- 博客(101)
- 资源 (2)
- 收藏
- 关注
RSS订阅原创 langchain教程-（1）Prompt模板
AIMessage, #等价于OpenAI接口中的assistant role。SystemMessage #等价于OpenAI接口中的system role。HumanMessage, #等价于OpenAI接口中的user role。
2024-06-18 17:12:34
425
原创 通过编写dockerfile部署python项目
总结：在 Dockerfile 中，应优先考虑使用 COPY 指令来复制本地文件或目录到镜像中。只有在需要特定功能（如从远程 URL 下载文件或解压压缩文件）时，才使用 ADD 指令。如果需要从远程 URL 下载文件，或者需要解压压缩文件到镜像中，可以使用 ADD 指令。但是，请注意 ADD 的一些潜在问题，如缓存失效和不必要的复杂性。通常，推荐使用 COPY 指令，因为它更直观、更简单，并且更容易理解。当需要复制本地文件或目录到镜像时，COPY 是首选。
2024-05-09 15:27:03
1662
原创 指数平滑代码
指数平滑是一种常用的时间序列预测方法。它通过对历史数据进行平滑处理，来预测未来的趋势。指数平滑方法主要适用于具有较弱季节性和趋势的时间序列数据。指数平滑可以分为一次指数平滑、二次指数平滑和三次指数平滑。每种方法都有不同的平滑因子，可以根据实际情况选择最合适的平滑因子来进行预测。选择适合的指数平滑方法：根据时间序列数据的特点，选择一次、二次或三次指数平滑方法。初始化平滑参数：为指数平滑方法选择适当的平滑因子（如 α、β、γ）。
2023-07-30 17:17:05
360
原创 用sqlalchemy连接pg数据库报错记录
报错信息：sqlalchemy.exc.ObjectNotExecutableError: Not an executable object: ‘select * from my_database.table;：利用sqlalchemy中的text函数将sql字符串加工为原生sql。：需要传递“连接”变量而不是“引擎”
2023-07-21 17:48:09
648
原创 动态规划详解Python
它通常用于优化问题，其中问题可以被分解成一系列重叠子问题，通过存储并重复使用已经解决过的子问题的解，可以避免重复计算，从而提高算法的效率。问题：有一个数组，求其中两个数x,y，满足x的索引小于y的索引，使得 x-y 最大。例如 arr = [3,7,2,6,4,1,9,8,5]， 最大回撤是6，对应的x=7,y=1。例如：arr = [1,5,-10,2,5,-3,2,6,-3,1]. 输出为：12。动态规划算法通常具有较高的时间复杂度，但通过存储已解决的子问题的解，可以大大减少重复计算，提高算法效率。
2023-06-28 23:44:16
5297
原创 经典算法-两数之和、三数之和
给你一个整数数组 nums ，判断是否存在三元组 [nums[i], nums[j], nums[k]] 满足 i!= k ，同时还满足 nums[i] + nums[j] + nums[k] == 0。给定一个整数数组 nums 和一个整数目标值 target，请你在该数组中找出 和为目标值 target 的那 两个 整数，并返回它们的数组下标。思路2：利用哈希表，存储{val：index}，遍历列表判断，判断哈希表中是否有“target-nums[i]”的key。你可以按任意顺序返回答案。
2023-06-28 23:19:00
128
原创 贪心算法详解
在贪心算法中，我们从问题的初始状态开始，通过每一步的选择来逐步构建解决方案，直到达到最终目标。贪心算法的关键在于如何定义局部最优解，并证明通过每一步选择局部最优解最终可以达到全局最优解。如果可以确保通过贪心选择得到的解决方案是全局最优的，那么贪心算法通常是一种高效的求解方法，因为其简单性和高效性。然而，贪心算法并不适用于所有问题，因为在某些情况下，贪心选择可能导致局部最优解无法达到全局最优解。因此，在使用贪心算法解决问题时，需要仔细分析问题的特性，并验证贪心选择是否能够得到正确的解。
2023-06-26 08:57:51
2309
原创 窗口函数之-前后函数（lag/lead）
练习题目：请输出连续出现3次及以上的Num。expression：作用的字段。应用：求同比增长、环比增长。窗口函数之-前后函数。
2023-06-25 17:04:13
269
原创 查找算法-Python代码
二分查找要求数据集是有序的。它通过重复将数据集分成两半，并根据目标元素与中间元素的大小关系来确定目标元素在哪一半中。二分查找的时间复杂度为O(log n)，其中n是数据集的大小。查找算法是计算机科学中的一种常见算法，用于在数据集合中查找指定的元素或确定元素是否存在。它们的目标是通过有效地比较元素来最小化查找的时间复杂度。线性查找是最简单的查找算法之一。它从数据集的起始位置开始逐个比较元素，直到找到目标元素或遍历完整个数据集。线性查找的时间复杂度为O(n)，其中n是数据集的大小。
2023-06-24 22:12:04
635
原创 归并排序详解-附Python代码
合并前：# 定义合并函数，将两个有序序列合并为一个有序序列 def merge(lst , left , mid , right) : """思路：定义一个列表merged，循环比较两个有序序列的首元素大小，并放入临时空列表。
2023-06-24 15:36:10
478
原创 快速排序-详解附Python代码
定义归位函数，每次将首元素归位并返回对应的序号 def partition(lst , left , right) : """思路：定义left、right指针，首先将left指针的值传给temp,至此left指针”空缺“。while(左右指针没有相遇):（1）从right指针开始移动寻找比temp小的值，放到left所指的”空缺“。完成后right”空缺“（2）从left指针开始移动寻找比temp大的值，放到right所指的”空缺“。完成后left”空缺“
2023-06-23 22:24:01
956
原创 datetime时间格式与频率格式
在Python中，你可以使用strptime()和strftime()方法来进行字符串与datetime对象之间的相互转换。在上述示例中，我们使用strptime()方法将一个字符串date_string转化为一个datetime对象datetime_obj。需要提供一个格式化字符串’%Y-%m-%d %H:%M:%S’，用于指定字符串的日期时间格式。打印datetime_obj将输出转换后的datetime对象。
2023-06-20 18:57:00
137
原创 AIOps介绍
AIOps是指人工智能运维（Artificial Intelligence for IT Operations）的缩写。它是将人工智能（AI）和机器学习（ML）技术应用于IT运维领域的一种方法。传统的IT运维通常需要人工监测和管理大量的系统日志、性能指标、事件和警报，以确保系统的正常运行和故障的快速解决。然而，随着企业规模的增长和复杂性的提高，传统方法已经变得繁琐且效率较低。AIOps旨在利用人工智能和机器学习的能力来改进和自动化IT运维。
2023-06-20 18:23:05
2744
原创 数据样本不平衡处理
处理数据样本不平衡问题是在机器学习和数据挖掘任务中常见的挑战之一。以下是一些常用的数据样本不平衡处理方法：过采样（Over-sampling）：过采样方法通过增加少数类样本的数量来平衡数据集。常见的过采样方法包括随机复制样本、SMOTE（Synthetic MinorityOver-sampling Technique）等。欠采样（Under-sampling）：欠采样方法通过减少多数类样本的数量来平衡数据集。
2023-06-20 15:22:22
1952
原创 One-Class SVM详解
One-Class SVM（Support Vector Machine）是一种无监督学习算法，用于异常检测和离群点检测。它的目标是通过仅使用正常数据来建模，识别出与正常模式不同的异常数据点。数据映射：将正常数据映射到高维特征空间中，使得正常数据点能够被一个超平面所包围。这个超平面被称为决策边界。寻找最优超平面：通过最大化超平面与正常数据之间的间隔，寻找一个最优的分割超平面，使得异常点尽可能远离该超平面。这意味着决策边界要尽可能远离正常数据点。
2023-06-19 18:44:10
5101
原创 孤立森林详解
孤立森林（Isolation Forest）是一种基于异常检测的机器学习算法，用于识别数据集中的异常点。孤立森林算法在异常检测、网络入侵检测、金融欺诈检测等领域有广泛应用，并且在处理大规模数据和高维数据时表现出色。孤立森林的基本思想的前提是，将异常点定义为那些。可以理解为分布稀疏，且距离高密度群体较远的点。从统计学来看，在数据空间里，若一个区域内只有分布稀疏的点，表示数据点落在此区域的概率很低，因此可以认为这些区域的点是异常的。
2023-06-19 16:25:55
1829
原创 基于Tensorflow搭建卷积神经网络CNN（服装分类）保姆及级教程
TensorFlow2.X 搭建卷积神经网络（CNN），实现服装的分类识别。搭建的卷积神经网络是类似VGG的结构(卷积层与池化层反复堆叠，然后经过全连接层，最后用softmax映射为每个类别的概率，概率最大的即为识别结果)。
2023-04-17 13:17:55
995
2
原创 基于Tensorflow搭建卷积神经网络CNN（新冠肺炎医学图像识别）保姆及级教程
TensorFlow2.X 搭建卷积神经网络（CNN），实现人脸识别（可以识别自己的人脸哦！搭建的卷积神经网络是类似VGG的结构(卷积层与池化层反复堆叠，然后经过全连接层，最后用softmax映射为每个类别的概率，概率最大的即为识别结果)。
2023-04-17 12:54:17
1429
8
原创 基于Tensorflow搭建卷积神经网络CNN（花卉识别）保姆及级教程
TensorFlow2.X 搭建卷积神经网络（CNN），实现人脸识别（可以识别自己的人脸哦！搭建的卷积神经网络是类似VGG的结构(卷积层与池化层反复堆叠，然后经过全连接层，最后用softmax映射为每个类别的概率，概率最大的即为识别结果)。
2023-04-17 12:40:04
2613
3
原创 基于Yolov5的草莓病虫害检测识别
上一篇文章介绍了基于卷积神经网络的交通标志分类识别Python交通标志识别基于卷积神经网络的保姆级教程（Tensorflow），并且最后实现了一个pyqt5的GUI界面，并且还制作了一个简单的Falsk前端网页实现了前后端的一个简单交互，只能实现单张交通标志图像的分类，没有位置检测功能，并且不支持视频的实时检测识别，总体上来讲较为简单。本文介绍一个交通标志识别的进阶项目–基于Yolov5的交通标志检测识别，它不仅能实现图片的多目标检测识别还可以实现视频的实时检测识别。大家可以看一下视频展示效果如下链接。
2023-04-16 13:12:47
1858
4
原创 基于Tensorflow搭建卷积神经网络CNN（人脸识别）保姆及级教程
TensorFlow2.X 搭建卷积神经网络（CNN），实现人脸识别（可以识别自己的人脸哦！搭建的卷积神经网络是类似VGG的结构(卷积层与池化层反复堆叠，然后经过全连接层，最后用softmax映射为每个类别的概率，概率最大的即为识别结果)。
2023-04-10 15:05:29
5841
5
原创 基于Yolov5的交通标志检测识别设计
上一篇文章介绍了基于卷积神经网络的交通标志分类识别Python交通标志识别基于卷积神经网络的保姆级教程（Tensorflow），并且最后实现了一个pyqt5的GUI界面，并且还制作了一个简单的Falsk前端网页实现了前后端的一个简单交互，只能实现单张交通标志图像的分类，没有位置检测功能，并且不支持视频的实时检测识别，总体上来讲较为简单。本文介绍一个交通标志识别的进阶项目–基于Yolov5的交通标志检测识别，它不仅能实现图片的多目标检测识别还可以实现视频的实时检测识别。大家可以看一下视频展示效果如下链接。
2023-03-11 11:38:29
5689
4
原创 Python交通标志识别基于卷积神经网络的保姆级教程（Tensorflow）
TensorFlow2.X 搭建卷积神经网络（CNN），实现交通标志识别。搭建的卷积神经网络是类似VGG的结构(卷积层与池化层反复堆叠，然后经过全连接层，最后用softmax映射为每个类别的概率，概率最大的即为识别结果)。
2023-03-10 22:31:01
8762
9
原创 （三）循环神经网络RNN之LSTM和GRU
LSTM(Long Short Term Memory)是 Hochreater 和 Schmidhuber 在 1997 年提出的一种网络结构，尽管该模型在序列建模上的特性非常突出，但由于当时正是神经网络的下坡期，没有能够引起学术界足够的重视。随着深度学习逐渐发展，后来 LSTM 的应用也逐渐增多。LSTM 区别于 SimpleRNN 的地方，主要就在于它在算法中加入了一个判断信息有用与否的“处理器”，这个处理器作用的结构被称为记忆块（Memory Block）遗忘门输入门输出门。
2023-02-08 17:41:25
1130
1
原创 (二)循环神经网络RNN实战情感分类
循环神经网络RNN实战情感分类：下面我们开始用tensorflow中的keras来搭建一个简单的RNN模型，数据用的是tensorflow.keras中自带的情感文本的数据集。
2023-02-08 14:55:29
355
原创 （一）循环神经网络详解RNN
循环神经网络 RNN 的基本结构是 BP 网络的结构，也是有输入层，隐藏层和输出层。只不过在 RNN 中隐藏层的输出不仅可以传到输出层，并且还可以传给下一个时刻的隐藏层，如下图所示：RNN 的结构可以展开为右边的结构，其中xxx为输入信号，xt−1x_{t-1}xt−1为t-1时刻的输入信号，xtx_{t}xt为 t 时刻的输入信号，xt1x_{t +1}xt1为t1{t+1}t1时刻的输入信号。
2023-02-08 10:29:43
2226
原创 负二项分布
负二项分布NB(k,p)， 我在不同的教材和wiki上见过四种定义。每次成功率为p的实验，达到k次成功所需的试验次数 （i.e. 最小值为k）每次成功率为p的实验，达到k次成功前的失败次数 （i.e. 最小值为0）每次失败率为p的实验，达到k次成功所需的试验次数每次失败率为p的实验，达到k次成功前的失败次数。
2023-02-07 16:00:24
1651
原创 （一）DeepAR算法介绍
时间t上的观测值的分布只能是高斯分布无法高效处理大量相关时间序列下面开始介绍一种新的算法：亚马逊于2017年发表论文。DeepAR（Probabilistic Forecasting with Autoregressive Recurrent），这是一种将深度学习和概率模型结合起来的自回归模型。主要适用于大量相关时间序列的预测。举个例子：亚马逊作为世界上最大的电商平台，上面有大量的商品。每个商品的销量都是一条时间序列。
2023-02-07 10:48:34
1665
1
原创 docker部署flask项目
DaoCloud加速器采用自主研发的智能路由及缓存技术，并引入了现金的协议层优化，极大提升拉取镜像的速度和体验。然后，修改/etc/docker/daemon.json文件，去掉结尾的逗号（如果有）1.到github或者自己创建一个flask项目，确保在本地是可以运行成功的。5.拉取需要部署的项目代码（在挂载的目录中）运行，并退出容器，没有报错……6.进入容器并安装相关依赖。2.上传到自己的代码仓库。3.拉取python镜像。7.启动项目（后台运行）1.安装docker。
2022-12-12 10:18:10
315
原创 Docker介绍及项目部署
DockerHub是Docker公共镜像仓，为用户提供了大量的镜像文件由于国内网络访问DockerHub很慢，我们可以使用Docker加速器为了快速打包和部署软件环境，Docker引入了镜像机制，镜像是一个配置好的只读层软件环境我们可以通过dockerfile文件创建镜像，也可以从DockerHub中下载镜像从DockerHub下载python镜像，创建容器，在容器中安装需要的程序，再将容器转化为镜像，上传到DockerHub容器时在镜像基础上创建出的虚拟示例，内容可读可写。
2022-12-09 17:06:46
1136
原创 CentOS7.9系统部署(nginx+uwsgi+flask)项目
上次，我们介绍了如何将CentOS服务器自带的Python3.6.8版本升级到Python3.8.0版本，现在我们开始介绍如何将flask项目部署的CentOS7.9版本的Linux服务器上。我们通常会将自己的项目托管在Github或者gitee平台，这样不仅方便版本控制，而且容易管理。但是我们使用这两个平台管理代码都需要通过Git进行。Linux下载命令如下：2.2创建虚拟环境2.3拉取代码三、直接部署运行成功后，可以通过其他电脑访问（前提是服务器的3000端口已经开启）若是命令安装：下
2022-12-05 17:22:56
1213
原创 CentOS7 防火墙（firewalld）开启常见端口命令
比如我们有单独自定义SSH端口或者服务器入口WEB端口，我们需要单独放行。2、Firewall开启常见端口命令。3、Firewall关闭常见端口命令。我们也可以批量添加区间端口。
2022-12-02 11:38:03
1145
原创 CentOS升级python3版本
本文将详细介绍在CentOS7.9系统的服务器将自带的python3.6.8版本升级到3.8.0版本的过程。在升级前CentOS7.9中已经同时存在两个python版本分别是2.7.5和3.6.8。
2022-12-01 16:15:19
6792
2
原创 预测评价指标
可消除量纲的影响，并且避免了无意义和inf的情况。：可消除量纲的影响，范围在[0，1]，较为直观。：计算公式是变动的，不能直接反应真实值，时Bias Proportion大于1。：当预测值为0时，无意义；：范围不在[0，1]不直观。：评价时需要知道数值的量纲。平均绝对百分比误差,优点：可消除量纲的影响。
2022-11-29 17:46:26
724
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人