记录各种网络使用的小技巧

在百度文库等网站,免费下载文档

打开Chrome/Edge浏览器,安装油猴插件(Tampermonkey),在油猴里搜索脚本“百度文库”,选个安装就行(一般会让看下广告)
23.01.07—使用的是下方图片里的脚本,看三十秒广告会给个验证码(此验证码可以用很久)
在这里插入图片描述

使用QuillBot网站不用登录

打开Chrome/Edge浏览器,按Ctrl + Shift + N, 启动无痕浏览器,就可以了。
网址:QuillBot
用处:改写英语

PC端进行图片提取文字

  • 使用QQ进行操作。QQ还可以将 已有的图片/刚截的图 发给自己QQ(搜自己的QQ名),然后对发送成功的图片进行鼠标右击,会出现提取图中文字选项,点击即可。
    在这里插入图片描述

  • 使用微信进行操作(绝世好方法!微信🐂)。使用微信 已有的图/截的图(使用微信自带的截图功能截好图都不用发送的),双击点开图片,直接把光标挪过去选择就可以复制。

  • 使用Quicker软件,里面自带截图OCR动作可识别文字。此软件功能巨多,模块化设计,像免费公式识别这种功能,强烈推荐!!!

创造Word模板,不用每次更改字体和行距

  • 创建:
    新建一个新的word,对里面的样式进行修改。然后点击“文件”-“另存为”,存为Word模板格式(.dotx),位置存到“文档”-“自定义Office模板”。

  • 使用:
    1.可以在新建word后,在“文件”-“新建”-“个人”,就能找到自己编辑的模板了,使用即可。
    2.直接右击模板(.dotx),点击“新建”即可。

  • 修改:
    需要再进行修改模板时,直接去“自定义Office模板”找到模板(.dotx)修改就行。

下面是自己搞得简单、纯净小模板(宋体,Time New Roman,1.5倍)
链接:百度网盘
提取码:8888

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
好的,以下是一个简单的基于BP神经网络的水果图片分类示例,使用Python语言和Keras深度学习库实现: 1. 数据准备 首先,需要准备一些水果的图片数据集。可以从网上下载一些水果的图片,将它们分成几个文件夹,每个文件夹代表一个类别,比如苹果、香蕉、橘子等等。然后,我们可以使用Python的PIL库来读取和处理这些图片数据。 ```python import os import numpy as np from PIL import Image # 图像路径和类别标签 data_dir = 'fruit_data/' classes = { 'apple': 0, 'banana': 1, 'orange': 2 } # 读取图像数据和标签 def load_data(): images = [] labels = [] for cls_name, cls_label in classes.items(): cls_dir = os.path.join(data_dir, cls_name) for img_name in os.listdir(cls_dir): img_path = os.path.join(cls_dir, img_name) img = Image.open(img_path).convert('RGB') img = img.resize((64, 64)) # 调整图像大小 img = np.array(img) / 255.0 # 将像素值缩放到 [0, 1] 范围内 images.append(img) labels.append(cls_label) return np.array(images), np.array(labels) # 加载数据 X, y = load_data() print('X shape:', X.shape) print('y shape:', y.shape) ``` 上面的代码中,`data_dir` 指定了数据所在的文件夹,`classes` 定义了每个类别的标签,`load_data()` 函数读取图像数据和标签,并将图像大小调整为 $64 \times 64$,像素值缩放到 $[0, 1]$ 范围内。最后,我们得到了一个大小为 $(N, 64, 64, 3)$ 的图像数据张量 `X` 和一个大小为 $(N,)$ 的标签向量 `y`。 2. 构建模型 接下来,我们可以构建一个简单的BP神经网络模型。这里我们使用Keras库来实现,它提供了一些常用的神经网络层,可以方便地构建和训练模型。我们使用一个两层的全连接神经网络,其中第一层有 128 个神经元,第二层有 3 个神经元,对应于 3 种不同的水果类别。 ```python import keras from keras.models import Sequential from keras.layers import Dense, Flatten # 构建模型 model = Sequential() model.add(Flatten(input_shape=X.shape[1:])) # 将输入展平 model.add(Dense(128, activation='relu')) model.add(Dense(3, activation='softmax')) # 编译模型 model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) model.summary() ``` 上面的代码中,`Sequential()` 创建了一个序列模型,`Flatten()` 层将输入数据展平,`Dense()` 层定义了一个全连接层,其中第一层的激活函数为ReLU,最后一层的激活函数为Softmax。我们使用 `compile()` 方法来编译模型,指定优化器、损失函数和评估指标,这里的损失函数是稀疏分类交叉熵,评估指标是准确率。最后,我们使用 `summary()` 方法来打印模型结构。 3. 训练模型 现在,我们可以使用 `fit()` 方法来训练模型。我们将数据分成训练集和测试集,使用 80% 的数据作为训练集,20% 的数据作为测试集,然后训练模型 20 个 epochs。 ```python # 划分训练集和测试集 num_samples = X.shape[0] train_size = int(num_samples * 0.8) test_size = num_samples - train_size indices = np.random.permutation(num_samples) train_indices = indices[:train_size] test_indices = indices[train_size:] X_train = X[train_indices] y_train = y[train_indices] X_test = X[test_indices] y_test = y[test_indices] # 训练模型 history = model.fit(X_train, y_train, epochs=20, batch_size=32, validation_data=(X_test, y_test)) ``` 上面的代码中,我们使用 `np.random.permutation()` 函数将数据随机排列,然后将前 80% 的数据作为训练集,后 20% 的数据作为测试集。我们使用 `fit()` 方法来训练模型,指定训练数据、训练轮数、批次大小和测试数据。训练过程中,会记录训练损失函数和准确率,以及测试损失函数和准确率。 4. 模型评估 训练完成后,我们可以使用 `evaluate()` 方法来评估模型在测试集上的表现。 ```python # 评估模型 loss, acc = model.evaluate(X_test, y_test) print('Test loss:', loss) print('Test accuracy:', acc) ``` 上面的代码中,`evaluate()` 方法返回测试损失函数和准确率。 5. 预测结果 最后,我们可以使用 `predict()` 方法来预测新的水果图片的类别。 ```python # 预测新的样本 def predict(img_path): img = Image.open(img_path).convert('RGB') img = img.resize((64, 64)) X_new = np.array([np.array(img) / 255.0]) y_new = model.predict(X_new) return classes_inv[np.argmax(y_new)] classes_inv = {v: k for k, v in classes.items()} # 反转类别标签 print(predict('apple.jpg')) # 预测苹果图片的类别 print(predict('banana.jpg')) # 预测香蕉图片的类别 print(predict('orange.jpg')) # 预测橘子图片的类别 ``` 上面的代码中,`predict()` 函数读取新的水果图片,并将其转换为模型输入的格式。然后,使用 `predict()` 方法来预测该图片的类别,最后将预测结果转换为类别名称。 以上就是一个简单的基于BP神经网络的水果图片分类示例。当然,这只是一个入门级别的示例,实际应用中需要更加复杂和精细的模型和数据处理技巧

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值