- 博客(20)
- 资源 (4)
- 收藏
- 关注
RSS订阅原创 Java 数组
数组**Java 数组初始化的两种方法：****定义数组****一维数组****二维数组** 数组（Array）：相同类型数据的集合。 Java 数组初始化的两种方法： 静态初始化： 程序员在初始化数组时为数组每个元素赋值； 动态初始化： 数组初始化时，程序员只指定数组的长度，由系统为每个元素赋初值。 定义数组 一维数组 方式1（推荐，更能表明数组类型） type[] 变量名 = new type[数组中元素的个数]; 比如： int[] a = new int[10]; 数组名，也即引用a，指
2021-07-16 22:11:29
115
原创 Java 控制流程
控制流程一、条件语句1.1 if条件语句1.2 if···else语句1.3 if···else if多分支语句1.4 switch多分支语句二、循环语句2.1 while循环语句2.2 do···while循环语句2.3 for循环语句三、跳转语句3.1 break语句3.2 continue语句3.3 return语句 一、条件语句 条件语句可根据不同的条件执行不同的语句。 1.1 if条件语句 使用if条件语句，可选择是否要执行紧跟在条件之后的那个语句。关键字if之后是作为条件的“布尔表达式”，如.
2021-07-15 21:08:10
260
原创 Eclipse IDE for Java Developers 安装与调试
Java编辑器配置安装Eclipse IDE for Java Developers一、Eclipse安装二、Java之hello world1.新建Java项目 Eclipse IDE for Java Developers 一、Eclipse安装 下载链接：https://www.eclipse.org/ide/ 二、Java之hello world 1.新建Java项目 启动Eclipse，在菜单中选择“File–> New --> Java Project”，弹出对话框： 然后新建一
2021-07-13 22:19:29
2797
原创 Datawhale--组队学习之目标检测（四）
一、训练与测试 1.1 模型训练 目标检测网络的训练大致是如下的流程： 设置各种超参数 定义数据加载模块 dataloader 定义网络 model 定义损失函数 loss 定义优化器 optimizer 遍历训练数据，预测-计算loss-反向传播 首先，我们导入必要的库，然后设定各种超参数 import time
2020-12-27 20:49:21
143
原创 Datawhale--组队学习之目标检测（三）
一、匹配策略 不同方法 ground truth boxes 与 prior bboxes 的匹配策略大致都是类似的，但是细节会有所不同。具体如下： 第一个原则：从ground truth box出发，寻找与每一个ground truth box有最大的jaccard overlap的prior bbox，这样就能保证每一个groundtruth box一定与一个prior bbox对应起来(jaccard overlap就是IOU)。 反之，若一个prior bbox没有与任何ground truth进行
2020-12-22 20:15:44
119
原创 Datawhale--组队学习之目标检测（二）
一、VGG16（Backbone） class VGGBase(nn.Module): """ VGG base convolutions to produce feature maps. 完全采用vgg16的结构
2020-12-19 18:01:01
158
1
原创 Datawhale--组队学习之目标检测（一）
文章目录一、目标框定义方式二、交并比（IoU）三、参考 一、目标框定义方式 用来表达bounding box的格式通常有两种，(x1, y1, x2, y2) 和 (c_x, c_y, w, h) 。之所以使用两种不同的目标框信息表达格式，是因为两种格式会分别在后续不同场景下更加便于计算。下面给出两种不同表达方式相互转化的代码。 def xy_to_cxcy(xy): """ Convert bounding boxes from boundary coordinates (x_min, y
2020-12-16 19:00:16
129
原创 Datawhale--零基础入门金融风控（五）
模型融合一、stacking\blending详解 一、stacking\blending详解 stacking 将若干基学习器获得的预测结果，将预测结果作为新的训练集来训练一个学习器。如下图 假设有五个基学习器，将数据带入五基学习器中得到预测结果，再带入模型六中进行训练预测。但是由于直接由五个基学习器获得结果直接带入模型六中，容易导致过拟合。所以在使用五个及模型进行预测的时候，可以考虑使用K折验证，防止过拟合。 2. blending 与stacking不同，blending是将预测的值作为新的.
2020-09-27 21:39:57
277
原创 Datawhale--零基础入门金融风控（四）
建模与调参模型对比与性能评估逻辑回归决策树模型集成模型集成方法（ensemble method）模型评估方法参考 模型对比与性能评估 逻辑回归 优点 a. 训练速度较快，分类的时候，计算量仅仅只和特征的数目相关； b. 简单易理解，模型的可解释性非常好，从特征的权重可以看到不同的特征对最后结果的影响； c. 适合二分类问题，不需要缩放输入特征； d. 内存资源占用小，只需要存储各个维度的特征值； 缺点 a. 逻辑回归需要预先处理缺失值和异常值【可参考task3特征工程】； b. 不能用Logistic回
2020-09-24 23:22:51
107
原创 Datawhale--零基础入门金融风控（三）
特征工程1. 数据预处理a. 缺失值的填充b. 时间格式处理c. 对象类型特征转换到数值2. 异常值处理a. 基于3segama原则b. 基于箱型图3. 数据分箱a. 固定宽度分箱b. 分位数分箱4. 特征交互a. 特征和特征之间组合b. 特征和特征之间衍生5. 特征编码a. one-hot编码b. label-encode编码6. 特征选择a. 1 Filterb. 2 Wrapper （RFE）c. 3 Embedded总结参考文献 1. 数据预处理 数据预处理部分一般要处理一些EDA阶段分析出来的.
2020-09-21 21:05:01
149
原创 Datawhale--零基础入门金融风控（二）
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 Task2 数据分析1.数据总体了解1.1读取数据集并了解数据集大小，原始特征维度；1.2通过info熟悉数据类型；1.3 粗略查看数据集中各特征基本统计量；2. 缺失值和唯一值2.1查看数据缺失值情况2.2 查看唯一值特征情况3.深入数据-查看数据类型4. 数据间相关关系4.1特征和特征之间关系4.2 特征和目标变量之间关系5.用pandas_profiling生成数据报告总结参考 1.数据总体了解 1.1读取数据集并了解数据集大小，原
2020-09-18 20:38:46
164
原创 Datawhale--零基础入门金融风控（一）
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 赛题理解一、数据概况二、预测指标三、分类算法常见的评估指标参考 一、数据概况 一般而言，对于数据在比赛界面都有对应的数据概况介绍（匿名特征除外），说明列的性质特征。了解列的性质会有助于我们对于数据的理解和后续分析。 train.csv id 为贷款清单分配的唯一信用证标识 loanAmnt 贷款金额 term 贷款期限（year） interestRate 贷款利率 installment 分期付款金额 grade 贷款等级 subGr
2020-09-15 18:59:42
223
原创 Paddle带你零基础入门深度学习---YoloV3
Paddle带你零基础入门深度学习---YoloV3一、YOLOV31.网络框架2.损失函数3.训练过程4. 测试过程 一、YOLOV3 YoloV3 的⽹络框架有了很⼤的改变，它在“特征融合”上做了很⼤的改进。YoloV3 也有两个版本，⼀个是普通版，⼀个是YoloV3-spp。YoloV3-spp 版本很重要，因为它直接启发了后续的 YoloV4。 YoloV3 采⽤和 YoloV2 同样的 gd 编码⽅式。并也采⽤了 anchor 的思想。它借鉴了特征图⾦字塔 的思想，⽤不同尺度的特征图来检测⽬标。
2020-08-28 10:48:50
589
原创 Datawhale-Leetcode组队学习（四）
Datawhale-Leetcode组队学习（四）查找——对撞指针算法应用 查找——对撞指针 算法应用 leetcode 1、15、18、16、454、49、447、149 小套路 采用for + while的形式来处理三索引； 当数组不是有序时需要注意，有序的特点在哪里，有序就可以用哪些方法解决？无序的话不便在哪里？ 对撞指针套路： # 对撞指针套路 l,r = 0, len(nums)-1 while l < r: if nums[l] + nums[r] == target:
2020-08-27 15:52:11
108
原创 PaddleHub创意---美颜证件照
加载待美颜图片，检测关键点 import cv2 import paddlehub as hub import matplotlib.pyplot as plt import matplotlib.image as mpimg import numpy as np import math from PIL import Image src_img = cv2.imread('1.jpg') module = hub.Module(name="face_landmark_localization") re
2020-08-24 20:00:56
600
1
原创 Datawhale-Leetcode组队学习（三）
Datawhale-Leetcode组队学习（三）考虑的基本数据结构第一类： 查找有无--set第二类： 查找对应关系(键值对应)--dict第三类： 改变映射关系--map 考虑的基本数据结构 第一类： 查找有无–set 元素’a’是否存在，通常用set：集合set只存储键，而不需要对应其相应的值。 set中的键不允许重复. LeetCode 349 LeetCode 202 第二类： 查找对应关系(键值对应)–dict 元素’a’出现了几次：dict–>字典,dict中的键不允许重复. Leet
2020-08-24 15:54:03
87
原创 Paddle带你零基础入门深度学习(二)
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录前言一、pandas是什么？二、使用步骤1.引入库2.读入数据总结 前言 提示：这里可以添加本文要记录的大概内容： 例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。 提示：以下是本篇文章正文内容，下面案例可供参考 一、pandas是什么？ 示例：pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。 二、使用步骤 1.引入库 代码
2020-08-22 21:08:33
533
原创 Datawhale-Leetcode组队学习（二）
动态规划一、主要思想二、动态规划模板步骤：三、算法应用 一、主要思想 若要解一个给定问题，我们需要解其不同部分（即子问题），再根据子问题的解以得出原问题的解。动态规划往往用于优化递归问题，例如斐波那契数列，如果运用递归的方式来求解会重复计算很多相同的子问题，利用动态规划的思想可以减少计算量。动态规划法仅仅解决每个子问题一次，具有天然剪枝的功能，从而减少计算量，一旦某个给定子问题的解已经算出，则将其记忆化存储，以便下次需要同一个子问题解之时直接查表。 二、动态规划模板步骤： 一般解决动态规划问题，分为四个步骤
2020-08-22 15:58:53
161
原创 Datawhale-Leetcode组队学习（一）
分治 主要思想 分治算法的主要思想是将原问题递归地分成若干个子问题,直到子问题满足边界条件,停止递归.将子 问题逐个击破(一般是同种方法),将已经解决的子问题合并,最后,算法会层层合并得到原问题的答案. 分治算法的步骤 分：递归地将问题分解为各个的子问题(性质相同的、相互独立的子问题)； 治：将这些规模更小的子问题逐个击破； 合：将已解决的子问题逐层合并，最终得出原问题的解； 伪代码 def divide_conquer(problem, paraml, param2,...): # 不断切分的终止条件
2020-08-18 20:21:08
100
原创 Paddle带你零基础入门深度学习
PaddlePaddle带你零基础入门深度学习第一周手写数字识别任务数据处理网络结构损失函数优化算法训练调试与优化 第一周手写数字识别任务 手写数字识别任务 数据处理 数据处理优化 在工业实践中，我们面临的任务和数据环境千差万别，通常需要自己编写适合当前任务的数据处理程序，一般涉及如下五个环节： 读入数据 划分数据集 生成批次数据 训练样本集乱序 校验数据有效性 在数据读取与处理前，首先要加载飞桨和数据处理库，代码如下。 # 加载飞桨和相关数据处理的库 import paddle import paddl
2020-08-16 10:08:56
2062
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人