无约束优化工具箱

已于 2022-08-05 14:59:20 修改
阅读量1k 收藏 3
点赞数 1
分类专栏： 最优化方法 文章标签： python 最优化方法
于 2022-07-02 13:52:19 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/linjing_zyq/article/details/125572021
版权
本文通过多种标准测试函数，如Extended Freudenstein&Roth、Extended Trigonometric等，比较了梯度下降法、牛顿法、拟牛顿法及信赖域法等多种无约束优化算法的性能表现。
摘要由CSDN通过智能技术生成

无约束优化工具箱

# import packages
%matplotlib inline
import sympy as sp
import matplotlib.pyplot as plt
import optimtool as oo

def train(funcs, args, x_0):
    f_list = []
    title = ["gradient_descent_barzilar_borwein", "newton_CG", "newton_quasi_L_BFGS", "trust_region_steihaug_CG"]
    colorlist = ["maroon", "teal", "slateblue", "orange"]
    _, _, f = oo.unconstrain.gradient_descent.barzilar_borwein(funcs, args, x_0, False, True)
    f_list.append(f)
    _, _, f = oo.unconstrain.newton.CG(funcs, args, x_0, False, True)
    f_list.append(f)
    _, _, f = oo.unconstrain.newton_quasi.L_BFGS(funcs, args, x_0, False, True)
    f_list.append(f)
    _, _, f = oo.unconstrain.trust_region.steihaug_CG(funcs, args, x_0, False, True)
    f_list.append(f)
    return colorlist, f_list, title

# 可视化函数：传参接口（颜色列表，函数值列表，标题列表）
def test(colorlist, f_list, title):
    handle = []
    for j, z in zip(colorlist, f_list):
        ln, = plt.plot([i for i in range(len(z))], z, c=j, marker='o', linestyle='dashed')
        handle.append(ln)
    plt.xlabel("$Iteration \ times \ (k)$")
    plt.ylabel("$Objective \ function \ value: \ f(x_k)$")
    plt.legend(handle, title)
    plt.title("Performance Comparison")
    return None

Extended Freudenstein & Roth function

f ( x ) = ∑ i = 1 n / 2 ( − 13 + x 2 i − 1 + ( ( 5 − x 2 i ) x 2 i − 2 ) x 2 i ) 2 + ( − 29 + x 2 i − 1 + ( ( x 2 i + 1 ) x 2 i − 14 ) x 2 i ) 2 , x 0 = [ 0.5 , − 2 , 0.5 , − 2 , . . . , 0.5 , − 2 ] . f(x)=\sum_{i=1}^{n/2}(-13+x_{2i-1}+((5-x_{2i})x_{2i}-2)x_{2i})^2+(-29+x_{2i-1}+((x_{2i}+1)x_{2i}-14)x_{2i})^2, x_0=[0.5, -2, 0.5, -2, ..., 0.5, -2]. f(x)=i=1∑n/2​(−13+x2i−1​+((5−x2i​)x2i​−2)x2i​)2+(−29+x2i−1​+((x2i​+1)x2i​−14)x2i​)2,x0​=[0.5,−2,0.5,−2,...,0.5,−2].

# make data(4 dimension)
x = sp.symbols("x1:5")
f = (-13 + x[0] + ((5 - x[1])*x[1] - 2)*x[1])**2 + \
    (-29 + x[0] + ((x[1] + 1)*x[1] - 14)*x[1])**2 + \
    (-13 + x[2] + ((5 - x[3])*x[3] - 2)*x[3])**2 + \
    (-29 + x[2] + ((x[3] + 1)*x[3] - 14)*x[3])**2
x_0 = (1, -1, 1, -1) # Random given

# train
color, values, title = train(funcs=f, args=x, x_0=x_0)

# test
test(color, values, title)

Extended Trigonometric function:

f ( x ) = ∑ i = 1 n ( ( n − ∑ j = 1 n cos ⁡ x j ) + i ( 1 − cos ⁡ x i ) − sin ⁡ x i ) 2 , x 0 = [ 0.2 , 0.2 , . . . , 0.2 ] f(x)=\sum_{i=1}^{n}((n-\sum_{j=1}^{n}\cos x_j)+i(1-\cos x_i)-\sin x_i)^2, x_0=[0.2, 0.2, ...,0.2] f(x)=i=1∑n​((n−j=1∑n​cosxj​)+i(1−cosxi​)−sinxi​)2,x0​=[0.2,0.2,...,0.2]

# make data(2 dimension)
x = sp.symbols("x1:3")
f = (2 - (sp.cos(x[0]) + sp.cos(x[1])) + (1 - sp.cos(x[0])) - sp.sin(x[0]))**2 + \
    (2 - (sp.cos(x[0]) + sp.cos(x[1])) + 2 * (1 - sp.cos(x[1])) - sp.sin(x[1]))**2
x_0 = (0.1, 0.1) # Random given

# train
color, values, title = train(funcs=f, args=x, x_0=x_0)

# test
test(color, values, title)

Extended Rosenbrock function

f ( x ) = ∑ i = 1 n / 2 c ( x 2 i − x 2 i − 1 2 ) 2 + ( 1 − x 2 i − 1 ) 2 , x 0 = [ − 1.2 , 1 , . . . , − 1.2 , 1 ] . c = 100 f(x)=\sum_{i=1}^{n/2}c(x_{2i}-x_{2i-1}^2)^2+(1-x_{2i-1})^2, x_0=[-1.2, 1, ...,-1.2, 1]. c=100 f(x)=i=1∑n/2​c(x2i​−x2i−12​)2+(1−x2i−1​)2,x0​=[−1.2,1,...,−1.2,1].c=100

# make data(4 dimension)
x = sp.symbols("x1:5")
f = 100 * (x[1] - x[0]**2)**2 + \
    (1 - x[0])**2 + \
    100 * (x[3] - x[2]**2)**2 + \
    (1 - x[2])**2
x_0 = (-2, 2, -2, 2) # Random given

# train
color, values, title = train(funcs=f, args=x, x_0=x_0)

# test
test(color, values, title)

Generalized Rosenbrock function

f ( x ) = ∑ i = 1 n − 1 c ( x i + 1 − x i 2 ) 2 + ( 1 − x i ) 2 , x 0 = [ − 1.2 , 1 , . . . , − 1.2 , 1 ] , c = 100. f(x)=\sum_{i=1}^{n-1}c(x_{i+1}-x_i^2)^2+(1-x_i)^2, x_0=[-1.2, 1, ...,-1.2, 1], c=100. f(x)=i=1∑n−1​c(xi+1​−xi2​)2+(1−xi​)2,x0​=[−1.2,1,...,−1.2,1],c=100.

# make data(2 dimension)
x = sp.symbols("x1:3")
f = 100 * (x[1] - x[0]**2)**2 + (1 - x[0])**2
x_0 = (-1, 0.5) # Random given

# train
color, values, title = train(funcs=f, args=x, x_0=x_0)

# test
test(color, values, title)

Extended White & Holst function

f ( x ) = ∑ i = 1 n / 2 c ( x 2 i − x 2 i − 1 3 ) 2 + ( 1 − x 2 i − 1 ) 2 , x 0 = [ − 1.2 , 1 , . . . , − 1.2 , 1 ] . c = 100 f(x)=\sum_{i=1}^{n/2}c(x_{2i}-x_{2i-1}^3)^2+(1-x_{2i-1})^2, x_0=[-1.2, 1, ...,-1.2, 1]. c=100 f(x)=i=1∑n/2​c(x2i​−x2i−13​)2+(1−x2i−1​)2,x0​=[−1.2,1,...,−1.2,1].c=100

# make data(4 dimension)
x = sp.symbols("x1:5")
f = 100 * (x[1] - x[0]**3)**2 + \
    (1 - x[0])**2 + \
    100 * (x[3] - x[2]**3)**2 + \
    (1 - x[2])**2
x_0 = (-1, 0.5, -1, 0.5) # Random given

# train
color, values, title = train(funcs=f, args=x, x_0=x_0)

# test
test(color, values, title)

Extended Penalty function

f ( x ) = ∑ i = 1 n − 1 ( x i − 1 ) 2 + ( ∑ j = 1 n x j 2 − 0.25 ) 2 , x 0 = [ 1 , 2 , . . . , n ] . f(x)=\sum_{i=1}^{n-1} (x_i-1)^2+(\sum_{j=1}^{n}x_j^2-0.25)^2, x_0=[1,2,...,n]. f(x)=i=1∑n−1​(xi​−1)2+(j=1∑n​xj2​−0.25)2,x0​=[1,2,...,n].

# make data(4 dimension)
x = sp.symbols("x1:5")
f = (x[0] - 1)**2 + (x[1] - 1)**2 + (x[2] - 1)**2 + \
    ((x[0]**2 + x[1]**2 + x[2]**2 + x[3]**2) - 0.25)**2
x_0 = (5, 5, 5, 5) # Random given

# train
color, values, title = train(funcs=f, args=x, x_0=x_0)

# test
test(color, values, title)

Perturbed Quadratic function

f ( x ) = ∑ i = 1 n i x i 2 + 1 100 ( ∑ i = 1 n x i ) 2 , x 0 = [ 0.5 , 0.5 , . . . , 0.5 ] . f(x)=\sum_{i=1}^{n}ix_i^2+\frac{1}{100}(\sum_{i=1}^{n}x_i)^2, x_0=[0.5,0.5,...,0.5]. f(x)=i=1∑n​ixi2​+1001​(i=1∑n​xi​)2,x0​=[0.5,0.5,...,0.5].

# make data(4 dimension)
x = sp.symbols("x1:5")
f = x[0]**2 + 2*x[1]**2 + 3*x[2]**2 + 4*x[3]**2 + \
    0.01 * (x[0] + x[1] + x[2] + x[3])**2
x_0 = (1, 1, 1, 1) # Random given

# train
color, values, title = train(funcs=f, args=x, x_0=x_0)

# test
test(color, values, title)

Raydan 1 function

f ( x ) = ∑ i = 1 n i 10 ( exp ⁡ x i − x i ) , x 0 = [ 1 , 1 , . . . , 1 ] . f(x)=\sum_{i=1}^{n}\frac{i}{10}(\exp{x_i}-x_i), x_0=[1,1,...,1]. f(x)=i=1∑n​10i​(expxi​−xi​),x0​=[1,1,...,1].

# make data(4 dimension)
x = sp.symbols("x1:5")
f = 0.1 * (sp.exp(x[0]) - x[0]) + \
    0.2 * (sp.exp(x[1]) - x[1]) + \
    0.3 * (sp.exp(x[2]) - x[2]) + \
    0.4 * (sp.exp(x[3]) - x[3])
x_0 = (0.5, 0.5, 0.5, 0.5) # Random given

# train
color, values, title = train(funcs=f, args=x, x_0=x_0)

# test
test(color, values, title)

Raydan 2 function

f ( x ) = ∑ i = 1 n ( exp ⁡ x i − x i ) , x 0 = [ 1 , 1 , . . . , 1 ] . f(x)=\sum_{i=1}^{n}(\exp{x_i}-x_i), x_0=[1,1,...,1]. f(x)=i=1∑n​(expxi​−xi​),x0​=[1,1,...,1].

# make data(4 dimension)
x = sp.symbols("x1:5")
f = (sp.exp(x[0]) - x[0]) + \
    (sp.exp(x[1]) - x[1]) + \
    (sp.exp(x[2]) - x[2]) + \
    (sp.exp(x[3]) - x[3])
x_0 = (2, 2, 2, 2) # Random given

# train
color, values, title = train(funcs=f, args=x, x_0=x_0)

# test
test(color, values, title)

Diagonal 1 function

f ( x ) = ∑ i = 1 n ( exp ⁡ x i − i x i ) , x 0 = [ 1 / n , 1 / n , . . . , 1 / n ] . f(x)=\sum_{i=1}^{n}(\exp{x_i}-ix_i), x_0=[1/n,1/n,...,1/n]. f(x)=i=1∑n​(expxi​−ixi​),x0​=[1/n,1/n,...,1/n].

# make data(4 dimension)
x = sp.symbols("x1:5")
f = (sp.exp(x[0]) - x[0]) + \
    (sp.exp(x[1]) - 2 * x[1]) + \
    (sp.exp(x[2]) - 3 * x[2]) + \
    (sp.exp(x[3]) - 4 * x[3])
x_0 = (0.5, 0.5, 0.5, 0.5) # Random given

# train
color, values, title = train(funcs=f, args=x, x_0=x_0)

# test
test(color, values, title)

Diagonal 2 function

f ( x ) = ∑ i = 1 n ( exp ⁡ x i − x i i ) , x 0 = [ 1 / 1 , 1 / 2 , . . . , 1 / n ] . f(x)=\sum_{i=1}^{n}(\exp{x_i}-\frac{x_i}{i}), x_0=[1/1,1/2,...,1/n]. f(x)=i=1∑n​(expxi​−ixi​​),x0​=[1/1,1/2,...,1/n].

# make data(4 dimension)
x = sp.symbols("x1:5")
f = (sp.exp(x[0]) - x[0]) + \
    (sp.exp(x[1]) - x[1] / 2) + \
    (sp.exp(x[2]) - x[2] / 3) + \
    (sp.exp(x[3]) - x[3] / 4)
x_0 = (0.9, 0.6, 0.4, 0.3) # Random given

# train
color, values, title = train(funcs=f, args=x, x_0=x_0)

# test
test(color, values, title)

Diagonal 3 function

f ( x ) = ∑ i = 1 n ( exp ⁡ x i − i sin ⁡ ( x i ) ) , x 0 = [ 1 , 1 , . . . , 1 ] . f(x)=\sum_{i=1}^{n}(\exp{x_i}-i\sin(x_i)), x_0=[1,1,...,1]. f(x)=i=1∑n​(expxi​−isin(xi​)),x0​=[1,1,...,1].

# make data(4 dimension)
x = sp.symbols("x1:5")
f = (sp.exp(x[0]) - sp.sin(x[0])) + \
    (sp.exp(x[1]) - 2 * sp.sin(x[1])) + \
    (sp.exp(x[2]) - 3 * sp.sin(x[2])) + \
    (sp.exp(x[3]) - 4 * sp.sin(x[3]))
x_0 = (0.5, 0.5, 0.5, 0.5) # Random given

# train
color, values, title = train(funcs=f, args=x, x_0=x_0)

# test
test(color, values, title)

Hager function

f ( x ) = ∑ i = 1 n ( exp ⁡ x i − i x i ) , x 0 = [ 1 , 1 , . . . , 1 ] . f(x)=\sum_{i=1}^{n}(\exp{x_i}-\sqrt{i}x_i), x_0=[1,1,...,1]. f(x)=i=1∑n​(expxi​−i ​xi​),x0​=[1,1,...,1].

# make data(4 dimension)
x = sp.symbols("x1:5")
f = (sp.exp(x[0]) - x[0]) + \
    (sp.exp(x[1]) - sp.sqrt(2) * x[1]) + \
    (sp.exp(x[2]) - sp.sqrt(3) * x[2]) + \
    (sp.exp(x[3]) - sp.sqrt(4) * x[3])
x_0 = (0.5, 0.5, 0.5, 0.5) # Random given

# train
color, values, title = train(funcs=f, args=x, x_0=x_0)

# test
test(color, values, title)

Generalized Tridiagonal 1 function

f ( x ) = ∑ i = 1 n − 1 ( x i + x i + 1 − 3 ) 2 + ( x i − x i + 1 + 1 ) 4 , x 0 = [ 2 , 2 , . . . , 2 ] . f(x)=\sum_{i=1}^{n-1}(x_i+x_{i+1}-3)^2+(x_i-x_{i+1}+1)^4, x_0=[2,2,...,2]. f(x)=i=1∑n−1​(xi​+xi+1​−3)2+(xi​−xi+1​+1)4,x0​=[2,2,...,2].

# make data(3 dimension)
x = sp.symbols("x1:4")
f = (x[0] + x[1] - 3)**2 + (x[0] - x[1] + 1)**4 + \
    (x[1] + x[2] - 3)**2 + (x[1] - x[2] + 1)**4
x_0 = (1, 1, 1) # Random given

# train
color, values, title = train(funcs=f, args=x, x_0=x_0)

# test
test(color, values, title)

Extended Tridiagonal 1 function:

f ( x ) = ∑ i = 1 n / 2 ( x 2 i − 1 + x 2 i − 3 ) 2 + ( x 2 i − 1 − x 2 i + 1 ) 4 , x 0 = [ 2 , 2 , . . . , 2 ] . f(x)=\sum_{i=1}^{n/2}(x_{2i-1}+x_{2i}-3)^2+(x_{2i-1}-x_{2i}+1)^4, x_0=[2,2,...,2]. f(x)=i=1∑n/2​(x2i−1​+x2i​−3)2+(x2i−1​−x2i​+1)4,x0​=[2,2,...,2].

# make data(2 dimension)
x = sp.symbols("x1:3")
f = (x[0] + x[1] - 3)**2 + (x[0] - x[1] + 1)**4
x_0 = (1, 1) # Random given

# train
color, values, title = train(funcs=f, args=x, x_0=x_0)

# test
test(color, values, title)

Extended TET function : (Three exponential terms)

f ( x ) = ∑ i = 1 n / 2 ( ( exp ⁡ x 2 i − 1 + 3 x 2 i − 0.1 ) + exp ⁡ ( x 2 i − 1 − 3 x 2 i − 0.1 ) + exp ⁡ ( − x 2 i − 1 − 0.1 ) ) , x 0 = [ 0.1 , 0.1 , . . . , 0.1 ] . f(x)=\sum_{i=1}^{n/2}((\exp x_{2i-1} + 3x_{2i} - 0.1) + \exp (x_{2i-1} - 3x_{2i} - 0.1) + \exp (-x_{2i-1}-0.1)), x_0=[0.1,0.1,...,0.1]. f(x)=i=1∑n/2​((expx2i−1​+3x2i​−0.1)+exp(x2i−1​−3x2i​−0.1)+exp(−x2i−1​−0.1)),x0​=[0.1,0.1,...,0.1].

# make data(4 dimension)
x = sp.symbols("x1:5")
f = sp.exp(x[0] + 3*x[1] - 0.1) + sp.exp(x[0] - 3*x[1] - 0.1) + sp.exp(-x[0] - 0.1) + \
    sp.exp(x[2] + 3*x[3] - 0.1) + sp.exp(x[2] - 3*x[3] - 0.1) + sp.exp(-x[2] - 0.1)
x_0 = (0.2, 0.2, 0.2, 0.2) # Random given

# train
color, values, title = train(funcs=f, args=x, x_0=x_0)

# test
test(color, values, title)
DeeGLMath
关注
专栏目录
Matlab--优化工具箱
weixin_42703039的博客
11-14 1万+
优化工具箱 优化工具箱（Optimization Toolbox）是对MATLAB数值计算环境扩展得一组函数，它包括以下最优化方法的内容： 1.无约束非线性最小化（Unconstrained nonlinear minimization） 2.有约束非线性最小化（Constrained nonlinear minimization） 3.二次规划和线性规划（Quadratic and linear...
matlab 工具箱 优化,Matlab优化工具箱学习
weixin_33935636的博客
03-18 1578
一直知道matlab的优化工具箱，可是一直都没有学习，Matlab提供的功能主要有线性规划、非线性规划、极值问题等，这些也是比较常见的优化问题。优化工具箱概述 1.MATLAB求解优化问题的主要函数2.优化函数的输入变量使用优化函数或优化工具箱中其它优化函数时, 输入变量见下表: 3.优化函数的输出变量下表:4．控制参数options的设置Options中常用的几个参数的名称、含义、取值如下:(1...
再谈 最速下降法/梯度法/Steepest Descent
04-20 1290
转载请注明出处：http://www.codelast.com/ 最速下降法（又称梯度法，或Steepest Descent），是无约束最优化领域中最简单的算法，单独就这种算法来看，属于早就“过时”了的一种算法。但是，它的理念是其他某些算法的组成部分，或者说是在其他某些算法中，也有最速下降法的“影子”。因此，我们还是有必要学习一下的。 我很久以前已经写过一篇关于最速下降法的文章了，但是这里
INTRODUCTION TO NONELINEAR OPTIMIZATION Excise 5.2 Freudenstein and Roth Test Function
SylvanDing's Blog
11-21 1528
INTRODUCTION TO NONELINEAR OPTIMIZATION Excise 5.2 Freudenstein and Roth test function
梯度下降（GD）算法再学习
HPUZJH
07-28 2102
前言 目的 实例讲解 单变量函数的梯度下降 多变量函数的梯度下降 关于参数 局部最优VS全局最优 解决回归问题 梯度下降算法的优化 Batch gradient descent（BGD） Stochastic gradient descent（SGD） Mini-batch gradient descent（MBGD） 前言 在机器学习算法中，对于很多...
有限内存BFGS以及非精确牛顿法
forrestguang的博客
12-11 2311
有限内存BFGS BFGS算法的每一步迭代皆形如： xk+1=xk−αkHkgkx_{k+1}=x_{k} - \alpha_{k}H_{k}g_{k}xk+1​=xk​−αk​Hk​gk​ Hk+1=VkTHkVk+ρkskskT,ρk=1ykTsk,Vk=I−ρkykskT,sk=xk+1−xk,yk=gk+1−gk.H_{k+1} = V_{k}^{T}H_{k}V_{k} + \rho_{k}s_{k}s_{k}^{T},\\ \rho_k = \frac{1}{y_{k}^{T}s_{k}
采用matlab求解如下无约束优化问题,实验一 MATLAB的优化工具箱介绍及无约束优化问题求解...
weixin_34704521的博客
03-17 747
实验一MATLAB的优化工具箱介绍及无约束优化问题求解一、实验目的1、熟悉Matlab的基本操作命令和函数表达；2、了解Matlab优化工具箱的基本功能；3、掌握优化工具箱中常用的函数命令格式；4、熟练掌握使用fminbnd和fminunc函数求解无约束优化问题。二、实验原理1、矩阵运算基本原理；2、无约束优化问题的求解算法，如最速下降法(共轭梯度法)算法、牛顿法算法、拟牛顿法等等；三、实验环境P...
Matlab无约束优化
0x00
02-15 1985
无约束优化及算法
matlab优化工具箱_MATLAB优化问题应用
weixin_39837124的博客
01-22 1768
优化理论是一门实践性很强的学科。所谓最优化问题，一般是指按照给定的标准在某些约束条件下选取最优的解集。它被广泛地应用于生产管理、军事指挥和科学试验等领域，如工程设计中的最优设计、军事指挥中的最优火力配置问题等。优化理论和方法于20世纪50年代形成基础理论。在第二次世界大战期间，出于军事上的需要，提出并解决了大量的优化问题。但作为一门新兴学科，则是在G. B. Dantzig提出求解线性规...
MATLAB优化工具箱无约束优化PPT教案学习.pptx
09-30
MATLAB优化工具箱是MATLAB软件中的一个重要组成部分，主要用于解决各种优化问题，包括无约束优化。无约束优化是指在没有特定限制条件的情况下，寻找使目标函数达到最优值的变量值。MATLAB优化工具箱提供了多种函数来...
无约束优化.zip_无约束优化
07-15
在无约束优化.zip文件中，很可能包含了MATLAB代码示例，展示了如何使用MATLAB的优化工具箱来解决无约束优化问题。用户可以通过解析这些代码，了解如何定义目标函数，如何调用`fminunc`等优化函数，以及如何设置和...
鲁棒优化工具箱Xprog和RSOME
07-10
总的来说，鲁棒优化工具箱Xprog和RSOME是MATLAB为解决不确定环境下优化问题提供的强大工具，它们在工程、经济、控制等领域有着广泛应用。通过学习和使用这些工具，工程师和研究人员能够设计出对不确定性有更强适应性...
【MATLAB工具箱集锦】- cvx凸优化处理工具箱.zip
12-07
2 PSORT粒子群优化工具箱 3 matlab计量工具箱Lesage 4 MatCont7p1 5 matlab模糊逻辑工具箱函数 6 医学图像处理工具箱 7 人工蜂群工具箱 8 MPT3安装包 9 drEEM toolbox 10 DOMFluor Toolbox v1.7 11 Matlab数学建模...
优化设计-有约束优化-无约束优化.pdf
06-28
1.5.2 使用Matlab优化工具箱求解：Matlab提供了丰富的优化函数和工具箱，能有效地解决线性和非线性优化问题。 1.5.3 最优解与结果分析：求解后，解析最优解并分析结果，评估其是否满足所有约束条件，以及是否达到...
自助餐剩余食品识别图像分割系统：教学内容全覆盖
sgcsdn99的博客
11-04 855
数据集信息展示在本研究中，我们使用的数据集名为“9_5_Merged”，该数据集专门用于训练改进YOLOv8-seg的自助餐剩余食品识别图像分割系统。该数据集包含71个类别，涵盖了丰富多样的食品种类，旨在提高模型对不同类型剩余食品的识别和分割能力。通过对这些类别的细致划分，我们希望能够实现更高精度的图像分割，进而优化自助餐剩余食品的管理和利用。
Day21包和模块
weixin_50199478的博客
10-30 624
一个.py文件就是一个模块。模块是含有一系列数据、函数、类等的程序。包是将模块以文件夹的组织形式进行分组管理的方法，以便更好地组织和管理相关模块。包是一个包含一个特殊的__init__.py文件的目录。
Python 类和对象
最新发布
疯一样的码农
11-04 555
在 Python 中，类是一个对象创建的蓝图。它指定了对象（实例）将具有的属性和方法的集合。类通过封装数据和行为，促进了代码的组织、复用和模块化。使用类可以建模现实世界中的对象，定义其属性，并更有效地控制应用程序的复杂性。在 Python 中，一切都是对象，所有的数据类型和结构都是特定类的实例。对象是类的实例，具有用于修改数据的方法和存储数据的属性。理解对象对于掌握 Python 中的面向对象编程（OOP）范式至关重要。
探索 Python 的新天地：Helium 库揭秘
AIGC搞起
11-04 574
在自动化测试和网页交互的领域，Selenium 是一个强大的工具，但它的复杂性和陡峭的学习曲线让许多开发者望而却步。Helium库的出现，以其简洁的 API 和易用性，为 Python 开发者提供了一个新的选择。它不仅简化了 Selenium 的使用，还自带 WebDriver，减少了配置的复杂性。Helium 以其简洁的 API 和易用性，为 Python 开发者提供了一个强大的 Selenium 替代方案。它不仅减少了代码量，还简化了 WebDriver 的管理，使得自动化测试和网页交互变得更加容易。
Matlab无约束优化讲解：使用优化工具箱解决最优化问题
"此资源是关于Matlab无约束优化的讲解，主要涵盖无约束最优化的基本思想、算法以及如何使用MATLAB优化工具箱解决此类问题。适合于数学建模与数学实验的学习者，旨在通过实验掌握求解无约束优化问题的方法。" 在无...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

DeeGLMath

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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