AI闪电战：代码+实战 从Python速通到深度学习|数据处理与分析——Pandas1

已于 2024-10-03 17:26:29 修改
阅读量497 收藏 6
点赞数 17
分类专栏： 《AI闪电战：代码+实战 从Python速通到深度学习》 文章标签： 人工智能 python 深度学习
于 2024-10-03 17:24:44 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/m0_46573428/article/details/142693187
版权

想要查看本系列的其他文章请到作者主页中。
学习提示：在有别的编程基础之上，学习Python很简单，只是语法不同，所以有很多新的语法记不住也没关系，不用专门耗时间死记，实战的时候现用现查就行。
下面的介绍中是每个部分最常用的语法，基本能够应付绝大多数的情况，如果希望学习更详细的内容，可以参考每个部分给出的资料链接。

AI闪电战：代码+实战 从Python速通到深度学习|数据处理与分析——Pandas1

1. 数据创建

1.1 创建空的DataFrame

内容引入：

Pandas库中的DataFrame是用于存储和处理表格数据的核心数据结构。在数据分析的最初阶段，通常会创建空的DataFrame，之后逐步添加数据或从文件中加载数据。这在动态构建数据时非常有用。

常用语法：
import pandas as pd

# 创建一个空的DataFrame
df_empty = pd.DataFrame()

# 查看空DataFrame
print(df_empty)
要点总结：
  • pd.DataFrame() 可以创建一个空的DataFrame。
  • 空的DataFrame没有任何数据行或列，显示时是空表。
练习：
  1. 创建一个空的DataFrame，并尝试添加一列名为"Name"的空列。
答案：
import pandas as pd

# 创建一个空的DataFrame
df_empty = pd.DataFrame()

# 添加一列名为 "Name" 的空列
df_empty['Name'] = []

print(df_empty)
更详细的知识点学习链接：

Pandas官方文档: DataFrame

1.2 从字典创建DataFrame

内容引入：

从字典创建DataFrame是Pandas非常常见的操作之一，尤其适合将键值对的数据转换为表格形式。字典中的键会成为DataFrame的列名，而值则会成为相应列的数据。

常用语法：
import pandas as pd

# 从字典创建DataFrame
data = {
    'Name': ['Alice', 'Bob', 'Charlie'],
    'Age': [25, 30, 35],
    'City': ['New York', 'Los Angeles', 'Chicago']
}

df_from_dict = pd.DataFrame(data)

# 查看DataFrame
print(df_from_dict)
要点总结：
  • 使用字典创建DataFrame时，字典的键会成为列名，值为对应列的数据。
  • 确保所有列长度一致，否则会抛出错误。
练习：
  1. 使用包含更多信息的字典来创建一个DataFrame，比如加入 Gender 列，并查看结果。
答案：
import pandas as pd

# 从包含更多信息的字典创建DataFrame
data = {
    'Name': ['Alice', 'Bob', 'Charlie'],
    'Age': [25, 30, 35],
    'City': ['New York', 'Los Angeles', 'Chicago'],
    'Gender': ['Female', 'Male', 'Male']
}

df_from_dict = pd.DataFrame(data)

# 查看DataFrame
print(df_from_dict)
更详细的知识点学习链接：

Pandas官方文档: DataFrame从字典创建

1.3 从列表创建DataFrame

内容引入：

在许多情况下，我们会从列表数据中构建DataFrame，尤其是在处理二维数据时，例如矩阵或嵌套列表。列表中的每个元素通常代表DataFrame的一行数据。

常用语法：
import pandas as pd

# 从嵌套列表创建DataFrame
data = [
    ['Alice', 25, 'New York'],
    ['Bob', 30, 'Los Angeles'],
    ['Charlie', 35, 'Chicago']
]

# 指定列名
columns = ['Name', 'Age', 'City']

df_from_list = pd.DataFrame(data, columns=columns)

# 查看DataFrame
print(df_from_list)
要点总结：
  • 从列表创建DataFrame时，可以将每个子列表作为DataFrame的一行数据。
  • 使用 columns 参数指定列名，否则会自动分配数值型索引。
练习：
  1. 创建一个包含 Name、Score 列的DataFrame，数据来自嵌套列表。
答案：
import pandas as pd

# 从嵌套列表创建DataFrame
data = [
    ['Alice', 85],
    ['Bob', 90],
    ['Charlie', 95]
]

# 指定列名
columns = ['Name', 'Score']

df_from_list = pd.DataFrame(data, columns=columns)

# 查看DataFrame
print(df_from_list)
更详细的知识点学习链接：

Pandas官方文档: DataFrame从列表创建

1.4 从NumPy数组创建DataFrame

内容引入：

Pandas与NumPy库无缝结合，很多时候我们需要将NumPy数组转换为DataFrame进行进一步处理。尤其是当你用NumPy进行矩阵或数值运算时，将结果转换为DataFrame可以更方便地分析和处理数据。

常用语法：
import pandas as pd
import numpy as np

# 创建NumPy数组
arr = np.array([
    [1, 2, 3],
    [4, 5, 6],
    [7, 8, 9]
])

# 从NumPy数组创建DataFrame
df_from_array = pd.DataFrame(arr, columns=['A', 'B', 'C'])

# 查看DataFrame
print(df_from_array)
要点总结：
  • NumPy数组与Pandas兼容，可以直接转换为DataFrame。
  • 通过 columns 参数可以指定列名，若不指定则默认生成数值索引。
练习：
  1. 创建一个 2x3 的NumPy数组，并将其转换为DataFrame，同时为其指定列名 X、Y、Z。
答案：
import pandas as pd
import numpy as np

# 创建2x3的NumPy数组
arr = np.array([
    [10, 20, 30],
    [40, 50, 60]
])

# 从NumPy数组创建DataFrame
df_from_array = pd.DataFrame(arr, columns=['X', 'Y', 'Z'])

# 查看DataFrame
print(df_from_array)
更详细的知识点学习链接：

Pandas官方文档: DataFrame从NumPy数组创建

1.5 要点总结

  • 空DataFrame：可以使用 pd.DataFrame() 创建，并逐步添加数据。
  • 从字典创建：字典的键作为列名，值作为列数据。
  • 从列表创建：使用嵌套列表创建DataFrame，通常每个子列表代表一行数据。
  • 从NumPy数组创建：NumPy数组可以直接转换为DataFrame，适合数值计算后的数据展示。

1.6 练习与答案

练习：
  1. 创建一个字典，包含 Product 和 Price 两列，并使用该字典创建DataFrame。
  2. 从嵌套列表创建一个包含 City、Population 的DataFrame。
  3. 创建一个NumPy数组表示 3x3 的矩阵，并将其转换为DataFrame，列名为 X1、X2、X3。
答案：
import pandas as pd
import numpy as np

# 1. 从字典创建DataFrame
data = {'Product': ['Apple', 'Banana', 'Orange'], 'Price': [1.2, 0.5, 0.8]}
df1 = pd.DataFrame(data)
print(df1)

# 2. 从嵌套列表创建DataFrame
data = [['New York', 8419600], ['Los Angeles', 3980400], ['Chicago', 2716000]]
df2 = pd.DataFrame(data, columns=['City', 'Population'])
print(df2)

# 3. 从NumPy数组创建DataFrame
arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
df3 = pd.DataFrame(arr, columns=['X1', 'X2', 'X3'])
print(df3)

1.7 更详细的知识点学习链接

好的！我们接下来完善 2. 数据类型 这一部分，每个小节都会包含内容引入、常用语法、要点总结、练习与答案以及更详细的知识点学习链接。所有代码示例都包含独立数据和导入库。

2. 数据类型

2.1 内容引入：

在数据分析过程中，不同的列通常具有不同的数据类型，如整型、浮点型、字符串、日期等。正确识别和处理这些数据类型，对于分析、计算和数据处理非常重要。Pandas 提供了丰富的函数用于检查、转换和处理数据类型，帮助我们更好地管理数据。

2.2 常用语法

2.2.1 检查数据类型
内容引入：

当我们加载数据或创建DataFrame时，了解每一列的数据类型是很重要的。Pandas 提供了 dtypes 属性用于查看每列的数据类型。

常用语法：
import pandas as pd

# 创建一个示例DataFrame
data = {
    'Name': ['Alice', 'Bob', 'Charlie'],
    'Age': [25, 30, 35],
    'Score': [88.5, 92.0, 79.5]
}

df = pd.DataFrame(data)

# 检查DataFrame每一列的数据类型
print(df.dtypes)
要点总结：
  • dtypes 属性可以用来查看DataFrame中每列的具体数据类型，如 int64、float64、object（字符串）。
  • Pandas中的 object 数据类型通常表示字符串或混合类型。
练习：
  1. 创建一个包含日期、字符串、整数列的DataFrame，并检查各列的数据类型。
答案：
import pandas as pd

# 创建一个包含不同类型数据的DataFrame
data = {
    'Date': pd.to_datetime(['2023-01-01', '2023-01-02', '2023-01-03']),
    'City': ['New York', 'Los Angeles', 'Chicago'],
    'Population': [8419600, 3980400, 2716000]
}

df = pd.DataFrame(data)

# 检查每一列的数据类型
print(df.dtypes)

特别说明
pd.to_datetime 主要用于将字符串、列表、元组、字典、Series 或 DataFrame 中的日期时间数据转换为 datetime64[ns] 类型。datetime64[ns] 是 Pandas 中用于表示日期时间的标准数据类型，具有高精度和丰富的日期时间操作功能。

更详细的知识点学习链接：

Pandas官方文档: dtypes

2.2.2 转换数据类型
内容引入：

有时我们可能需要将一列的数据类型从一种类型转换为另一种，比如将字符串转换为数值，或将整数转换为浮点型。这在进行数值计算或进行数据清洗时非常常见。

常用语法：
import pandas as pd

# 创建一个示例DataFrame
data = {
    'ID': ['001', '002', '003'],
    'Price': ['10.5', '20.0', '15.75']
}

df = pd.DataFrame(data)

# 将 "Price" 列从字符串转换为浮点型
df['Price'] = df['Price'].astype(float)

# 查看转换后的数据类型
print(df.dtypes)
要点总结：
  • astype() 方法可以用来转换数据类型。
  • 常见转换包括将字符串转换为数值型 (int 或 float)，或者将数值型转换为字符串。
  • 在进行转换前，确保数据格式正确，否则可能会引发错误。
练习：
  1. 将包含日期的字符串列转换为 datetime 类型。
答案：
import pandas as pd

# 创建一个包含日期字符串的DataFrame
data = {
    'Event': ['Launch', 'Meeting', 'Conference'],
    'Date': ['2024-01-01', '2024-02-15', '2024-03-10']
}

df = pd.DataFrame(data)

# 将 "Date" 列转换为 datetime 类型
df['Date'] = pd.to_datetime(df['Date'])

# 查看转换后的数据类型
print(df.dtypes)
更详细的知识点学习链接：

Pandas官方文档: astype

2.2.3 查看特定列的数据类型
内容引入：

有时我们只需要检查某一列的数据类型，而不需要查看整个DataFrame。这可以通过访问列后使用 dtype 属性来实现。

常用语法：
import pandas as pd

# 创建一个示例DataFrame
data = {
    'Name': ['Alice', 'Bob', 'Charlie'],
    'Age': [25, 30, 35],
    'Score': [88.5, 92.0, 79.5]
}

df = pd.DataFrame(data)

# 查看特定列的数据类型
print(df['Age'].dtype)
要点总结：
  • 通过 df['column_name'].dtype 可以检查某一特定列的数据类型。
  • 这在你只关心某列数据类型时非常有用，而不需要查看整个DataFrame的类型信息。
练习：
  1. 创建一个包含三个不同数据类型列的DataFrame，并检查某一特定列的数据类型。
答案：
import pandas as pd

# 创建一个包含不同数据类型的DataFrame
data = {
    'City': ['New York', 'Los Angeles', 'Chicago'],
    'Established': [1624, 1781, 1833],
    'Is_Metropolis': [True, True, True]
}

df = pd.DataFrame(data)

# 查看 "Established" 列的数据类型
print(df['Established'].dtype)
更详细的知识点学习链接：

Pandas官方文档: dtype

2.3 要点总结

  • 检查数据类型：使用 dtypes 可以查看DataFrame中每一列的数据类型。
  • 转换数据类型：使用 astype() 可以将列的数据类型转换为其他类型，如 int、float 或 datetime。
  • 查看特定列的数据类型：可以使用 df['column_name'].dtype 查看某一列的具体数据类型。

2.4 练习与答案

练习：
  1. 创建一个包含整数、浮点数和字符串列的DataFrame，并使用 dtypes 检查其数据类型。
  2. 将一个包含数字字符串的列转换为数值类型。
  3. 创建一个DataFrame，包含时间列并将其转换为 datetime 类型。
答案：
import pandas as pd

# 1. 创建包含整数、浮点数和字符串列的DataFrame
data = {
    'ID': [1, 2, 3],
    'Height': [5.7, 6.0, 5.8],
    'Name': ['Alice', 'Bob', 'Charlie']
}

df = pd.DataFrame(data)
print(df.dtypes)

# 2. 将数字字符串转换为数值类型
data = {
    'ID': ['001', '002', '003'],
    'Price': ['12.5', '15.0', '10.75']
}

df = pd.DataFrame(data)
df['Price'] = df['Price'].astype(float)
print(df.dtypes)

# 3. 创建包含时间列的DataFrame并转换为 datetime 类型
data = {
    'Event': ['Launch', 'Meeting', 'Conference'],
    'Date': ['2024-01-01', '2024-02-15', '2024-03-10']
}

df = pd.DataFrame(data)
df['Date'] = pd.to_datetime(df['Date'])
print(df.dtypes)

2.5 更详细的知识点学习链接

3. 数据读取与写入

3.1 从CSV, Excel读取数据

内容引入：

在数据分析中，我们经常需要从外部文件中读取数据，比如CSV文件和Excel文件。Pandas 提供了简单的方法来读取这类数据并将其加载为DataFrame。

常用语法：
import pandas as pd

# 从CSV文件读取数据
df_csv = pd.read_csv('example.csv')

# 从Excel文件读取数据
df_excel = pd.read_excel('example.xlsx')

# 查看数据前5行
print(df_csv.head())
print(df_excel.head())
要点总结：
  • pd.read_csv() 用于读取CSV文件，并将其转换为DataFrame。
  • pd.read_excel() 用于读取Excel文件。需要安装 openpyxl 或 xlrd 库支持Excel文件读取。
  • head() 方法可以用于查看DataFrame的前几行数据，默认为前5行。
练习：
  1. 创建一个CSV和一个Excel文件，分别使用 pd.read_csv() 和 pd.read_excel() 读取文件中的数据，并查看前几行。
答案：
import pandas as pd

# 读取CSV文件
df_csv = pd.read_csv('data.csv')
print(df_csv.head())

# 读取Excel文件
df_excel = pd.read_excel('data.xlsx')
print(df_excel.head())
更详细的知识点学习链接：

3.2 将数据写入CSV, Excel文件

内容引入：

数据处理和分析完成后，通常我们需要将结果保存为文件以供后续使用。Pandas 提供了 to_csv() 和 to_excel() 方法，用于将DataFrame数据写入CSV或Excel文件。

常用语法：
import pandas as pd

# 创建示例DataFrame
data = {
    'Name': ['Alice', 'Bob', 'Charlie'],
    'Age': [25, 30, 35],
    'Score': [88.5, 92.0, 79.5]
}
df = pd.DataFrame(data)

# 将DataFrame写入CSV文件
df.to_csv('output.csv', index=False)

# 将DataFrame写入Excel文件
df.to_excel('output.xlsx', index=False)

print("数据已保存到文件中。")
要点总结：
  • to_csv() 方法可以将DataFrame数据写入CSV文件。参数 index=False 用于避免将索引写入文件。
  • to_excel() 方法用于将DataFrame写入Excel文件。使用此方法前确保安装 openpyxl 库。
练习：
  1. 创建一个包含名字、分数和年龄的DataFrame，并将其写入一个CSV和一个Excel文件中。
答案：
import pandas as pd

# 创建示例DataFrame
data = {
    'Name': ['Alice', 'Bob', 'Charlie'],
    'Age': [25, 30, 35],
    'Score': [88.5, 92.0, 79.5]
}
df = pd.DataFrame(data)

# 写入CSV文件
df.to_csv('students.csv', index=False)

# 写入Excel文件
df.to_excel('students.xlsx', index=False)

print("数据已成功写入CSV和Excel文件中。")
更详细的知识点学习链接：

3.3 处理不同格式的数据文件（如JSON等）

内容引入：

除了CSV和Excel文件，Pandas 还能处理许多其他数据文件格式，如JSON、HTML等。这为数据的灵活处理提供了更多选择。

常用语法：
import pandas as pd

# 从JSON文件读取数据
df_json = pd.read_json('example.json')

# 查看DataFrame
print(df_json.head())

# 将DataFrame写入JSON文件
df_json.to_json('output.json', orient='records', lines=True)

print("数据已保存为JSON文件。")
要点总结：
  • pd.read_json() 用于从JSON文件中读取数据并转换为DataFrame。
  • to_json() 可以将DataFrame写入JSON文件。参数 orient 和 lines 可以用来调整输出格式。
练习：
  1. 从一个JSON文件中读取数据，并将其转换为DataFrame。然后将DataFrame写入另一个JSON文件。
答案：
import pandas as pd

# 读取JSON文件
df = pd.read_json('data.json')
print(df.head())

# 写入新的JSON文件
df.to_json('output.json', orient='records', lines=True)
print("数据已成功保存为JSON文件。")
更详细的知识点学习链接：

3.4 要点总结

  • 读取数据：pd.read_csv() 和 pd.read_excel() 分别用于从CSV和Excel文件中读取数据。pd.read_json() 可以读取JSON文件。
  • 写入数据：to_csv() 和 to_excel() 分别用于将数据写入CSV和Excel文件。to_json() 用于保存JSON格式数据。
  • 文件处理灵活性：Pandas 支持多种数据文件格式的读写操作，包括CSV、Excel、JSON等，方便数据的导入与导出。

3.5 练习与答案

练习：
  1. 从一个CSV文件中读取数据，并将其保存为一个新的CSV文件。
  2. 从一个Excel文件中读取数据，并将其保存为一个新的Excel文件。
  3. 读取一个JSON文件的数据，并将其写入一个新的JSON文件中。
答案：
import pandas as pd

# 1. 从CSV文件读取并写入新CSV文件
df_csv = pd.read_csv('input.csv')
df_csv.to_csv('output.csv', index=False)

# 2. 从Excel文件读取并写入新Excel文件
df_excel = pd.read_excel('input.xlsx')
df_excel.to_excel('output.xlsx', index=False)

# 3. 从JSON文件读取并写入新JSON文件
df_json = pd.read_json('input.json')
df_json.to_json('output.json', orient='records', lines=True)

print("数据已成功读取并保存到新文件中。")

3.6 更详细的知识点学习链接

问题解答
由于本系列是基础教程，所以有任何问题基本上国内免费的AI模型都能回答，有任何疑问或Bug可以寻求以下免费的大模型的解答。

  • 豆包：https://www.doubao.com/chat/
  • 文心一言：https://yiyan.baidu.com/
  • 通义千问：https://tongyi.aliyun.com/qianwen/
  • 讯飞星火：https://xinghuo.xfyun.cn/desk

如果觉得有帮助的话，求 关注、收藏、点赞、星星 哦！

人工智能技术小白修炼手册
关注
专栏目录
PyTorch深度学习60分钟闪电战：04 训练一个分类器
16A086的博客
10-05 404
本系列是PyTorch官网Tutorial Deep Learning with PyTorch: A 60 Minute Blitz 的翻译和总结。 PyTorch概览 Autograd - 自动微分 神经网络 训练一个分类器 下载本文的Jupyter NoteBook文件：60min_04_Training a Classifier.ipynb 文章目录数据训练图像分类器1. 加载CIFA...
AI闪电战：代码+实战 从Python速通到深度学习|基本概念介绍
m0_46573428的博客
09-22 1091
《AI闪电战：代码+实战 从Python速通到深度学习》系列博客为有编程经验的学习者提供快速入门路径。遵循奥卡姆剃刀原则，博客讲解最必须的内容，助读者在最短时间内掌握核心技能并应用于实际项目。涵盖从Python基础到深度学习的各方面，包括数据处理、机器学习、深度学习基础、计算机视觉和自然语言处理。每篇博客配有详细的代码注释和实战练习。
AI闪电战：代码+实战 从Python速通到深度学习|第三方库导入
m0_46573428的博客
09-26 777
《AI闪电战：代码+实战 从Python速通到深度学习》系列博客为有编程经验的学习者提供快速入门路径。遵循奥卡姆剃刀原则，博客讲解最必须的内容，助读者在最短时间内掌握核心技能并应用于实际项目。涵盖从Python基础到深度学习的各方面，包括数据处理、机器学习、深度学习基础、计算机视觉和自然语言处理。每篇博客配有详细的代码注释和实战练习。
AI闪电战：代码+实战 从Python速通到深度学习|环境安装
m0_46573428的博客
07-07 575
《AI闪电战：代码+实战 从Python速通到深度学习》系列博客为有编程经验的学习者提供快速入门路径。遵循奥卡姆剃刀原则，博客讲解最必须的内容，助读者在最短时间内掌握核心技能并应用于实际项目。涵盖从Python基础到深度学习的各方面，包括数据处理、机器学习、深度学习基础、计算机视觉和自然语言处理。每篇博客配有详细的代码注释和实战练习。
AI闪电战：代码+实战 从Python速通到深度学习|学习大纲
m0_46573428的博客
07-07 173
《AI闪电战：代码+实战 从Python速通到深度学习》系列博客为有编程经验的学习者提供快速入门路径。遵循奥卡姆剃刀原则，博客讲解最必须的内容，助读者在最短时间内掌握核心技能并应用于实际项目。涵盖从Python基础到深度学习的各方面，包括数据处理、机器学习、深度学习基础、计算机视觉和自然语言处理。每篇博客配有详细的代码注释和实战练习。
Pytorch深度学习入门：60分钟闪电战
fangshuo_light的博客
05-28 1481
1. 学习基础知识 大多数机器学习工作流程涉及处理数据、创建模型、优化模型参数和保存训练好的模型。本教程向你介绍一个用PyTorch实现的完整的ML工作流程，并提供链接来了解这些概念中的每一个。 我们将使用FashionMNIST数据集来训练一个神经网络，预测输入图像是否属于以下类别之一。T恤/上衣、长裤、套头衫、连衣裙、外套、凉鞋、衬衫、运动鞋、包、或踝靴。 本教程假定对Python和深度学习概念有基本的熟悉。 运行教程代码 你可以用几种方式运行这个教程。 在云中。这是最简单的入门方法 每个..
BLiTZ（Bayesian Layers in Torch Zoo）blitz-bayesian-pytorch 是一个基于PyTorch的库，它允许用户创建贝叶斯神经网络层,bnn
09-07 1060
BLiTZ（Bayesian Layers in Torch Zoo）是一个基于PyTorch的库，它允许用户创建贝叶斯神经网络层。这个库的设计目标是简化在神经网络中引入不确定性的过程，使得用户可以轻松地收集模型的复杂性成本，而不会干扰层与层之间的交互。BLiTZ提供了核心的权重采样器类，用户可以通过这些类扩展并改进库，以便在更广泛的层中引入不确定性。安装BLiTZ可以通过pip命令：``````或者通过conda：``````也可以通过git克隆并本地安装：```
使用PyTorch自行实现深度学习模型的深入教程。-Python开发
05-25
这是我正在编写的一系列深入教程，目的是通过惊人的PyTorch库自行实现出色的深度学习模型。 PyTorch的深度教程这是我正在编写的一系列深度教程，用于使用令人惊叹的PyTorch库自行实现出色的深度学习模型。 假定具备...
故事：易于使用的Hypixel python包装器
02-19
文件 什么是故事？ Tales是一种使用python设计的...闪电战 Bedwars 天战 还有更多 例子 from tales import blitz , api api . key = "Your Hypixel API key" wins = blitz . wins ( "Technoblade" ) print ( wins )
football_images：橄榄球（nfl）深度学习程序，用于从橄榄球图像中提取信息
02-14
足球图像 该项目的目标是构建一种软件，以拍摄NFL比赛的图像，并提取... 国防部表现出了闪电战吗？ 国防部真的突击了吗？ 这些元素本身的价值可能有限，但将它们组合在一起，可以提供广泛使用的丰富，有价值的信息。
Python库 | blitz-ca-0.1.zip
03-13
它们通常包含了各种函数、类和方法，可以帮助开发者执行常见的编程任务，如数据处理、网络通信、图形用户界面（GUI）构建、机器学习等。Python库极大地扩展了Python的功能，使得开发者能够高效地构建复杂的软件系统...
扩散模型（2）--1
m0_63860007的博客
09-29 794
生成模型通过学习并建模输入数据的分布，从而采集生成新的样木，该模型广泛运用于图片视频生成、文本生成和药物分子生成。扩散模型是一类概率生成模型，扩散模型通过向数据中逐步。
[论文精读]AI-Guardian: Defeating Adversarial Attacks using Backdoors
m0_52911108的博客
09-27 1319
本文提出了AI-Guardian框架，本质是让模型预测结果受到后门控制，而很难被攻击者操纵，从而抵御对抗攻击。在模型训练阶段，AI-Guardian会针对原始训练样本生成一批后门样本（经过后门处理的样本），按标签双射关系为后门样本分配对应标签，实现后门注入；在模型预测阶段，AI-Guardian先对输入数据进行后门处理，然后将其输入到模型，根据模型输出结果、标签双射关系返回对输入数据真实标签的预测结果。
大模型~合集5
whaosoft~aiotの开发板商城
10-02 948
FLock 的机制设计受到了证明权益（PoS）区块链共识机制和桌面游戏《The Resistance》（一种角色扮演类游戏，该游戏的一个变种叫阿瓦隆）的启发。《The Resistance》游戏则通过投票机制，每轮游戏中玩家独立推理并投票，从而实现全局共识。《The Resistance》有两个不匹配的竞争方，其中较大的一方被称为抵抗力量，另一方被称为间谍。在《The Resistance》中，有一个投票机制，在每一轮中，每个玩家进行独立推理并为一个玩家投票，得票最多的玩家将被视为「间谍」并被踢出游戏。
Linux嵌入式有发展吗，以及对uboot，kernel，rootfs的领悟
rjszcb的博客
09-30 627
上一份工作是2022,11—2023，11年底，汽车公司，底层修修改改，编译镜像，修改后，客户给东西，重新编译给他，客制化配置启动参数，环境，支持应用部门，不懂怎么使用某些驱动。uboot到底是干嘛的，想想，emmc的镜像文件是怎么被读到ddr的，emmc为啥可以被分区，烧录镜像，tftp网络命令为啥可以运行，启动设备时，为啥lcd可以看到图像，kernel还没启动，怎么出图像的。不管做应用开发，驱动开发也好，知道，系统原理，驱动框架，进程管理调度，内核竞争，信号，中断，锁，这些就够了。
遥感影像-实例分割数据集：iSAID 从切图到YOLO格式数据集制作详细介绍
GIS潮流
09-30 964
开源数据集isaid标注包含实例分割，但是原始影像太大，很吃显存，一般显卡无法用原始影像直接训练，所以需要对影像进行裁剪，并生成对应的标签，因为想用yolo系列跑模型，所以将标签需要转为txt格式。
神经网络在多分类问题中的应用
小高~的博客
09-29 796
神经网络在分类任务中的应用越来越广泛，尤其是在图像识别、自然语言处理等领域。本文将介绍如何使用PyTorch构建一个简单的神经网络来处理多分类问题。我们将通过一个实战案例，展示数据构造、模型训练、模型保存与加载、以及评估结果的整个过程。
GraphEval: A Knowledge-Graph Based LLM Hallucination Evaluation Framework
最新发布
weixin_43961909的博客
10-02 992
评估大型语言模型(LLM)响应和检测不一致性(也称为幻觉)的方法对于LLM应用变得越来越重要。当前的度量标准在提供可解释的决策、系统地检查响应中的所有信息片段的能力方面存在不足，并且通常计算成本太高而无法在实践中使用。我们提出GraphEval:一个基于知识图(KG)结构表示信息的幻觉评估框架。我们的方法识别了KG中易于产生幻觉的特定三联体，因此比以前的方法提供了对反应中幻觉发生位置的更多了解。
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

人工智能技术小白修炼手册

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