页内容，需要安装。注意】在自己电脑上安装模块后，导入requests模块时，可能会出现如下报错信息。以上就是作者今日所学，明天我们就开始了解HTML，wei后面的爬虫项目做准备，仔细观察刚刚输出的内容，不像我们日常接触的Python语言。（1）爬虫爬取的原则是所见即所得，只能获取网页上有的内容。安装之后，用import导入requests模块。（3）“//”后面，“/”前面部分为主机名。，url=“ http：//+主机号+/”
2024-04-02 10:30:12
1844
原创 【class1】爬虫基础知识
服务器的种类有很多，当浏览网页时其主要作用就是将网页信息提供给浏览器，此时的服务器也被称为Web服务器。日常浏览的网页中，既有图片、文字，还有精致的排版，这些页面是怎样展示出来的呢？表示服务器无法找到请求的资源，或者，有的服务器拒绝你的请求并不想说明理由时也会提示404。，爬虫主要请求服务器的资源，大量快速的访问服务器，会影响服务器速度，耗费服务器性能。请求方法在请求头中，浏览器发送HTTP请求时，要告诉服务器此次请求的方法类型。所以，爬虫获取的就是浏览器解析之前的源代码，也就是图中框选的内容。
2024-04-01 09:38:35
1614
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人