- 博客(869)
- 收藏
- 关注
RSS订阅
原创 java实现windows壁纸自动下载与切换
壁纸风波许多有内涵的朋友都喜欢将自己的电脑桌面壁纸设置为美女图片，并且隔一段时间，自动更换，看起来十分炫酷。的确，用过windows的朋友们都知道，windows的个性化设置里面，可以将壁纸设置幻灯片放映，这就解决了壁纸常年不变的尴尬局面，原因在于很多懒猪们拿到自己的电脑以后，往往自己在网上找一张自己觉得好看的壁纸，设置为桌面壁纸以后，就懒得再去管它，这一用就是几个月，乃至上年。很多稍微有...
2018-04-08 14:21:45
5329
8
原创 softmax多分类及多任务示例
多分类：可以识别出验证码（6位）中的1位：import loggingimport osimport h5pyimport matplotlib.pyplot as pltimport numpy as npfrom PIL import ImageIMG_HEIGHT = 50IMG_WIDTH = 200IMG_CHANNEL = 1LABELS = ['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j', 'k', 'l', 'm',
2024-08-19 15:50:48
382
原创 python单例模式logger
这样可以避免创建多个日志记录器实例导致的重复日志输出问题。通过 hasattr 检查和 if 条件，我们实现了一个懒加载的单例模式，确保日志记录器实例只创建一次。的用法，用于检查某个对象是否具有指定的属性。在这个上下文中，它用来检查 get_logger 函数对象是否有 logger 属性。函数在整个应用程序中只创建一个日志记录器实例，即使。是一个 Python 内置函数。是我们要检查的属性名称。
2024-08-14 23:07:20
420
原创 tensorflow1.x基础语法
TensorFlow是一个以图(graphs)来表示计算的框架，图中的节点被称之为op (operation 的缩写)。一个 op 获得零或多个张量 (tensors) 执行计算，产生零或多个张量。张量是一个按类型划分的多维数组。Z[L]为前向传播的最后节点，Y为训练标签。一个基于softmax的训练例子。
2024-08-07 11:32:05
101
原创 使用numpy.eye创建one-hot编码
np.eye 是 NumPy 中的一个函数，用于创建一个二维数组，其中对角线上为1，其余元素为0。1、np.eye(6) 创建了一个 6x6 的单位矩阵（对角矩阵），其中对角线上的元素为 1，其余元素为 0。故独热编码函数：C为类别数，Y为原始二维矩阵如：[ [0 0 0 5 1 0 3 1 5 1 5 1 ] ]k：对角线的索引（可选，默认为0，即主对角线，k>0 为上对角线，k<0 为下对角线）。dtype：数组的数据类型（可选，默认为 float）。M：生成的矩阵的列数（可选，默认为 N）。
2024-08-06 17:35:04
211
原创 模型优化学习笔记—梯度校验
将dW、db等转化成一个大的向量p，然后通过前向传播dw、db，计算出一个近似梯度，再与反向传播计算出的梯度做对比。原理：自己算一遍所有梯度gradapprox，再与反向传播的grad对比。
2024-08-05 16:34:11
115
原创 模型优化学习笔记—Adam算法
假设动量梯度下降，可以在30个epoch能找到最小值，那么RMSprop能在20个epoch中找到，而Adam更厉害，因为它是动量梯度下降和RMSprop的结合体。： 虽然表面r没变，但是w=w-rdw，当dw变大，w变小，相当于r变大的效果。起到了与调整r的同样的作用：改变了梯度下降在某个方向的学习速度。超参数：r、k1、k2，一般k1和k2取0.9和0.999且很少改变。3、梯度下降（其中sqrt表示开平方，u取10^(-8) ），算出指数加权移动平均，即动量梯度下降。，修正动量梯度下降的值。
2024-08-05 14:29:11
352
原创 模型优化学习笔记—梯度爆炸与梯度消失
问题：当算力可以无限强大，能构建无限深的网络吗？因为最终可能会走向梯度爆炸或者梯度消失，这个问题的答案可能是否定的。
2024-08-02 17:17:26
415
原创 模型优化学习笔记—动量梯度下降
在网络中可能存在局部最优（鞍点，马鞍是马背前后的最低点，但是并不代表是全局最低点，因为马鞍左右还能向下摔），而神经网络就是为了找到全局最优，故为了避免在鞍点前后摆动（梯度过大），又为了避免梯度更新不动（梯度为0），故在某个方向梯度过大过小都不行，需要用RMSprop来平衡个方向的力。又名指数加权移动平均，是一种常用的序列数据处理方式，本质是通过计算局部的平均值，来描述数值的变化趋势。而mini-batch的梯度下降，会不断趋于准确，但整个过程中，会因为批次的变化（更换了样本），有抬升的地方，即。
2024-08-01 19:32:58
749
原创 模型优化学习笔记—输入特征归一化处理
原理说明：求出矩阵所有元素的平均值，每个元素都减去平均值，从而使得矩阵整体减去了[平均值 * 元素个数]，相当于矩阵整体减去了所有元素的累加和，从而使得平均值为0。由于a为X的方差值，X/a的方差值为1/a，相当于同比缩放a倍，故X/a的方差值为1（X的方差值除以X的方差值）。m，X’为X元素的平均值。Var(X/a) = 1/m * sum [ ( X(i)/a ) ^2 ]，同理X/a均值也为0。处理值会收窄x轴的间距，加长y轴的间距，减小离散与适当扩大原集中，使其整体离散小。
2024-07-25 19:01:09
377
原创 模型优化学习笔记—数据增强
数据增强是一种生成合成数据的方法，通过调整原来样本来创建新样本，这样就可以获得大量的数据，这不仅增加了数据的大小，还提供了单个样本的多个变体，这有助于机器学习模型避免过度拟合。10、EDA（Easy data augmentation，同义词替换、随机插入、随机交换、随机阐删除）8、回译（back translation，文本处理：中文-> 日文 -> 英文 ----> 中文）4、增加噪点（图片-高斯噪声，音频-增加噪声）1、水平、垂直翻转（图片）3、旋转，扭曲直线（数字）IR：那辆不错车很好。
2024-07-17 13:22:51
358
原创 模型优化学习笔记—正则化与dropout
4、L2正则化较为常用，L1正则化用的少，但是L1正则化在高维度稀疏（存在大量的无意义数据）的情况下十分有用，高维度稀疏的情况下，尽量使权重正好降至0，正好为0的权重基本上会使响应特征从模型中移除，将特征设为0可节省内存空间，且减少模型中的噪点。而L2正则化可以使权重变小，但是无法使其降至0.0（假设将L2的作用理解为每次移除权重的x%，而L1的作用理解为每次从权重中减去1个常数），而L1可以通过不断减去常数，使其为0或者为负（强制置0），就有助于节约内存了。在反向传播时，我们也必须删除相同的神经元。
2024-07-16 13:57:19
305
原创 模型优化学习笔记—欠拟合与过拟合
1、欠拟合：对训练集准确率很低。对测试集准确率很低，但与训练集准确率相差不大。2、过拟合：对训练集准率相当高。对测试集准确率很低。此时学习了训练集中的一些非泛化的独有特征。3、既欠拟合，又过拟合：对训练集准确率很低，对测试集准确率很低，并且测试集准确率与训练集准确率相差也较大。注意：当训练集准确率99%，测试集准确率99%，你有必要怀疑你是否将测试样本参与了训练，或者训练集和测试集样本有重合。
2024-07-15 23:04:39
201
原创 模型优化学习笔记—数据集配置
1.1、一般有两种分类：训练集/测试集，或者 训练集/验证集/测试集，前者用训练集来训练，用测试集来验证。如果不理想，就重新训练。后者用验证集来验证和重新训练，然后再跑测试集，但是测试集如果不理想，有时也会重新训练。但是数据量大有的采用99/1分配，甚至99.5/0.5/0.1分配，因为此时0.1的比例，就可能有上千条数据了。比如训练集图片像素很高，而验证集图片像素很低，则训练不出优秀的网络。当测试数据集的准确率非常高了，就有必要怀疑是否对测试数据做了训练（测试数据中存在和训练数据相同的样本）
2024-07-15 23:02:52
201
原创 深层神经网络示例
dA[L-1] = W[L].T dZ[L]，注意这里没有除以神经元个数，得到平均da。比如结果的第一个元素是多个dw1 * dz + dw1 * dz+ …dw1 * dz（神经元个数）的累加和。dw = dL/dz * dz/dw = dz*x（链式法则）A[L]、Z[L]：（本层神经元个数、样本数）dW[L]：（本层神经元个数、上层神经元个数）W[L]：（本层神经元个数、上层神经元个数）dZ[L]：（本层神经元个数、样本数）dA[L]：（本层神经元个数、样本数）b[L]：（本层神经元个数、1）
2024-07-13 14:27:17
583
原创 python查找内容在文件中的第几行（利用了滑动窗口）
我们可以看到①号，从1开始，可以从数字2（滑动1次），滑到数字6（滑动5次）例如文件总共为10行，而内容行数为5行，那么滑动的次数为5次（的i即为滑动次数）。
2024-05-23 11:58:21
437
原创 mysql的binlog三种配置模式
记录的是执行的 SQL 语句，而不是每行数据的具体变化。这种格式的日志文件通常比 row-based 格式小，但是在某些情况下，比如涉及到自动递增字段或者时间函数时，可能会导致复制时出现问题。MIXED：默认设置。如果一个语句不能以 row-based 格式安全地记录（例如，涉及到自动递增字段或者时间函数），MySQL 将自动使用 statement-based 格式。如果你更关心日志文件的大小，并且确信你的应用场景不会导致 statement-based 复制的问题，可选择STATEMENT。
2024-05-21 11:56:43
258
原创 shell的awk之gsub函数
gsub函数会在目标字符串中查找匹配regex的部分，并将其替换为replacement。如果target是一个变量，那么替换操作会直接修改这个变量的值。如果省略target参数，则默认对当前行($0)进行替换操作。其中，regex是一个正则表达式，用于匹配要替换的内容，replacement是替换的字符串或者值，target是要进行替换操作的目标字符串或者变量。这会输出hello, world，双引号被成功替换为空字符串。gsub函数是AWK中用于全局替换的函数。
2024-04-15 13:30:47
954
原创 linux创建临时大文件
这些命令都可以在终端中直接执行，只需将/path/to/your/file替换为你希望创建的文件的路径。这个命令会将文件截断或扩展到指定大小。-s参数用于指定文件大小，单位同样可以是K、M、G等。这个命令会直接分配指定大小的空间给文件。-l参数用于指定文件大小，单位可以是K、M、G等。参数指定了需要写入多少个块（这里是1024个，即1GB）。设备读取数据（即空数据），并将其写入指定的文件中。参数指定了每次写入的块大小（这里是1MB），
2024-01-22 14:12:01
915
原创 gradle/maven排除配置
以上配置则会排除掉main/resource下的文件。例如打包后的war/jar，排除掉。但是本地运行依然想使用。
2024-01-17 11:31:29
763
转载 树形结构存储方案对比分析
然后找到E的祖先，那么现在E的祖先是B的祖先加上B自己，然后告诉这些祖先们，他们新增了一个后代。通过找祖先的SQL，我们找到了B的祖先，A，那么E的祖先就是B和A：insert into releation values(‘A’,‘E’,2);那么我们可以看出，新增子节点，除了新增自己以外，还需要通知祖先，并让祖先保存自己，下面提供一个伪码，实现该功能。2、缺点：插入、更新、删除涉及到更新内容太多，需要配套算法，计算复杂且耗时。1、优点：查询方便、效率高、更新较方便。1、优点：查询方便、效率高。
2024-01-05 12:03:29
186
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人