m0_62329504的博客

转载 用OpenCV读取视频报错error: (-215:Assertion failed) size.width＞0 && size.height＞0 in function ‘cv::imsh

这个是针对读取视频文件的，在运行代码之前已经检查过文件的路径，已经是绝对路径并且也将文件的地址符号\ 改为了/ 但是依旧报错，然后到处查找资料发现。视频文件读取后使用imshow显示前需要判断文件是否读完，如果已经读完最后一帧，再继续读时获取的是None，所以提示imshow错误。但是有一点还没有解决，就是按q键为啥没有结束呢。上面的连接是答案来源。

原创 Python中NameError: name ‘key‘ is not defined

File "C:\User\PycharmProjects\pythonProject\OpenCV\opencv2\显示窗口.py", line 12, in 跟那个博主敲得代码一模一样但是就是出现了一个非常小的错误点，可以运行，但是爆红了，看着让人觉得非常的不爽。if(key == "q"): # 当键盘输入q时窗口消失。不知道是不是因为那个博主用的是mac系统的缘故，反正他可以运行。其实只要把那个key换成Key就可以了，大小写的问题。在跟着网上的博主进行代码操作的时候。

原创 不同等级人脸检测

Pytorch检测人脸和基础版opencv检测人脸对比。（这张图是学校的领导，并没有冒犯的意思......）

转载 YOLO系列3

YOLOv3使用了darknet-53的前面的52层（没有全连接层），YOLOv3这个网络是一个全卷积网络，大量使用残差的跳层连接，并且为了降低池化带来的梯度负面效果，作者直接摒弃了POOLing，用conv的stride来实现降采样。作者在3条预测支路采用的也是全卷积的结构，其中最后一个卷积层的卷积核个数是255，是针对COCO数据集的80类：3*(80+4+1)=255，3表示一个grid cell包含3个bounding box，4表示框的4个坐标信息，1表示objectness score。

转载 yolo系列2

优点速度非常快，处理速度可以达到45fps，其快速版本（网络较小）甚至可以达到155fps。训练和预测可以端到端的进行，非常简便。缺点准确率会打折扣对于小目标和靠的很近的目标检测效果并不好。

转载 yolo系列1

YOLO的结构非常简单，就是单纯的卷积、池化最后加了两层全连接，从网络结构上看，与前面介绍的CNN分类网络没有本质的区别，最大的差异是输出层用线性函数做激活函数，因为需要预测bounding box的位置（数值型），而不仅仅是对象的概率。比如上图中自行车，其中心点在黄色圆点位置，中心点落在黄色网格内，所以这个黄色网格对应的30维向量中，自行车的概率是1，其它对象的概率是0。根据YOLO的设计，输入图像被划分为 7x7 的网格（grid），输出张量中的 7x7 就对应着输入图像的 7x7 网格。

原创 flask

【代码】flask。

转载 【无标题】

是一个思路、一个概念、一个服务器存储授权信息的解决方案，不同的服务器，不同的框架，不同的语言有不同的实现。的出现就是为了解决这个问题，第一次登录后服务器返回一些数据（cookie）给浏览器，然后浏览器保存在本地，当该用户发送第二次请求的时候，就会自动的把上次请求存储的。但存储在服务器也有一定的弊端，就是会占用服务器的资源，但现在服务器已经发展至今，一些。数据自动的携带给服务器，服务器通过浏览器携带的数据就能判断当前用户是哪个了。存储的数据量有限，不同的浏览器有不同的存储大小，但一般不超过4KB。

转载 测试器 宏和import语句

测试器主要用来判断一个值是否满足某种类型，并且这种类型一般通过普通的if判断是有很大的挑战的。if...is...，先来简单的看个例子以上判断variable这个变量是否已经被转义了，Jinja。

转载 Jinja2模版过滤器 控制语句

将返回name的长度。过滤器相当于是一个函数，把当前的变量传入到过滤器中，然后过滤器根据自己的功能，再返回相应的值，之后再将结果渲染到页面中。：删除字符串中所有的HTML标签，如果出现多个空格，将替换成一个空格。：如果当前变量没有值，则会使用参数中的值来代替。等符号转义成HTML中的符号。：返回一个序列的最后一个元素。：返回一个序列或者字典的长度。：截取字符串前面和后面的空白字符。：返回一个数值的绝对值。：计算一个长字符串中单词的个数。：返回一个序列的第一个元素。如果序列中没有值的时候，进入。

转载 jinja模板简介与概述

模板是一个web开发必备的模块。因为我们在渲染一个网页的时候，并不是只渲染一个纯文本字符串，而是需要渲染一个有富文本标签的页面。这时候我们就需要使用模板了。在Flask中，配套的模板是Jinja2，Jinja2的作者也是Flask的作者。这个模板非常的强大，并且执行效率高。

转载 URL与视图

重定向分为永久性重定向和暂时性重定向，在页面上体现的操作就是浏览器会从一个页面自动跳转到另外一个页面。比如用户访问了一个需要权限的页面，但是该用户当前并没有登录，因此我们应该给他重定向到登录页面。比如访问一个需要权限的网址，如果当前用户没有登录，应该重定向到登录页面，这种情况下，应该用暂时性重定向。，多用于旧网址被废弃了要转到一个新的网址确保用户的访问，最经典的就是京东网站，你输入。如果反过来，我们知道一个函数，怎么去获得这个。，如果还出现其他的参数，则会添加到。方法，默认情况下，只能使用。

原创 改bug问题

第二 拼写错误，咋写代码的时候，拼写时最关键的一步，所以我们应该检查拼写是否正确，例如图片的路径 以及haarcascade_frontalface_default.xml的文件路径是否正确，这些都会造成代码报错。第一 图片的的路径不能有中文，可以把图片放在跟代码的同意路径直接写图片的名称即可，如果这种方法还是不能成功，可以考虑是别的地方的问题。在我不断地试错和查阅资料的时候用了各种解决问题，发现了pycharm的关于写OpenCV的一些需要注意的地方。

原创 Python web案例

图片出不来，不知道为什么。方法1 只写一处即可。

原创 python Web

上下两个的区别是在head标签里面有一个body {magin：0}可以使加载出来的黑色边框与屏幕之间的距离是0。外边距 与另一个样式的距离。

原创 模型保存和加载

2 对于其他每个点计算到k个中心的距离，未知的点选择最近的一个聚类中心点作为标记类别。加载 estimator = joblib.load('test.pkl')4 如果计算得出的新中心点与原来中心点一样，那么结束，否则重新进行第二步过程。3 接着对着标记的聚类中心之后，重新计算出每个聚类的新中心点（平均值）保存 joblib.dump(rf,'test.pkl')1 随机设置k个特征空间内的点作为初识的聚类中心。sklearn模型的保存和加载API。线性回归的模型保存加载案例。

原创 逻辑回归的原理

同样使用梯度下降优化算法，去减少损失函数的值，这样去更新逻辑回归前面对应算法的权重参数，提升原本属于1类别的概率，降低原本是0类别的概率。

原创 jupyter notebook不能运行的问题

我在第一次使用jupyter的时候代码不能运行，于是在网上查找了相关问题，参考了如下文章。我只出现了上面的两个报错，只用了两个就不报错了。于是继续寻找答案，于是又参考了如下文章。但是在运行的时候出现了如下信息。...

原创 欠拟合和过拟合

定义：具体表现就是最终模型在训练集上效果好；在测试集上效果差。模型泛化能力弱。具体表现就是最终模型在训练集上效果好；在测试集上效果差。模型过于复杂。

原创 回归与聚类算法01

梯度下降，原始梯度下降需要计算所有样本的值才能够得出梯度，计算量大，所以后面才有会一系列的改进。随机平均梯度法，由于收敛的速度太慢，有人提出SAG等基于梯度下降的算法。Scikit-learn 岭回归 逻辑回归等当中都会有SAG优化。随机梯度下降是一个优化方法，他在一次迭代只考虑一个训练样本。缺点：需要许多超参数，比如正则项参数，迭代参数。拓展：关于优化方法GD，SGD，SAG。4.1.3线性回归API。对于特征标准化是敏感的。优点：高效 容易实现。...

原创 朴素贝叶斯算法

朴素贝叶斯方法是在 贝叶斯 算法的基础上进行了相应的简化，即假定给定目标值时属性之间相互条件独立。. 也就是说没有哪个属性变量对于决策结果来说占有着较大的比重，也没有哪个属性变量对于决策结果占有着较小的比重。. 虽然这个简化方式在一定程度上降低了贝叶斯分类算法的分类效果，但是在实际的应用场景中，极大地简化了贝叶斯方法的复杂性。优点：对确实数据不太敏感，算法比较简单，常用与对文本进行分类，分类准确度高，速度快。缺点：决策树学习者可以创建不能很好的推广数据过于复杂的数，这被称为过拟合。消除随机不定性的东西。..

原创 K-临近算法

transform() （x-mean）/ std 进行最终的转换。2 调用fit-transform（对于文档建立分类词频矩阵，不能同时调用）懒惰算法，对测试样本分类时的计算量大，内存开销大。1 实例化（实例化的是一个转换器（Transformer））什么是K-近邻算法，核心思想：你的临近来推断你的类别。缺点：必须指定k值，k值选择不恰当则分类精度不能保证。转换器 估计器（estimator）优点：简单，易于理解，易于实现，无需训练。如果k值取的不一样，有什么样的影响。...

原创 未解决的notebook问题

用 conda clean --all 查看，在缓存文件夹 Cache location: xxx/.conda/pkgs 或者 xxx/opt/anaconda3/pkgs 里，有 python-3.5.4-0 ，因为以前在conda下载包的过程中被中止了，造成无向的缓存。然后又出现如下情况，没有直接弹出网页，而是给出了网址，我们直接将网址复制到浏览器即可。最终，这个问题我还是解决不了，希望广大的网友可以帮忙出谋划策。我是选择在大蟒蛇里安装的，但是出现了如下问题。解决方案，即直接弹出网页界面，不用手动。.

原创 特征预处理

2.4.3 标准化：对于标准化来说，如果出现异常点，由于具有一定数据量，少量的异常点，对于平均值的影响并不大，从而方差改变较小。2.4.2归一化：对于归一化来说，如果出现异常点，影响了最大值和最小值，那么结果显然是会发生改变的。通过对原始数据进行变换把数据映射到（默认为[0,1]）之间。相关系数 - 特征与特征之间的相关程度。效果： 特征与特征之间不相关。此处的降维：降低特征的个数。方差选择法：低方差特征过滤。决策树 正则化 深度学习。取值范围： -1 ~1。维数 ： 嵌套的层数。Embeded嵌入式。..

原创 特征工程介绍

文章A（100词）：10次“经济” TF-IDF:0.2。文章B（100词）：10次“非常” TF-IDF:0.1。1、将数据集的特征 -》字典类型。2 本身拿到的数据就是字典类型。机器学习算法 - 统计方法 - 数学公式。stop_words停用的 停用词表。节省内存 —— 提高加载效率。100篇文章 —— “非常”10篇文章 —— “经济”1000篇文章——语料库。矩阵 matrix 二维数组。向量 vector 一维数组。2.3.2 字典特征提取 - 类别 -》one-hot编码。......

原创 机器学习概述

datasets.base.Bunch(继承自字典)训练集特征值，测试集特征值，训练集目标值，测试集目标值。k-近邻算法、贝叶斯分类、决策树与随机森林、逻辑回归。fetch_*获取大规模数据集。从历史数据中获得规律？这些历史数据是怎么的格式？1、预测明天的气温是多少？2、预测明天是阴、晴、雨？load_*获取小规模数据集。深度学习是机器学习的一个方法发展而来。机器学习是人工智能的一个实现途径。目标值连续型的数据-回归问题。训练数据集用于训练、构建模型。1.1.2机器学习、深度学习能做些什么。...

原创 关于sklearn库的安装

但是我发现我的电脑有一些小点问题，例如，下载的时候速度会非常的慢，并且电脑会非常的卡，所以需要更加的耐心，即使运行超时，爆红，只要多下载几次就可以安装成功了。这里我们可以看到有非常多的scipy版本，但是究竟应该安装什么版本呢，在我无知的操作下，毅然决然的选择了最新的版本进行安装，而这个，就是我打错特错的根源。首先应该选择与电脑配置一样的字节，然后，还要选择与自己电脑版本一样的pycharm版本，那么接下来的操作就会非常的简单。这一行的解决办法是用管理员的身份进行运行cmd即可，就会变成如下情况。...

原创 6.3有定型性 第七章

原创 化二次型为标准型

原创 是对称矩阵的对角化

原创 相似矩阵，可对角化条件

原创 矩阵的特征值和特征向量

原创 第4章线性方程组

原创 向量间的线性关系

原创 初等变换 矩阵的秩

原创 逆矩阵 分块矩阵

原创 线性代数2.3

原创 矩阵2.1 2.2

原创 行列式1.4 1.5

原创 线性代数1.2