fw菜菜-CSDN博客

原创深度学习算法——LSTM（长短期记忆网络）

长期以来，隐变量模型存在着长期信息保存和短期输入缺失的问题。解决这一问题的最早方法之一是长短期存储器（long short‐term memory，LSTM）(Hochreiter and Schmidhuber, 1997)。它有许多与门控循环单元一样的属性。有趣的是，长短期记忆网络的设计比门控循环单元稍微复杂一些，却比门控循环单元早诞生了近20年。在初始化函数中，长短期记忆网络的隐状态需要返回一个额外的记忆元，单元的值为0，形状为（批量大小，隐藏单元数）。因此，我们得到以下的状态初始化。

2024-08-28 20:52:20 1376

原创深度学习算法——Transformer

模型完全基于注意力机制，没有任何卷积层或循环神经网络层。尽管最初是应用于在文本数据上的序列到序列学习，但现在已经推广到各种现代的深度学习中，例如语言、视觉、语音和强化学习领域。作为编码器－解码器架构的一个实例，其整体架构图在下图中展示。正如所见到的，是由编码器和解码器组成的。与基于Bahdanau注意力实现的序列到序列的学习相比，

2024-08-27 14:08:38 78

原创数学建模——评价决策类算法Python版（灰色关联分析、主成分分析）

这段代码首先进行了数据的无量纲化处理，然后计算了每个城市与参考序列的灰色关联系数，接着计算了灰色关联度，并最后根据关联度对城市进行了排序，找出了最佳的开店城市。公司收集了以下数据，包括候选城市的GDP、人口、交通便利程度、商业发展水平等指标。公司希望使用灰色关联分析法来评估这些指标与零售店成功可能性之间的关系，以确定最佳的开店城市。根据灰色关联度对候选城市进行排序，关联度最高的城市即为最佳开店城市。计算每个城市的灰色关联度，即各指标关联系数的加权平均值。计算每个城市指标与参考序列的关联系数。

2024-08-13 18:57:52 704

原创数学建模——评价决策类算法（熵权法、模糊综合评价）

如高与矮，长与短，大与小，多与少，穷与富，好与差，年轻与年老等。例题：某公司计划推出一款新产品，为了评估该产品的市场潜力，公司希望通过模糊综合评价算法对产品进行评价。运行上述代码，将输出新产品的综合评价结果，这个结果反映了新产品在各个评价等级上的综合表现。纯粹性：所谓集合的纯粹性，用个例子来表示，集合A={x|x

2024-08-13 18:04:32 1015 1

原创数学建模——评价决策类算法（层次分析法、Topsis）

确定各准则对于目标的权重, 及各方案对于每一准则的权重，这些权重在人的思维过程中通常是定性的, 而在层次分析法中则要给出得到权重的定量方法. 将方案层对准则层的权重及准则层对目标层的权重进行综合, 最终确定方案层对目标层的权重。数组是一个预定义的随机一致性指标，它依赖于矩阵的大小（即准则的数量）。目标层：选择最佳投资地点准则层：经济发展水平、人力资源、基础设施、政策支持方案层：城市A、城市B、城市C。根据步骤3的计算结果，得到各评价指标和方案的权重，进而计算出各方案的综合得分，选择得分最高的方案。

2024-08-13 17:42:25 1018

原创数学建模——启发式算法（蚁群算法）

蚁群算法来自于蚂蚁寻找食物过程中发现路径的行为。蚂蚁并没有视觉却可以寻找到食物，这得益于蚂蚁分泌的信息素，蚂蚁之间相互独立，彼此之间通过信息素进行交流，从而实现群体行为。蚁群算法的基本原理就是蚂蚁觅食的过程。首先，蚂蚁在觅食的过程中会在路径上留下信息素（pheromone），并在寻找食物的过程中感知这种物质的强度，并指导自己的行为方向，他们总会朝着浓度高的方向前进。因此可以看得出来，蚂蚁觅食的过程是一个正反馈的过程，该路段经过的蚂蚁越多，信息素留下的就越多，浓度越高，更多的蚂蚁都会选择这个

2024-08-13 16:46:24 1172

原创数学建模——启发式算法（模拟退火、遗传算法）

启发式算法是基于直观或经验构造的算法，在可接受的计算时间和空间条件下，给出待解决优化问题的一个可行解。Remember：启发式算法并不保证找到最优解，只是在有限资源下找到还不错的解。经典的启发式算法包括模拟退火遗传算法蚁群算法神经网络等。启发式算法的共同的目标：求NP-hard组合优化问题的全局最优解，NP-hard问题的限制它们只能以启发式的算法去求解实际问题。常见的启发式算法都有其实际背景，但启发式算法的目标并非尽可能贴近其来源，而是高效解决要解决的问题。

2024-08-07 00:59:49 1340

原创数学建模运筹优化——规划问题Python版（最短路径、最小生成树）

生成树（Spanning Tree）：指一个连通图的一棵包含所有顶点的树，它是由原图的所有顶点和边所组成的子图，且这些边构成一个树。Kruskal算法（适合点多边少的图）： 1、把图G中所有边全部去掉，得到所有单独的顶点V构成的图T。D[3][1]+D[1][2]=1+3=4 < D[3][2]=∞,所以更新D[3][2]为4.D[3][1]+D[1][4]=1+7=8 < D[3][4]=∞,所以更新D[3][4]为8.D[2][1]+D[1][4]=∞+7=∞ > D[2][4],不更新。

2024-08-07 00:22:53 1355

原创元胞自动机模型原理及应用

元胞自动机（Cellular Automata，CA）是一种时空离散的局部动力学模型，是研究复杂系统的一种典型方法，特别适合用于空间复杂系统的时空动态模拟研究。元胞自动机不是由严格定义的物理方程或函数确定，而是用一系列模型构造的规则构成。凡是满足这些规则的模型都可以算作是元胞自动机模型。因此，元胞自动机是一类模型的总称，或者说是一个方法框架。元胞自动机最基本的组成:元胞、元胞空间、邻居及规则四部分。简单讲，元胞自动机可以视为由一个元胞空间和定义于该空间的变换函数所组成。

2024-08-01 18:23:04 1210

原创数学建模——变量类型及相关性分析

在通常的显著性水平（例如0.05）下，这个p值大于0.05，因此我们不能拒绝零假设，即我们不能断定X和Y之间的相关性在统计上是显著的。在多变量的情况下，变量之间的相关关系是很复杂的。在计算偏相关系数时：需要掌握多个变量的数据，一方面考虑多个变量相互之间可能产生的影响，一方面又采用一定的方法控制其他变量，专门考察两个特定变量的净相关关系。由于我们的t统计量2.121小于3.182，因此我们不能在0.05的显著性水平下拒绝零假设，即我们不能断定X和Y之间的相关性是显著的。是运用最广的一种相关程度统计量。

2024-08-01 17:53:02 1115

原创数学建模运筹优化——规划问题Python版（动态规划、图论）

动态规划是运筹学的一个分支，通常用来解决多阶段决策过程最优化问题。动态规划的基本想法就是将原问题转换为一系列相互联系的子问题，然后通过逐层地推来求得最后的解。

2024-07-30 11:07:01 1074

原创数学建模运筹优化——规划问题Python版（最大、最小化规划，多目标规划）

在实际问题中也有许多求最大值的最小化问题，例如急救中心选址问题就是要规划其到所有地点最大距离的最小值，在投资规划中要确定最大风险的最低限度等，为此，我们先求出目标值的最大值，然后再求这些最大值中的最小值。他从政治经济学的角度考虑把本质上是不可比较的许多目标化成单个目标的最优化问题，从而涉及了多目标规划问题和多目标的概念。通常指的是那些不一定在所有目标上都达到最优，但是根据决策者的偏好和评价标准，可以接受的一组解。是帕累托最优解的另一种说法，它指的是那些不能被其他任何解在所有目标函数上同时改进的解。

2024-07-24 21:08:12 863

原创数学建模运筹优化——规划问题Python版（线性、非线性、整数、0/1）

蒙特卡罗法又称统计模拟法，是一种随机模拟方法，以概率和统计理论方法为基础的一种计算方法，是使用随机数（或更常见伪随机数）来解决很多计算问题的方法。将所求解的问题同一定的概率模型相联系，用电子计算机实现统计模拟或抽样，以获得问题的近似解。为象征性地表明这一方法的概率统计特征，故借用都城蒙特卡罗命名。

2024-07-23 23:16:36 2168

原创 yolov5进行划区域检测，实现人流计数功能

在for path, img, im0s, vid_cap, s in dataset:这句代码的后面添加如下代码：大家可以设置不同点框出各种各样的区域形状。在进行过目标检测的训练后，我们如果想要实现划分区域检测，需要在。接着下面的两个模块的代码的修改如代码显示，其中新增的部分添加的有注释。这样我们就完成了划分区域检测并实现目标计数。文件里面添加一些代码来实现。

2024-04-02 00:22:31 947 1

原创 yolov5报错：ValueError: not enough values to unpack (expected 3, got 0)

yolo模型对标签做标准的归一化处理，解决相关的报错问题。

2024-03-31 00:54:07 1986 1

原创报错：AssertionError: Label class 5 exceeds nc=1 in person\person.yaml. Possible class labels are 0-0

即类别数为1，但标签文件中却出现了一个类别索引为5的情况，这是不符合预期的。这可能是因为在训练过程中，标签文件中存在一个类别标签的索引超过了预期的类别数目。将其注释掉即可正常训练！配置文件中，你设置了。

2024-03-31 00:32:00 508 1

原创划分图片数据集及其对应的标签

当我们拿到一个数据进行yolo训练时，如果只有图片和标签两个文件，我们希望他们各自都有train，test两个文件。并且两个文件里面图片和标签是一一对应的关系，那么我们可以用以下代码实现：最初，本代码图片和标签的数据都在train文件，test文件为空文件。现在将划分的部分图片，对应的标签移到各自test文件里去。需要注意的是自己的数据的图片名称和对应的标签的名称的区别十分重要，本例中图片名称为数字.jpg形式，而标签名称为对应的数字.jpg.txt形式，这里需要根据自己数据情况进行修改。

2024-03-29 23:51:22 327 2

原创删除没有标签的多余图片数据（txt文件）

在处理一些大型图片数据集时，我们会发现有些数据集的图片数量和标签数量不相同，这种时候一般是有部分的图片并没有匹配标签，此时我们可以将这些多余的图片删除，方便我们进行后期的训练。以下代码可删除：以txt文件为标签文件。

2024-03-29 22:48:18 393

原创简单调用讯飞星火模型和阿里云通义千问模型进行多轮问答

多轮调用代码：将代码主函数部分的三个刚刚获取到的APPID，APISecret，APIKey输入即可，运行代码可实现多轮问答。以上内容只是对于这两类大模型的简单直接调用，如需深入了解可参考其他大佬文章！，打开控制台界面，创建新应用，然后即可获取APPID，APISecret，APIKey。，立即开通，然后进入控制台，即可查看API信息。将API_KEY修改即可运行调用。

2024-03-27 23:38:42 569

原创训练yolov5模型报错：Process finished with exit code -1073741819 (0xC0000005)

取消勾选自动管理，然后自定义大小，我的anaconda安装在了D盘，所以对其修改，然后一定要点设置之后再点击确定，否则会不成功。（因为我马虎的忘记了两次），然后重启电脑就可以配置好了。然后还可以修改一下train.py的一些参数的设置：如图，第一个batch-size参数默认为16，可以进行降低取值，第二个workers默认16，这里对它降到了0.然后运行程序。遇到此问题我们可以先看我的电脑，然后打开属性。这样模型就可以正常训练了，这边显示已经训练成功了。

2024-03-06 20:38:15 1750

原创训练yolov5模型报错：ImportError: Bad git executable.

然后运行cmd.py文件，再运行train.py文件即可运行成功。

2024-03-06 19:25:47 1055

m0_73774842的博客