- 博客(35)
- 收藏
- 关注
RSS订阅原创 MySQL(五)
文章目录数据库备份和用户管理数据表的复制数据备份用户权限管理python操作MySQL安装pymysqlpymysql基础使用MySQL基础操作请见enginelong的博客数据库备份和用户管理数据表的复制表可以根据实际需求复制数据复制表时不会把KEY属性一起复制create table 表名 select 查询;数据备份备份命令格式mysqldump -u 用户名 -p 源库名 > (数据备份存储路径)/备份数据库名.sql恢复命令格式mysql -u root
2021-03-23 23:19:48
146
原创 MySQL(四)
文章目录事务控制事务概述事务操作事务四大特性事务隔离级别数据库优化范式MySQL存储引擎MySQL基础部分请见enginelong的博客事务控制事务概述MySQL事务主要用于处理操作数据量大、复杂度高的数据定义一件事从开始发生到结束的过程作用确保数据操作过程中的安全事务操作开启事务begin; # 方法一开始执行事务中的若干条SQL命令终止事务，在begin之后可以使用commit提交事务或者使用rollback进行事务回滚commit; # 事务中SQL命令都执行
2021-03-23 00:30:33
202
1
原创 MySQL(三)
文章目录表连接视图函数与存储过程函数关于MySQL更为基础的部分请见enginelong博客表连接如果多个表存在关联联系，可以将多表以某种连接方式组合起来进行查询。实际上，表的关联与外键约束之间并没有必然联系，但是基于外键约束的具有关联性的表往往可以更多的使用关联查询。简单多表查询select 字段1,字段2... from 表1,表2... [where 条件]内连接内连接查询只会查找符合条件的记录，其实结果和表关联查询是相同的，不过官方更推荐使用内连接查询。select字段列
2021-03-20 00:30:33
195
2
原创 MySQL(二)
文章目录聚合函数索引操作关于MySQL更为基础的部分请见enginelong的博客聚合函数聚合操作是指在数据查找基础上对数据的进一步正理筛选的行为，实际上聚合操作同样属于数据查询筛选范围。聚合函数方法功能avg(字段名)该字段的平均值max(字段名)该字段的最大值min(字段名)该字段的最小值sum(字段名)该字段所有记录的和count(字段名)统计该字段记录的个数select max(attack) from sanguo;【
2021-03-17 00:26:33
126
原创 MySQL(一)
数据库分类与常见数据库关系型数据库与非关系型数据库关系型：采用关系模型(二维表)组织结构的数据库非关系型：不采用关系模型组织数据结构的数据库开源与非开源开源：MySQL、SQLite、MongoDB非开源：Oracle、DB2、SQL_ServerMySQLMySQL是开源数据库，瑞典专门的MySQL开发公司，将MySQL发展壮大，之后被Sun收购，如今Sun又被Oracle收购。MySQL优点开源数据库，使用C和C++编写；可以工作在众多不同的平台上；提供了用于C
2021-03-14 22:09:56
179
原创 R-CNN论文解读
论文概述本篇论文全名《Rich feature hierarchies for accurate object detection and semantic segmentation》，中文可以理解为高精度的目标检测及语义分割的多特征层级。仅通过论文题目可知，R-CNN可以用来处理目标检测以及语义分割任务。事实上在R-CNN提出之前，各种视觉识别任务的发展主要基于相对传统的机器学习方法(SIFT和HOG特征提取算法)。这篇论文说明了与基于简单的HOG特征的系统相比，CNN可以在PASCAL VOC上显著提
2021-03-10 17:56:32
572
原创 Windows安装Android Studio
Android Studio(依赖于JDK、SDK、NDK)安装JDK1.8(java 编译器)64位选择x64, 32位选择x86下载之后根据安装包提示安装JDK8设置环境变量在环境变量的系统变量中添加JAVA_HOME，取值为JDK安装目录默认值为C:\Program Files\Java\jdk1.8.0_271同样方法在系统变量中添加CLASSPATH，取值为.;%JAVA_HOME%\lib\dt.jar;%JAVA_HOME%\lib\tools.jar;%JAVA_HOME%
2021-02-28 20:58:04
271
2
原创 paddlepaddle定义数据读取器
数据准备当文件数据含有大量数据时，无法一次性加载到内存中，需要分批次操作训练数据。自定义文件读取器(生成器)在自定义文件读取器基础上包装随机读取器在随机读取器基础上包装文件数据批读取器import numpy as npimport paddle# 自定义reader_creator，从文本中读取一行数据def reader_creator(filepath): def reader(): with open(filepath, 'r') as f:
2021-02-13 20:41:39
420
1
原创 tensorflow-数据读取
目录描述数据读取文件读取机制文件队列构造文件读取文件内容解码csv文件读取图像数据读取数据读取文件读取机制tensorflow文件分为以下三个步骤将想要读取的文件放入文件名队列读取文件内容，并实行解码批处理，按照指定的批次大小将数据读出文件队列构造文件读取文件内容解码csv文件读取import tensorflow as tfimport osdef csv_read(filelist): # 构造文件队列 file_queue = tf.t
2021-02-12 18:15:32
130
原创 cnn基于mnist数据集简单服饰识别
tensorflow(1.5.0)网络模型训练20轮后的结果：模型确实比较简单，代码请见enginelong的博客
2021-02-10 23:15:32
224
原创 聚类方法简单总结
聚类概述聚类(cluster)与分类(class)问题不同，聚类属于无监督学习模型，而分类属于有监督学习模型。聚类使用某种算法将样本分为N个群落，群落内部相似度较高，群落之间相似度较低。通常采用‘距离’来度量样本间的相似度，距离越小，相似度越高；距离越大，相似度越低。相似度度量方式欧氏距离∣x1−x2∣=(x1−x2)2|x_1 - x_2| = \sqrt{(x_1 - x_2)^2}∣x1−x2∣=(x1−x2)2曼哈顿距离二维平面两点a(x1,y1)与b(x2,y2)a(x
2021-02-08 15:33:20
2124
原创 机器学习之模型评估与优化
模型评估性能度量错误率与精度错误率(error rate)：分类错误的样本占样本总数的比例；精度(accuracy)：分类正确的样本占样本总数的比例；精度 = 1 - 错误率查准率、召回率、F1得分错误率和精度虽然常用，但是并不能满足所有的任务需求。比如：在一次疾病检测中，我们关注以下问题：1） 检测出感染的个体中有多少是真正的病毒携带者？2）所有真正病毒携带者中有多少被检测出来？此时错误率/精度将无法反映出以上信息。实际上，类似的问题中，‘查准率’(precision)与‘召回率’
2021-02-05 21:36:15
484
原创 神奇的SVM
SVM基本概念支持向量机(Support Vector Machines)是一种二分类模型，在很多领域被广泛使用，致力于解决数据分类问题。SVM的目标是寻找一个超平面对样本进行分割，分割原则是间隔最大化(即数据集的边缘到分界线的距离d最大，如下图)。最终，将问题转化为一个凸二次规划问题进行求解。SVM通常用于解决二分类问题，不过对于多分类问题，可以将多分类问题分解为多个二元分类问题，然后进行分类。何谓支持向量？如图，支持向量就是图中虚线穿过的边缘点，理论上SVM的效果只与这些点有关系。同时，支持向量机就
2021-02-02 00:03:15
392
原创 逻辑回归浅析
逻辑回归概述逻辑回归(Logistic Regression) 实质上是分类模型，常用于二分类。逻辑回归因为简单，可并行化，可解释强而受到广泛关注。二分类(逻辑分类)是常见的分类方法，用于将一批样本或数据划分到两个类别。比如将成绩划分为及格与不及格两个类别：姓名成绩分类ai590engine611enginelong1001逻辑函数逻辑回归是一种广义的线性回归，其原理是利用线性模型根据输入计算输出(线性模型输出为连续值)，然后在逻辑函数作用下，将连续
2021-01-31 01:21:06
156
原创 使用决策树相关算法实现波士顿房价预测
决策树浅析决策树概述决策树是一种经典的机器学习方法，其核心思想是相同(相似)的输入产生相同(相似)的输出。通过树状结果进行决策，其目的是通过对样本不同属性的判断决策，将具有相同属性的样本划分到下一个叶子节点，从而实现分类或者回归。构建决策树根据西瓜书的知识，构建决策树的算法如下:由此可见决策树的构建是一个递归问题，核心在于：如何选择最优的特征，使得对数据集的划分效果最好。决定何时停止分裂节点。选择决策特征信息熵信息熵(information entropy)是度量样本集合纯度的常
2021-01-29 11:32:08
4378
3
原创 水域大小
非递归方式// 快速排序void QuickSort(int* a, int low, int high){ int i=low, j=high, temp; if(low<high){ temp=a[i]; while(i<j){ while(i<j && a[j]>=temp) --j; a[i]=a[j]; .
2021-01-28 16:46:34
129
原创 Lasso回归与岭回归
正则化正则化是指在损失函数后面添加一个范数，以此防止模型过拟合的方式。范数定义：∣∣x∣∣p=(∑i=1n∣x∣p)1p||x||_p = (\sum_{i=1}^{n}|x|^p)^\frac{1}{p}∣∣x∣∣p=(i=1∑n∣x∣p)p11）p = 1时，即L1范数：∣∣x∣∣p=(∑i=1n∣x∣)||x||_p = (\sum_{i=1}^{n}|x|)∣∣x∣∣p=(i=1∑n∣x∣)2）p = 2时，即L2范数：∣∣x∣∣p=(∑i=1n∣x∣2)12||
2021-01-27 23:15:35
480
1
原创 多项式回归
多项式回归线性回归适用于数据成线性分布的回归问题，如果样本是非线性分布，线性回归就不再使用，转而可以采用非线性模型进行回归，比如多项式回归多项式回归模型定义与线性模型，多项式模型引入了高次项：y=w0+w1x+w2x2+w3x3+...+wnxny = w_0 + w_1x + w_2x^2 + w_3x^3 + ... + w_nx^ny=w0+w1x+w2x2+w3x3+...+wnxn即：y=∑i=1nwixiy = \sum_{i=1}^{n}w_ix^iy=i=1∑
2021-01-27 00:13:23
333
原创 R2系数浅析
在统计学中，R2系数又称决定系数，反映因变量的全部变异能通过回归关系被自变量解释的比例。比如：R2_score=0.8，则表示回归关系可以解释因变量80%的变异，即如果控制自变量不变，则因变量的变异程度会减少80%。对变量进行线性回归分析时，采用最小二乘法进行参数估计时，R2_score越接近于1，回归拟合效果越好，一般认为超过80%的模型拟合度比较高。R2系数计算用yiy_iyi表示真实的观测值，yˉ\bar yyˉ表示真实观测值的平均值，y^i\hat y_iy^i表示预测值回归平方和
2021-01-26 23:26:10
15730
1
原创 线性回归
线性模型定义设给定一组属性x，x=(x1，x2，...，xn)x=(x_1，x_2，...，x_n)x=(x1，x2，...，xn)，则线性模型一般表达式：y=w1x1+w2x2+w3x3+wnxn+by = w_1x_1 + w_2x_2+w_3x_3 + w_nx_n + by=w1x1+w2x2+w3x3+wnxn+b向量形式：y=wTx+by = w^Tx + by=wTx+b其中：w=(w1,w2,w3,...,wn)T，x=(x1,x2,x3,...,x4)w=(
2021-01-26 00:25:27
131
原创 ML常用数据预处理方式
1) 标准化（均值移除）让样本矩阵每一列的平均值为0，标准差为1，如三个数a,b,c平均值：m=(a+b+c)/3a′=a−mb′=b−mc′=c−mm = (a+b+c) / 3 \\a' = a - m \\b' = b - m \\c' = c - m \\m=(a+b+c)/3a′=a−mb′=b−mc′=c−m预处理后的平均值为0：m′=(a′+b′+c′)/3=((a+b+c)−3m)=0m' = (a'+b'+c')/3 = ((a+b+c)-3m) = 0 \\m′
2021-01-24 20:57:35
231
3
原创 最长回文子串
给你一个字符串 s，找到 s 中最长的回文子串char * longestPalindrome(char * s){ int start, i, j, count, left, right, maxLength=0, len=strlen(s); if(len==1 || len==0) return s; for(i=0; i<len; i+=count){ left = i-1; right = i+1; count=1; //
2021-01-22 19:52:12
68
原创 ssh
简单的ssh服务操作ssh是一种安全协议，主要用于给远程登录会话数据进行加密，保证数据传输的安全。在数据传输方面有很多应用。之前说到，实际工作中经常需要远程访问服务器，ssh就是通用的远程访问服务器的方法。Step 1按装启动安装ssh服务sudo apt install openssh-sever查看ssh服务状态ps -e|grep ssh# 出现类似以下内容表示ssh服务状态正常1206 ? 00:00:00 sshd #
2020-08-29 09:40:24
94
原创 ubuntu创建新用户
四步创建 linux（Ubuntu）新用户Step 1添加用户和用户组创建名字是 engine 的用户组sudo groupadd engine创建用户 engine 并加入创建的用户组sudo useradd -m engine -g engineStep 2设置用户密码sudo passwd engineStep 3为创建的新用户设置root权限，在 /etc/sudoers 中在如下字段区域添加 用户名 ALL=(
2020-08-28 19:19:31
388
原创 鸢尾花分类
Iris数据集下载链接：https://www.cnblogs.com/wjunneng/p/7324142.htmlStep1、导入相关的包from matplotlib import colorsimport numpy as npfrom sklearn import svmfrom sklearn.svm import SVCfrom sklearn import model_selectionimport matplotlib.pyplot as pltimport matplo
2020-07-14 04:20:27
596
2
原创 Kd_tree、八叉树的构建查找及优化
Kd_tree 的构建思路：循环沿着x、y、z轴的方向进行排序、切分、递归point_indices_left_end_idx = math.ceil(len(point_indices_sorted) / 2) - 1 # 左半部分终止索引point_sorted_middle_left = point_indices_sorted[point_indices_left_end_idx]# 左半部分末端值point_indices_left_end_value = db[point_sor
2020-07-13 00:17:44
1044
2
原创 PCA降维、法向量估计、点云体素及FPS滤波
PCA降维、法向量估计# 实现PCA分析和法向量计算，并加载数据集中的文件进行验证import open3d as o3d import osimport numpy as npfrom pyntcloud import PyntCloudfrom pandas import DataFrameimport matplotlib.pyplot as pltfrom mpl_toolkits.mplot3d import Axes3D# matplotlib显示点云函数def Poin
2020-07-03 04:58:05
2504
12
原创 OpenCV--基础车道线检测
import cv2import numpy as npvideo_path = "D:\\opencv\\lane_detection.mp4"video_capture = cv2.VideoCapture(video_path)def roi(img, vertices): # 定义一个和输入图像同样大小的全黑图像mask mask = np.zeros_like(img) # 判断输入图像的通道个数 if len(img.shape) > 2:
2020-06-20 23:30:37
402
原创 OpenCV--高斯混合模型
gaussian = cv2.createBackgroundSubtractorMOG2() #实例化高斯混合模型对象frame_gaussian = gaussian.apply(frame) #对图像frame应用模型import cv2import numpy as np#创建视频流对象videocapture = cv2.VideoCapture("E:\\opencv\\object.avi")#自定义椭圆形内核kernel = cv2.getStructuringElemen
2020-06-10 16:53:36
730
原创 OpenCV--Hough变换
检测图像中的线条时经常会使用到Hough变换一条直线以参数形式将其表示为表示原点到该直线的垂直距离表示该直线的垂线和水平轴形成的角度(以逆时针方向为正，反之为负)Hough变换原理涉及到 image space 和 Hough space 的相互转换image space 中image space 中的点表现为Hough space 中的一条正弦曲线，image space 中的一条直线映射到 Hough space 中就是多条正弦曲线的交点，交点的坐标即 image space 中直线的
2020-06-05 15:04:26
544
原创 OpenCV--harris角点检测
hrris检测类别分为flat、edge、corner三类flat：沿x、y方向梯度变化均不明显，可判定为普通平面区域edge：沿x方向梯度变化明显，y方向不同明显，可以判定为y方向的边界corner：沿x、y方向梯度变化都非常明显，可判定为一个角点数学证明设图像上的点坐标（x，y），经过平移之后定义自相似性为：其中，w(u,v)是权值，赋予图像窗口中不同点不同的重要性，比如可以是常数或者高斯加权函数。我们不妨设w=1便于推导公式由于右式不利于化简，可用其泰勒展开式近似：因
2020-05-30 16:16:40
319
原创 OpenCV--threshold
像素值(高于/低于)阈值时，像素赋予(新值/保持不变）opencv–简单阈值–cv2.thresholdcv2.threshold(InputArray src, minval, double thresh, double maxval, int type)参数说明src: 原灰度图像minval: 下限可能赋予的值，默认为0thresh：阈值maxval：上限可能赋予的值，一般设置为255int type：阈值类型， 决定二值化操作的具体方式，以下详细说明c
2020-05-29 14:34:19
283
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