guoguozgw的博客

原创 回调函数-python-chatgpt4-Memory

点击memory即可观察到。

原创 回调函数-python-chatgpt4-langchain

在LangChain中，多个CallbackHandler可以用于不同的集成和监控任务。代码介绍的来源，通过点击callbacks获取。

原创 python异步同步-chatgpt

1.同步和异步 关注任务执行的阻塞与非阻塞。2.并发和并行 描述任务处理的方式，前者是逻辑上的同时发生，后者是物理上的同时发生。3.线程和协程 是执行代码的不同方式，线程依赖操作系统的调度，协程通常由应用程序的代码库来调度。4.进程 是系统分配资源和调度的基本单位，拥有独立的资源。

原创 回调函数-python-chatgpt4

假设我们有一个处理文件下载的功能，下载完成后我们需要进行一些处理，比如解压缩文件或者显示下载完成的消息。这里就可以使用回调函数来实现。

原创 机器学习算法系列————决策树（二）

机器学习算法系列————决策树（二）

原创 mysql中in和exist的区别

IN 适用于对一个列与一个值列表进行比较的情况，而 EXISTS 适用于需要判断子查询是否返回结果的情况，特别是当子查询返回大量数据时，EXISTS 更能保持查询性能。EXISTS 在某些情况下可能比 IN 更高效，特别是当子查询返回的数据量很大时，因为 EXISTS 只需要判断是否有结果，而不需要将整个结果集加载到内存。IN 的性能可能在列表中的值较少时比较好，因为它会在查询开始时将列表中的值都加载到内存中，然后进行比较。IN 可以与子查询一起使用，用于在查询结果中筛选出与子查询中的值匹配的记录。

原创 mysql的隐式连接和显式连接的区别

这种连接方式可以更明确地指定连接条件，使查询更易读、易懂，并且在处理复杂情况时更具可维护性。这种连接方式在简单查询时可能很方便，但在复杂查询中会降低可读性，容易出现错误，并且难以维护。隐式连接（Implicit Join）和显式连接（Explicit Join）是 SQL 查询中用于联结多个表的两种不同语法方式。总之，尽管隐式连接在某些情况下可能更简洁，但显式连接通常更加推荐，因为它提供了更清晰、更具可读性和可维护性的查询方式，尤其在处理复杂的查询场景时更为有利。

原创 limit的用法mysql

这在分页查询或者限制返回的数据量时非常有用。这将返回 Products 表中从第 4 行开始的 5 行数据，因为 LIMIT 的第一个参数表示起始行索引（从 0 开始计数）。这将返回 Orders 表中从第 21 行开始的 10 行数据，因为 OFFSET 指定了起始行索引。使用 LIMIT 可以方便地控制返回的数据量，避免一次性返回过多的数据，提高查询效率。这将返回 Customers 表中的前 5 行数据。这将返回 Employees 表中的第一行数据。

原创 mysql中的窗口函数

请注意，窗口函数的使用可能会涉及到不同数据库管理系统的特定语法和支持程度。SUM(), AVG(), COUNT(), MAX(), MIN(): 计算某一列在窗口范围内的聚合值。DENSE_RANK(): 计算每一行的排名，相同值会有相同的排名，但没有跳过的排名。在这个查询中，使用了RANK()函数来计算每个员工的薪水排名，按照薪水降序排序。ROW_NUMBER(): 分配唯一的整数值给结果集中的每一行，表示行的顺序。RANK(): 计算每一行的排名，相同值会有相同的排名，但可能有跳过的排名。

原创 MySQL中的having和where的区别

假设有一个表格 Sales 包含销售订单的信息，包括订单号、产品、数量和金额等。我们想要找到销售数量大于 100 且订单总金额大于 1000 的产品。2通常与 GROUP BY 一起使用，用于对分组后的数据进行条件筛选。4在对分组结果进行聚合后的条件筛选时使用，例如基于聚合结果的条件筛选。3在对单个行进行判断和过滤时使用，例如基于行的条件筛选。2作用于单行数据，过滤不满足条件的数据行。1用于在查询执行之前对原始数据进行筛选。1用于在数据分组之后对分组结果进行筛选。3作用于分组数据，过滤不满足条件的分组。

原创 pandas_groupy的使用

【代码】pandas_groupy的使用。

原创 OpenCV——总结《车牌识别》

hsv提取蓝色部分_pic2.111100010000_pic。

原创 OpenCV——总结《车牌识别》之《常用的函数介绍》

用于创建形态学操作的结构元素（structuring element）。参数解释：shape：结构元素的形状，可以是以下值之一：cv2.MORPH_RECT：矩形结构元素。cv2.MORPH_CROSS：十字形结构元素。cv2.MORPH_ELLIPSE：椭圆形结构元素。ksize：结构元素的尺寸，表示结构元素的宽度和高度。可以是一个整数，表示正方形结构元素的边长；或者是一个元组 (width, height)，表示矩形结构元素的宽度和高度。

原创 OpenCV——实验结果输出《图像金字塔》和《图像轮廓》

先对图片进行放大处理；再对图片进行减小处理；最后对图片进行增大和减小，然后和原图进行对比。

原创 OpenCV——实验结果输出《图像金字塔》和《图像轮廓》

1.高斯金字塔2.拉普拉斯金字塔

原创 OpenCV——实验结果输出《图像梯度》算子

精度要求不高可以考虑Sobel边缘提取方法, 反之考虑Canny边缘提取方法,还熟悉Laplance算子,由于对噪声比较敏感,常不用在边缘检测上。Canny算法不容易受到噪声干扰,利用强弱边缘,即弱边缘和强边缘相连时,才将弱边缘考虑,从而容易检测到真正的边缘,即定位精度比较高.Sobel算子对灰度渐变,多噪声图片处理效果很好,但对边缘定位精度较差,即定位不准确(大多数边缘不止一个像素);对于边缘提取算法,我们一般采用Sobel算子检测方法和Canny算法,这个图显示的是Canny边缘检测。

原创 OpenCV——《图像平滑》结果输出对比《形态学操作》

图像平滑是一项简单且使用频率很高的图像处理方法，可以用来压制、弱化或消除图像中的细节、突变、边缘和噪声，最常见的是用来减少图像上的噪声。常用的滤波器主要为：均值滤波器：并不能完全消除噪声，只能相对消除噪声。中值滤波器：主要用于椒盐噪声，效果会好点。高斯滤波器：进行平滑的同时，保持更好的分布。_show该结果从左到到右分别为原图、均值、方框、高斯滤波的三种比较方式。

原创 OpenCV——实验结果输出《图像基本操作》

图像融合主要使用的函数为。

原创 OpenCV——《直方图操作》和《模版匹配》

1.直方图均衡化img = cv2.imread('clahe.jpg',0)plt.hist(img.ravel(),256)plt.show()#旨在使得图像整体效果均匀，黑与白之间的各个像素级之间的点更均匀一点。equ = cv2.equalizeHist(img)plt.hist(equ.ravel(),256)plt.show()#进行对比，均值化之后的，没有均值化之后的。res = np.hstack((img,equ))cv_show('res',res)直方图均衡过后

原创 OpenCV——《bitwise_and》mask的操作以及直方图的操作

bitwise_and该函数是一个and操作当两者全为1的时候才会为1，有0则0.

原创 OpenCV——总结《图像处理-3》形态学操作

【代码】OpenCV——总结《图像处理-3》形态学操作。

原创 机器学习算法系列——————公式篇

原创 Numpy函数介绍（1）————np.meshgrid

Numpy_meshgrid

原创 机器学习算法系列——————集成学习详细总结(不涉及数学理论部分)（6）

集成学习详细总结(不涉及数学理论部分)

原创 Yolo检测框预测分析

NO

原创 机器学习算法系列——————支持向量机简单介绍（5）

支持向量机简单介绍

原创 XGBoost简单介绍

XGBoost简单介绍

原创 用 PCA 方法进行数据降维

用 PCA 方法进行数据降维

原创 数据分析中的变量解释

数据分析中的变量解释

原创 k-means聚类总结

k-means聚类总结

原创 RCNN学习笔记- Batch Normalization分析

RCNN学习笔记- Batch Normalization分析

原创 RCNN学习笔记- VisionTransformer源码分析

RCNN学习笔记- VisionTransformer源码分析

原创 RCNN学习笔记- efficientnet2源码分析

RCNN学习笔记- efficientnet2源码分析

原创 四分位数理解

四分位数理解

原创 RCNN学习笔记- efficientnet源码分析

RCNN学习笔记- efficientnet源码分析

原创 RCNN学习笔记- efficientnet源码分析

RCNN学习笔记- efficientnet源码分析

原创 torch.max函数解释

torch.max函数解释

原创 鲜花数据集实验结果总结

鲜花数据集实验结果总结

原创 李沐之模型选择，欠拟合和过拟合笔记

李沐之模型选择，欠拟合和过拟合笔记

原创 李沐之模型选择，欠拟合和过拟合笔记

李沐之模型选择，欠拟合和过拟合笔记