hhhhxxn的博客

原创 ptyhon time和datetime模块

一、time模块import time#控制程序的执行频率print("1")time.sleep(3) #睡三秒钟print("2")##计算时间差start = time.time() #开始时间for i in range(10000): print(i)end = time.time() #结束时间dif = end - start #时间差print(dif)二、datetime模块from datetime import datetime#当前时间

原创 pytorch 空洞卷积神经网络识别fashion_NNIST

一、导包import numpy as npimport pandas as pdimport matplotlib.pyplot as pltfrom sklearn.metrics import accuracy_score,confusion_matrix,classification_reportimport seaborn as snsimport copyimport timeimport torchimport torch.nn as nnfrom torch.optim

原创 pytorch 卷积神经网络识别Fashion-MNIST

一、导包import numpy as npimport pandas as pdimport matplotlib.pyplot as pltfrom sklearn.metrics import accuracy_score,confusion_matrix,classification_reportimport seaborn as snsimport copyimport timeimport torchimport torch.nn as nnfrom torch.optim

原创 pytorch 文本数据数据预处理

可以利用trochtext库中的相关函数对文本数据进行数据预处理import torchimport torch.utils.data as Datafrom torchvision.datasets import FashionMNISTimport torchvision.transforms as transformsfrom torchvision.datasets import ImageFolderfrom torchtext import data##定义文本切分方法，使用空格

原创 pytorch 图像数据数据预处理

torchvision中的datasets模块包含多种常用的分类数据集下载及导入函数，可以很方便地导入数据以及验证所建立的模型效果。torchvision中的transforms模块可以针对每张图像进行预处理操作。torchvision的datasets模块中包含有ImageFolder()函数，该函数可以读取文件夹中的图片数据以下代码以实际的数据集为例，结合torchvision中的相关模块的使用，展示图像数据的预处理操作。一种是从torchvision中的datasets模块中导入数据并预处理.

原创 pytorch中数据操作和预处理 高维数组数据预处理

在PyTorch中torch.utils.data模块包含着一些常用的数据预处理的操作，主要用于数据的读取、切分、准备等。常用的函数类如表所示：使用这些类能够对高维数组、图像等各种类型的数据进行预处理，以便深度学习模型的使用。针对文本数据的处理可以使用torchtext库进行相关的数据准备操作。...

原创 torch.nn模块 激活函数

常用的激活函数：以下使用PyTorch中的激活函数可视化以上几种激活函数的图像：代码如下：import torchimport torch.nn as nnimport numpy as npimport matplotlib.pyplot as pltfrom PIL import Image ##PIL包读取图像数据x = torch.linspace(-6,6,100)## sigmoid激活函数sigmoid = nn.Sigmoid()ysigmoid = sigm

原创 torch.nn模块 池化层

以上一篇中的图像卷积后的结果为例，对其进行最大值池化、平均值池化与自适应平均值池化import torchimport torch.nn as nnimport numpy as npimport matplotlib.pyplot as pltfrom PIL import Image ##PIL包读取图像数据##读取图像 转化为灰度图像 转化为numpy数组myim = Image.open("../input/images/lena.jpg")myimgray = np.array

原创 torch.nn模块 卷积层

针对一张图像，经过二维卷积后的输出会是什么样的呢？下边使用一张图像展示经过卷积后，输出的特征映射的结果##导包import torchimport torch.nn as nnimport numpy as npimport matplotlib.pyplot as pltfrom PIL import Image ##PIL包读取图像数据##读取图像 转化为灰度图像 转化为numpy数组myim = Image.open("../input/images/lena.jpg")myi

原创 pytorch中的自动微分

在torch中的torch.autograd模块，提供了实现任意标量值函数自动求导的类和函数。针对一个张量只需要设置参数requires_grad=True，通过相关计算即可输出其在传播过程中的梯度(导数)信息。代码示例：import torchx = torch.tensor([[1.0,2.0],[3.0,4.0]],requires_grad = True)y = torch.sum(x**2+2*x+1)print("x.requires_grad:",x.requires_grad)p

原创 pytorch张量 张量计算

一、比较大小torch.allclose()函数，比较两个元素是否接近，比较A和B是否接近的公式为|A-B| <= atol+rtol*|B|import torchA = torch.tensor([10.0])B = torch.tensor([10.1])print(torch.allclose(A,B,rtol=1e-05,atol=1e-08,equal_nan =False))print(torch.allclose(A,B,rtol=0.1,atol=0.01,equal

原创 pytorch张量 张量操作

一、改变张量的形状改变张量的形状在深度学习的使用过程中会经常遇到，而且针对不同的情况对张量形状尺寸的改变有多种函数和方法可以使用tensor.reshape()方法import torchA = torch.arange(12.0).reshape(3,4)A# tensor([[ 0., 1., 2., 3.],# [ 4., 5., 6., 7.],# [ 8., 9., 10., 11.]])torch.reshape()方法impo

原创 pytorch张量 张量的生成

一、torch.tensor()函数生成张量：A = torch.tensor([1.0,1.0],[2,2])A#tensor([1.,1.],# [2.,2.])查看张量的一些属性：A.shape() #张量的维度#torch.Size([2,2])A.size() #张量的形状#torch.Size([2,2])A.numel() #张量中元素的数量#4在使用torch.tensor()函数时，可以使用参数dtype来指定张量的数据类型，使用参数require

原创 pytorch 张量 张量的数据类型

定义：在数学中，如果一个数组的维度超过2，那么我们可以称该数组为张量。但是在PyTorch中，张量属于一种数据结构，它可以是一个标量、一个向量、一个矩阵，甚至是更高维度的数组。因此PyTorch中的张量（Tenser）和Numpy中的数组（ndarray）非常相似，在使用时也会经常将二者相互转化。在深度网络中，基于PyTorch的相关计算和优化都是在Tenser的基础上完成的。一、张量的数据类型在torch中CPU和GPU张量分别有8种数据类型...

原创 数据分析流程图

原创 python-matplotlib可视化工具 画散点图小案例练习

本文案例代码的编写在Jupyter Notebook上边进行一、检查matplotlib是否安装好! pip show matplotlib二、画一个普通的散点图import numpy as npimport matplotlib.pyplot as pltN = 50x = np.linspace(0.,10.,N)y = np.sin(x)**2 + np.cos(x)plt.figure()plt.scatter(x,y,s=50,label = 'y = sin(x)*

原创 numpy 自己生成数据集

一、randomseed(int n) 随机数种子（其实生成随机数是根据随机数种子使用一定的算法生成随机数的，因此也可以说是伪随机数）rand(int n) 产生n个均匀分布的样本值import numpy as npfrom numpy import randomprint(random.rand(10))"""输出：[0.00279392 0.30422703 0.40830302 0.76097027 0.88393813 0.95769368 0.54477196

原创 nmupy 数据预处理

一、ndarray——numpy中用于存储单一数据类型的数组对象（n-dimensional array object）1、ndarray和python中的列表、元组的区别：pyhtonnumpy不同数据类型相同数据类型运算速度较慢运算速度非常快需要手动编写提供很多功能函数2、ndarray是一个多维的数组对象，具有矢量算术运算能力和复杂的广播能力，并具有执行速度快和节省空间的优点。3、ndarray的一个特点是同构：所有元素的数据类型必须相同二、搜集数据

原创 所付出的努力终不会被辜负～江南大学计算机复试考研经验分享

按照往年惯例，江南大学复试由笔试和面试构成。笔试笔试内容比较多，包含四本书内容，分别是：《计算机组成原理》，《操作系统》，《数据库系统原理》，《离散数学》。参考教材如下：除参考书外，推荐书籍如下：《王道计算机组成原理》，《王道操作系统》通过往年传统来看，复试笔试全部是大题目。因此，只要将四门科目对应的经典大题目相关知识点复习到位就可以，小的概念性的问题在时间较少的情况下可以先不看。面试今年由于新冠肺炎疫情影响，复试中的笔试改为了面试考查，因此主要说一下面试吧????我准备的问题：1，中

原创 所付出的努力终不会被辜负~江南大学计算机初试考研经验分享

2019年4月份，经过了无数次纠结，在老师的鼓励和自己的冷静分析下，才下定了决心，要考取江南大学的研究生。比起身边的人，我的决定做的算晚了～但我的决定很坚定，自始至终，毫无改变，也毫无动摇。下定了决心的人，是没有退路的～2020年2月，收到的消息比预期要好。在考研这件事情上，我认为我是成功的。我相信，现在的你们，也许和曾经的我一样迷茫，所以写下这篇经验贴，希望可以给你们更多动力，让你们少走弯路。准备工作1.确定考研目标我们要认识自身能力，知道自己的自律能力有多强，明确自己的兴趣爱好和喜欢的研究方向，知

原创 计算机组成原理：有哪些技术能够提高CPU访存速度？---双端口存储器和多模块存储器

知识总览：存取周期~衡量整个存储器的工作速度为了提高CPU 访问存储器的速度，可以采用双端口存储器、多模块存储器等技术，它们同属并行技术，前者为空间并行，后者为时间并行。一、双端口存储器双端口RAM 是指同一个存储器有左、右两个独立的端口，分别具有两组相互独立的地址线、数据线和读写控制线，允许两个独立的控制器同时异步地访问存储单元，如图所示。当两个端口的地址不相同时，在两个端口上进行读写操作一定不会发生冲突。两个端口对同一主存操作有以下4种情况：1，两个端口不同时对同一地址单元存取数据

原创 操作系统：进程通信-进程之间的信息交换

知识总览：进程是分配系统资源的单位（包括内存地址空间），因此各进程拥有的内存地址空间相互独立。如下图所示，进程1可以访问进程1的地址空间，进程2可以访问进程2的地址空间，但进程1不可以访问进程2的地址空间。为了保证安全，一个进程不能直接访问另一个进程的地址空间。但是进程之间的信息交换又是必须实现的（例如：在QQ里看到一张有趣的表情包想要分享给微信好友）。为了保证进程间的安全通信，操作系统提供了一些方法：共享存储消息传递管道通信一、共享存储操作系统为两个进程提供一块共享空间。两个进程对共享

原创 操作系统：I/O控制方式 详细汇总+形象举例

目录：程序直接控制方式中断驱动方式DMA方式通道控制方式举个栗子一、程序直接控制方式思想：计算机从外部设备读取数据到存储器，每次读一个字的数据。对读入的每个字，CPU 需要对外设状态进行循环检查（轮询），直到确定该字已经在I/0 控制器的数据寄存器中。在程序直接控制方式中，由于CPU 的高速性和I/0设备的低速性，致使CPU 的绝大部分时间都处于等待I/0 设备完成数据I/0 的循环测试中，造成了CPU 资源的极大浪费。在该方式中， CPU 之所以要不断地测试I/0 设备的状态，就是因为在

原创 数据库必考题目~最小依赖集（最小覆盖、极小函数依赖集）

一、定义：如果函数依赖集F满足下列3个条件，则称F为最小依赖集：（1）F中任一函数依赖的右部仅含有一个属性（2）F中不存在这样的函数依赖X→A，使得F与F-{X→A}等价（3）F中不存在这样的函数依赖X→A，X有真子集Z使得F-{X→A}∪{Z→A}与F等价二、步骤：（1）右部最小化：右切，使每个函数依赖的右部仅有一个属性（2）规则最小化：除本求包（对每个函数依赖的左部做除本求包，求包的结果如果不包含本函数依赖的右部，本函数依赖保留；求包的结果如果包含了本函数依赖的右部，删除本函数依赖）（3

原创 数据库：ER图↔关系模式

常考题目：①如何画ER图②如何将ER图转化为关系模式1，ER图 概念：实体关系图 (Entity-Relationship，E-R)，有三个组成部分：实体、属性、联系。用来进行关系型数据库系统的概念设计。实体：用矩形表示，矩形框内写上实体名.属性：用椭圆形表示，并用无向边将其与相应的实体连接起来。联系：用菱形表示，菱形框内写上联系名，并用无向边分别与有关实体连接起来，同时在无向边旁...

原创 操作系统：SPOOLing技术（假脱机技术）

一、什么是脱机技术？批处理阶段引入了脱机输入/输出技术（用磁带完成）流程如下：人——> 纸带机——> 外围控制机——>磁带机——>主机——>磁带机——>外围控制机——>纸带机——>人①在外围控制器的控制下，慢速输入设备的数据先被输入到更快速的磁带上，之后主机可以从快速的磁带上读入数据，从而缓解了速度矛盾②引入脱机技术之后，缓解了CPU与慢速...

原创 数据库：事务（个人大白话详讲）

一、什么是事务？1，定义：数据库事务是访问（读）并可能更新（写）数据库中各种数据项的一个执行单元。2，组成：一个数据库事务通常包含对数据库进行读或写的一个操作序列。3，目的：为数据库提供了一个从失败中恢复到正常的方法，同时提供了数据库即使在异常状态下仍能保持一致性的方法。当多个应用程序在并发访问数据库时，可以在这些应用程序之间提供一个隔离方法，以防止彼此的操作互相干扰。总结~~~事务...

原创 离散数学图论全部知识点罗列

建议：将本篇文章与课本结合来看，查看每一个名词对应知识点，查看后不看课本再过一遍哦~1，图：三元组表示：二元组表示：2，有向图：每条边都是无向边无向图：每条边都是有向边混合图：有无向边和有向边3，邻接点：孤立节点：零图：平凡图：邻接边：回路（环）：4，度数 ：无向图中结点的度： 在图G中，与节点V关联的边数称为图的度数，deg(V)注：每个环在对应节点上度数加2...

原创 一看就懂的 机器学习k-近邻算法（KNN）

1，机器学习想相关概念：机器学习（Machine Learning，ML）：是人工智能的一个分支，是实现人工智能的一个途径，即以机器学习为手段解决人工智能中的问题。让一个计算机程序针对某一个特定任务，从经验中学习，并且越来越好。深度学习（DeepLearning，DL）：是机器学习拉出的分支，是机器学习算法中的一种算法，一种实现机器学习的技术和学习方法。2，机器学习和深度学习的应用：机器...

原创 数据库题目~查询树，优化查询树

原创 数据库必考题目~如何求闭包？

1，定义：设F为属性集U上的一组函数依赖集，X包含于U，XF+ = { A | X–>A 能由F根据Armstrong公理导出 }，XF+称为属性集X上关于函数依赖集F的闭包。2，求闭包步骤：例题1： U = {A,B,C,D,E}， F= { AB–>C ,B -->D, C–>E, EC–>B, AC–>B},求AB的闭包 （AB）F+解：例题2...

原创 数据库~如何快速、准确选取候选码（候选键）？

1， 定义：若关系中某一属性组的值能唯一地标识一个元组，则称该属性组为候选码（候选键）。2.，条件：若W是候选码，则必须满足两个条件 ①W的闭包为全集U ②W没有冗余（如何求闭包，下一篇博客）3.，求候选码的步骤：设有关系模式R，U= {A,B,C,}为R的属性集， F为R上的函数依赖集- ①只在F右部出现的属性，不属于候选码- ②只在F左部出现的属性，一定存在于某候选码当中- ③两...

原创 数据库：SQL数据查询（详细、全面）

以下题目中加粗字体为重点哦~一、查询指定列、全部列1.查询全体学生的学号和姓名SELECT SNO, SNFROM S2.查询全部列SELECT *FROM S二、查询经过计算的值3. 查询全体学生的姓名、出生年份SELECT SN, 2020-AGEFROM S4. 查村全体学生的姓名、出生年份和系名（要求用小写字母表示系名）SELECT SN, 2020-AGE ...

原创 计算机组成原理：cache命中率、平均访问时间、效率公式（精简）

Nc表示cache完成存取总次数，Nm表示主存完成存取总次数，h表示 cache 命中率h = Nc / ( Nc + Nm )tc表示命中时的cache访问时间，tm表示未命中时的贮存访问时间，ta表示 cache/主存系统的平均访问时间ta = h×tc + (1-h)×tmr表示主存慢于cache的倍率，r = tm/tc；e表示访问效率。e = tc / ta ...

原创 计算机组成原理：计算机的性能指标

1，吞吐量：表示一台计算机在某一时间间隔内能够处理的信息量，即流入、处理和流出系统的信息的速率。主要取决于主存存取周期，双端口存储器可以增加速度。2，响应时间：表示从输入有效到系统产生响应之间的时间度量，也就是完成一个任务的全部时间。3，利用率：在给定的时间间隔内系统被实际使用的时间所占的比率，用百分比表示。4，处理机字长：指处理机运算器中一次能够完成（读出/写入）二进制数运算的位数，如32...