- 博客(84)
- 资源 (1)
- 收藏
- 关注
RSS订阅
原创 预测评价指标：MSE,RMSE,MAE，MAPE，SMAPE
目录前言MSERMSEMAPESMAPEPython程序前言分类问题的评价指标是准确率，回归算法的评价指标是MSE,RMSE，MAE.测试数据集中的点，距离模型的平均距离越小，该模型越精确。使用平均距离，而不是所有测试样本的距离和，因为受样本数量影响。假设：MSE均方误差(Mean Square Error)范围[0,+∞],当预测值与真实值完全吻合时等于0，即完美模型；误差越大，该值越大，模型性能越差。RMSE均方根误差(Root Mean
2021-03-11 16:18:12
34039
2
原创 服务器下安装Anaconda,程序后台运行，Linux常用命令
安装lrzsz：在服务器手动安装下上传与下载文件包lc(命令行yum -y install lrzsz).服务器上安装Anaconda3:手动在服务器下安装Anaconda软件.引用：https://blog.csdn.net/liqiang12689/article/details/106113117/
2020-08-31 15:56:56
2211
原创 Pycharm和Anaconda基础问题
一Anaconda配置环境问题关于Anaconda创建环境命令行这里可以找到.二.Pycharm解释器问题弄完环境，那就要向Pycharm导入环境.可以这么理解，Anaconda是负责管理库的，Pycharm是用来使用库的.（---------------持续更新-----------------）...
2020-08-04 00:44:22
147
原创 Android studio关闭自动更新
左上角file - setting - Appearance & Behavier - system setting - update - 取消勾选。
2024-05-24 22:52:25
280
原创 关于Anaconda常用的命令
conda create -n your_env_name python=X.X（2.7、3.6等)命令创建python版本为X.X。名字为your_env_name的虚拟环境。your_env_name文件可以在Anaconda安装目录envs文件下找到。一般包是安装在默认环境下的，当你想把包安装在你的环境下路径你可以这样子。在Linux上：conda activate source env_names。在windows上：conda activate env_names。，一种是在windows上。
2024-05-08 21:49:53
206
原创 Chatgpt润色论文
改进助理，你的任务是改进所提供文本的拼写、语法、清晰、简洁和整体可读性，同时分解长句，减少重复，并提供改进建议。请只提供文本的更正版本，避免包括解释。请编辑以下文本:XXX。
2024-04-02 21:24:45
660
原创 本科毕业设计（云计算、深度学习、Python）
067（微信小程序）计算机毕业设计基于微信小程序的“撩吃货”系统的研究与开发。038（微信小程序）计算机毕业设计基于微信小程序的移动学习平台的设计与实现。058（微信小程序）基于微信小程序的《网页设计与制作》课程资源的研究与设计。032（微信小程序）基于微信小程序的"闯关游戏式"学习平台的研究与设计。010（微信小程序）基于微信小程序的互联网+教育学习平台的研究与设计。060（微信小程序）基于微信小程序的智能停车场管理系统的研究与设计。047（微信小程序）基于微信小程序的校园资讯平台的页面设计与实现。
2022-10-08 11:42:27
2516
原创 程序数据.............
程序数据：程序模块中设定值和定义一些环境参数。创建的程序数据由同一个模块中的指令进行引用。如常见的机器人关节运动的指令（MoveJ）,调用了4个程序数据。程序数据 数据类型 定义 p10 robtarget 工业机器人运动目标位置数据 v1000 speeddata 速度数据 z50 zonedata 转弯数据 tool10 tooldata 工具数据TCP ...
2022-05-22 11:37:20
518
原创 工业4.0的九大技术与其他技术科普
技术 介绍 数字孪生: 数字孪生又称为数字双胞胎系统，它是指以数字化拷贝工厂的物理对象模拟工厂在现实环境中的行为，对产品的设计、工艺，制造乃至整个工厂进行虚拟仿真从而提高产品研发、制造生产效率，提前预判出差的可能，实现节约生产成本，降低生产损耗的目的，生产线上做数字孪生首先要进行设备同步就是以真实的生产线为基础搭建一套虚拟生产线，通过对真实生产线上每一台设备进行3D建模，并将建好的3D模型放到虚拟场景内实现真实生产线和虚拟生产线一一对应，然后，进行数据同步，真...
2022-05-19 22:38:05
598
原创 单轴、线性、重定位操作
完成好后的机器人与坐标轴展示：机器人手臂刚好90度夹住零器件记住调试器的坐标轴：1-3、4-6轴的坐标轴：基坐标的坐标轴：
2022-05-17 22:19:54
749
原创 深度学习分类模型用到的函数
tf.reduce_mean()函数：计算数据的平均值tf.reduce_mean( input_tensor, axis=None, keep_dims=False, name=None, reduction_indices=None)
2022-01-05 15:01:44
1177
原创 基于DQN实现立杆子游戏
设置参数，定义学习率，奖励递减值，记忆库大小等Batch_size = 32Lr = 0.01 #学习率Epsilon = 0.9 #最优选择动作百分比Gamma = 0.9 #奖励递减函数Target_replace_iter = 100 #Q现实网络的更新频率Memo.
2021-12-20 16:26:13
3354
原创 深度学习-自编码器
1.程序理解argparse:argparse模块官方文档：argparse是一个Python模块：命令行选项、参数和子命令解析器argparse模块可以让人轻松编写用户友好的命令行接口。程序定义它需要的参数。然后argparser将弄清如何从sys.argv解析出那些参数。argparse模块还会自动生成帮助和使用手册，并在用户给程序传入无效参数时报出错误信息。使用流程：1.解析器：parser = argparse.ArgumentParser(description='Proc
2021-12-20 11:37:10
854
原创 文本特征处理
1文本特征处理前期打基础：程序：Word2Vec的PyTorch实现理论知识：word2vec：神经语言模型(NNLM), CBOW, skip-gramCBOW最强理解跳字模型(skip-gram)和连续词袋模型(CBOW)1.1 理论了解词向量-word2vec.(word2vec是一个工具，主要包含两个模型：跳字模型(skip-gram)和连续词袋模型(CBOW)，)自然语言是一套用来表达含义的复杂系统。在这套系统中，词是表义的基本单元。在机器学习中，如何使用向
2021-12-20 11:36:43
530
原创 DQN代码
一，DQN的博客，课程等资料强化学习博客专栏推荐1.强化学习基本概念，2.马尔可夫决策过程(MDP)，3.MDP的动态规划解法，4.蒙特卡罗方法，5.时间差分学习。李宏毅深度强化学习(知乎热门推荐路线)第一讲：1.基础知识视频讲解2.基础知识笔记...
2021-12-20 11:36:09
152
原创 网络缓存基础知识：
1基本概念边缘计算是什么：边缘计算是指在靠近物或数据源头的一侧，采用网络，计算，存储，应用核心能力为一体的开放平台，就近提供最近端服务。边缘计算特点：低延迟，大带宽，自定义，高效能，高安全。4类行业玩家：云计算厂商，专业服务厂商，电信运营商，设备及芯片厂商。大型企业：人工智能，大视频，智能交通，智能制造。边缘计算如图边缘服务器：边缘服务器是为用户提供进入网络的通道和其它服务器设备通信的功能，通常是一组完成单一功能的服务器，如高速缓存服务器，DNS服务器等。..
2021-12-07 20:28:57
913
原创 深度强化学习(Deep Q-learning,DQN)
参考：莫烦Python1.什么是DQN?如图显示，主要由DNN＋Q-Learning组成。Q-Learning已经显示了它的强大。由于场景复杂，状态太多，计算机运行有限。DQN就为解决这个而生。强大的DQN输入输出有两种，第一种，输入状态和动作，输出为Q表。第二种，输入状态，输出动作。分析第二种情况：反向传播更新DNN。使得DQN无比强大的两大原因：第一，Experience replay；第二，Fixed Q-targets；...
2021-10-27 21:40:23
635
原创 强化学习理论(Reinforcement Learning)
理论：强化学习包含三种方法：1.通过价值选行为：Q Learning,Sarsa,Deep Q Network.2.直接选行为：Policy Gradlents.3.想象环境并从中学习：Model based RL.强化学习方法汇总（.比较著名的控制方法：Q Learning,Policy Gradlents,Model based RL.）：基于环境的划分：1.不理解环境(Model-Free RL）:Q Learning,Policy Gradlents,Sarsa.2.理解环境(Mo
2021-10-26 21:08:30
1073
原创 Latex-画图，插表等
一，LAtex做表格latex表格制作参考一；Latex的基础知识参考；画图画图单排，双排。二，画图颜色颜色参考一；背景格式美化；
2021-07-28 16:14:57
342
原创 TeXstudio-基础操作学习
TeXstudio-画图(并排，并行)画图(并行) \begin{figure}[htbp] \centering \subfigure[LSTM mse.]{ \begin{minipage}[t]{0.5\linewidth} \centering \includegraphics[width=1.80in]{paper_img/train_mse.png} %\caption{fig1} \end{min.
2021-05-14 20:06:51
1367
原创 python-读取和保存npy文件
读取和保存npy文件import numpy as np# .npy文件是numpy专用的二进制文件arr = np.array([[1, 2], [3, 4]])# 保存.npy文件np.save("../data/arr.npy", arr)print("save .npy done")# 读取.npy文件np.load("../data/arr.npy")print(arr)print("load .npy done")应用在神经网络权重的保存在训练自己神经网.
2021-05-07 20:17:43
936
原创 花书-卷积神经网络
知识框架卷积池化（引入了平移不变性，）全局连接层（多层感知机）卷积神经网络应用(分类上)图像分类大赛(ResNEt网络比人类识别图像的性能还要好，深度也越来越深)各大CNN模型重难点参考资料：(CNN祖爷爷-LeNet,ResNet)本章的目的是说明卷积网络提供的各种工具。9卷积网络9.1卷积运算卷积神经网络，是一种用来处理具有类似网络结构的数据的神经网络。例如时间序列(认为是在时间轴上有规律地采样形成的一维
2021-04-21 13:52:42
584
原创 花书-概率论
概率论——深度学习花书第三章（算法的参考模板离不开花书的格式）3.1背景：概率论是研究随机性和不确定性的科学，在人工智能领域主要有两大应用：1. 概率论可以指导人工智能模型所需模拟或近似的概率分布。2.概率与统计可以帮助我们分析模型的预测的准确性。可以说，线性代数和概率论是人工智能系统的两大数学基石，这一章对于理解很多机器学习模型的背后驱动力是关键的。许多人，尤其是受了很多理工科教育的人都对世界持机械决定论的观点：只要给定初始条件，宇宙万物走势都可以确定性的运行，不存在任何随机性。例如爱因斯坦曾
2021-04-02 23:39:37
178
原创 花书-机器学习基础
线性代数-深度学习花书第二章掌握好线性代数对于理解和从事机器学习算法相关工作是很有必要的，尤其对于深度学习算法而言。基本概念：学习线代，会涉及以下几个数学概念：标量(scalar)：标量就是单一的数字，比如单一的整数，实数，有理数等都是标量。 向量(vector)(矢量):可以看出一组标量形成的一维数组，如有n个实数组成的向量：矩阵(matrix):矩阵是二维数组，所以每个元素需要行和列的指标来标记.张量（tensor）:张量是多维数组，当它是0时是标量，一维时是向量，二维时是
2021-03-31 17:30:09
510
原创 Pytorch-数据的拼接
数据的拼接torch.cat(inputs, dimension=0) → Tensorinputs：你要拼接的输入x,y,z;dimension:0,为按照行拼接。1，为按照列拼接。例子将三维数据a,b,c组成图像的三通道数据。import torch"""将三维数据a,b,c组成图像的三通道数据。"""a = torch.randn(1,180, 7)print(a.shape)b = torch.randn(1,180, 7)print(a.shape)c =
2021-03-24 09:48:59
1053
原创 优化器：Adam
Adam文档介绍（Pytorch）：本文在《Adam:随机优化方法》一书中提出了这一方法。参数介绍：params (iterable):可迭代对象的参数优化或dict定义参数组;lr (float, optional):学习速率(默认值:1e-3);betas (Tuple[float, float], optional):用于计算的系数(默认值:(0.9,0.999));eps (float, optional):项加到分母上改进数值稳定性(默认值:1e-8);wei
2021-03-03 20:56:43
1636
1
原创 visdom安装及启动/问题：requests.exceptions.ConnectionError: HTTPConnectionPool(host=‘localhost‘, port=8097)
在训练神经网络时有时需要开启visdom，否则遇到如下提示：requests.exceptions.ConnectionError: HTTPConnectionPool(host='localhost', port=8097): Max retries exceeded with url: /env/main (Caused by NewConnectionError('<urllib3.connection.HTTPConnection object at 0x0000019B9388658
2021-03-02 22:01:46
1611
1
原创 关系拟合 (回归)
要点：我会这次会来见证神经网络是如何通过简单的形式将一群数据用一条线条来表示. 或者说, 是如何在数据当中找到他们的关系, 然后用神经网络模型来建立一个可以代表他们关系的线条.建立数据集我们创建一些假数据来模拟真实的情况. 比如一个一元二次函数:y = a * x^2 + b, 我们给y数据加上一点噪声来更加真实的展示它.import torchimport matplotlib.pyplot as pltx = torch.unsqueeze(torch.linspace...
2021-02-19 17:03:41
449
原创 Pytorch-detach()用法
目的：神经网络的训练有时候可能希望保持一部分的网络参数不变，只对其中一部分的参数进行调整。或者训练部分分支网络，并不让其梯度对主网络的梯度造成影响.这时候我们就需要使用detach()函数来切断一些分支的反向传播.1 tensor.detach()返回一个新的tensor，从当前计算图中分离下来。但是仍指向原变量的存放位置，不同之处只是requirse_grad为false.得到的这个tensir永远不需要计算器梯度，不具有grad.即使之后重新将它的requires_grad置为true,
2021-01-11 16:34:01
46776
8
原创 读取和归一化CIFAR10
读取和归一化CIFAR10：torchvision.datasets.CIFAR10(root, train=True, transform=None, target_transform=None, download=False)参数说明：root:cifar-10-batches-py 的根目录train:True = 训练集 ,False = 测试集download :...
2021-01-11 16:10:04
2061
1
原创 交叉熵损失函数
目录1交叉熵损失函数（Cross Entropy loss）：1.1交叉熵损失函数公式：1.2交叉熵损失函数推导过程：1.3 交叉熵损失函数的特殊值1交叉熵损失函数（Cross Entropy loss）：1.1交叉熵损失函数公式：y是真实的标签值(正类值为1，负类值为0)，y`是预测的概率值（y·∈(0,1)）.它表征真实样本标签和预测概率之间的差值.1.2交叉熵损失函数推导过程：举个二分类例子，要么有打球，要么没有打球.假设打球的标签值为1，没打球的标签.
2021-01-07 15:19:35
22606
原创 Pytorch学习笔记-DataLoader
1.dataloader：dataloader本质是一个可迭代,使用iter()访问，不能使用next()访问；使用iter（dataloader）返回的是一个迭代器，然后可以使用next()访问。iter():生成器是iterator可迭代对象，但list,dict,str是iterable,不是可迭代对象，iter()函数是把list,dict,str等iterable转换为可迭代对象.next()：返回迭代器的下一个项目，next()函数要和生成迭代器的 iter() 函数一起使用。
2021-01-06 01:00:17
804
图像处理图像的坐标变换，典型分割等.zip
2020-07-29
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人