![](https://img-blog.csdnimg.cn/20201014180756923.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
Python
文章平均质量分 72
柚子味的羊
这个作者很懒,什么都没留下…
展开
-
Python连接数据库
mysql安装,sqlyog绿色版安装,python连接数据库,sql语言,python封装一个类实现单表的增删改查原创 2023-12-20 16:53:01 · 461 阅读 · 0 评论 -
不想学习的时候就写个Python小游戏玩玩吧
你如果不想学习,那你也复制去玩玩吧。原创 2023-12-18 14:50:38 · 371 阅读 · 0 评论 -
Python小知识点——traps
最近发现好多东西经常不用就忘记了,所以写一篇,随手记录,并且不定时更新自己高频用到的,或者比较重要的小知识点。原创 2022-09-28 20:37:19 · 1111 阅读 · 0 评论 -
Python小知识点汇集——1
适用于训练和测试时使用相同的模型,如果训练时候使用的模型和测试时候使用的模型不完全相同(例如:在训练的过程中有两个输入,测试的时候只有一个输入),这是在加载的过程中要加参数,让权重不完全加载,而是根据现在模型的状况进行加载。在读取mask以后,如果是二类,ROI和背景,ROI为255(白色),背景为0(黑色),一定要检查读取后的mask是否真的unique为[0,255]因为实验室另一位同学给我的mask,我以为他已经处理好的了,结果调试的时候出现了异常,后来检查存在这个问题。: keras加载权重。原创 2022-08-22 16:58:17 · 1311 阅读 · 0 评论 -
深度学习Pytorch(十一)——微调torchvision模型(1)
深度学习Pytorch(十一)——微调torchvision模型文章目录深度学习Pytorch(十一)——微调torchvision模型在本小节,深入探讨如何对原创 2021-11-09 20:17:38 · 370 阅读 · 0 评论 -
深度学习Pytorch(十)——基于torchvision的目标检测模型
深度学习Pytorch(十)——基于torchvision的目标检测模型文章目录深度学习Pytorch(十)——基于torchvision的目标检测模型一、定义数据集二、为PennFudan编写自定义数据集1、下载数据集2、为数据集编写类三、定义模型Ⅰ 微调已经预训练的模型Ⅱ 修改模型以添加不同的主干1、PennFudan数据集的实例分割模型四、整合本节,将微调Penn-Fudan数据库中对行人检测和分割的已预先训练的Mask R-CNN模型。该数据集包含170个图像和345个行人实例。用该数据集说明如原创 2021-11-05 22:07:55 · 2676 阅读 · 1 评论 -
深度学习Pytorch(九)——迁移学习
深度学习Pytorch(九)——迁移学习文章目录深度学习Pytorch(九)——迁移学习一、简介二、实例1、导入package2、加载数据3、可视化部分图像数据4、训练model5、可视化模型的预测结果6、迁移学习使用场景1——微调ConvNet7、迁移学习使用场景2——ConvNet作为固定特征提取器一、简介实际中,基本上没有人会从零开始(随机初始化)训练一个完整的卷积网络,因为相对于网络,很难得到一个足够大的数据集(网络很深,需要足够大的数据集训练)。通常的做法是在一个很大的数据集进行预训练得到卷原创 2021-11-02 17:41:28 · 914 阅读 · 1 评论 -
深度学习Pytorch(八)——神经网络模块(详细)
深度学习Pytorch(八)——神经网络模块(详细)1文章目录深度学习Pytorch(八)——神经网络模块(详细)1一、PyTorch中的nn包二、使用优化器训练神经网络三、自定义nn模块四、神经网络中的控制流和权重共享一、PyTorch中的nn包计算图和autograd是十分强大的工具,可以定义复杂的操作并且自动求导,然而对于大规模的网络,autograd太底层(太low),在构建网络的过程中,我们经常要考虑将计算安排成层,其中一些可学习的参数,将会在学习的过程中进行优化。TensorFlow中有原创 2021-11-01 18:01:55 · 2713 阅读 · 0 评论 -
深度学习Pytorch(七)——核心小结2之自定义自动求导函数+Pytorch和TensorFlow搭建网络的比较
深度学习Pytorch(七)——核心小结2之自定义自动求导函数+Pytorch和TensorFlow搭建网络的比较文章目录深度学习Pytorch(七)——核心小结2之自定义自动求导函数+Pytorch和TensorFlow搭建网络的比较一、定义新的自动求导函数二、Pytorch 和 TensorFlow对比一、定义新的自动求导函数在底层,每个原始的自动求导运算实际上是两个在Tensor上运行的函数。其中,forward函数计算从输入Tensor获得的输出Tensors。而backward函数接收输出,原创 2021-10-28 20:57:35 · 490 阅读 · 0 评论 -
深度学习Pytorch(六)——核心小结1之Tensor和自动求导
深度学习Pytorch(六)——核心小结文章目录深度学习Pytorch(六)——核心小结一、Numpy实现网络二、Pytorch:Tensor三、自动求导1、PyTorch:Tensor和auto_gradPytorch的核心是两个主要特征:一个n维tensor,类似于numpy,但是tensor可以在GPU上运行搭建和训练神经网络时的自动微分/求导机制一、Numpy实现网络在总结Tensor之前,先使用numpy实现网络。numpy提供了一个n维数组对象,以及许多用于操作这些数组的函数。原创 2021-10-27 21:33:52 · 368 阅读 · 0 评论 -
深度学习Pytorch(五)——数据加载和处理
深度学习Pytorch(五)——数据加载和处理文章目录深度学习Pytorch(五)——数据加载和处理一、下载安装包二、下载数据集三、读取数据集四、编写一个函数看看图像和landmark五、数据集类六、数据可视化七、数据变换1、Function_Rescale2、Function_RandomCrop3、Function_ToTensor八、组合转换九、迭代数据集一、下载安装包packages:scikit-image:用于图像测IO和变换pandas:方便进行csv解析二、下载数据集数据集原创 2021-10-26 19:30:18 · 8682 阅读 · 5 评论 -
深度学习Pytorch(四)——图像分类器
深度学习Pytorch(四)——图像分类器文章目录深度学习Pytorch(四)——图像分类器一、简介二、数据集三、训练一个图像分类器1、导入package吧2、归一化处理+贴标签吧3、先来康康训练集中的照片吧4、定义一个神经网络吧5、定义一个损失函数和优化器吧6、训练网络吧7、在测试集上测试一下网络吧8、分别查看一下训练效果吧一、简介通常,当处理图像、文本、语音或视频数据时,可以使用标准Python将数据加载到numpy数组格式,然后将这个数组转换成torch.*Tensor对于图像,可以用Pil原创 2021-10-25 20:45:51 · 2982 阅读 · 19 评论 -
深度学习Pytorch(三)——神经网络
深度学习Pytorch(三)——神经网络文章目录深度学习Pytorch(三)——神经网络一、简介二、神经网络训练过程三、实例演示1、定义一个神经网络2、通过调用net.parameters()返回模型可训练的参数3、迭代整个输入4、调用反向传播5、计算损失值6、反向传播梯度7、更新神经网络参数一、简介神经网络可以通过torch.nn包构建,上一节已经对自动梯度有些了解,神经网络是基于自动梯度来定义一些模型。一个nn.Module包括层和一个方法,它会返回输出。例如:数字图片识别的网络:上图是一个简原创 2021-10-24 17:47:30 · 3618 阅读 · 0 评论 -
深度学习Pytorch(二)——自动微分
深度学习Pytorch(二)——自动微分文章目录深度学习Pytorch(二)——自动微分一、简介二、TENSOR三、梯度一、简介antograd包是Pytorch中所有神经网络的核心。autograd为Tensor上的所有操作提供自动微分,它是一个由运行定义的框架,这意味着以代码运行方式定义后向传播,并且每一次迭代都可能不同二、TENSORtorch.Tensor是包的核心。如果将属性.requires_grad设置为True,则会开始跟踪针对tensor的所有操作。完成计算之后,可以调用b原创 2021-10-22 10:56:18 · 457 阅读 · 0 评论 -
深度学习Pytorch(一)——Tensors张量
深度学习Pytorch(一)——Tensors张量文章目录深度学习Pytorch(一)——Tensors张量环境:Anaconda自带的编译器——Spyder最近才开使用conda,发现conda 就是 yyds,爱啦~一、Tensor(张量)import torch#构造一个5*3的空矩阵x=torch.FloatTensor(5,3)print(x)# 构造随机初始化矩阵x=torch.rand(5,3)print(x)# 构造一个矩阵全为0,而且数据类型为longx=torc原创 2021-10-22 09:33:03 · 427 阅读 · 0 评论 -
机器学习深入篇(三)——逻辑回归
机器学习深入篇(三)——逻辑回归文章目录机器学习深入篇(三)——逻辑回归代码实现1、sigmod函数2、代价函数3、决策边界4、数据绘制5、特征绘制6、预测(分类)代码实现1、sigmod函数function g = sigmoid(z)g = 1./(1+exp(1).^(-z));end2、代价函数function [J, grad] = costFunctionReg(theta, X, y, lambda)m = length(y); % number of training e原创 2021-10-05 18:52:12 · 148 阅读 · 0 评论 -
机器学习深入篇(二)——多项式回归源码实现
机器学习深入篇(二)——多项式回归源码实现文章目录机器学习深入篇(二)——多项式回归源码实现一、代码实现二、实验结果三、小结本篇接着上一篇说到的求解最小θ值,上篇使用梯度下降法,本篇使用正规方程计算。一、代码实现import numpy as np#定义样本数据x=[1,2104,5,1,45,1,1416,3,2,40,1,1534,3,2,30,1,852,2,1,36]x=np.reshape(x,[4,5])y = [460,232,315,178]y=np.reshape(y,原创 2021-09-17 17:18:27 · 313 阅读 · 0 评论 -
机器学习深入篇(一)——多项式回归源码实现
这里写自定义目录标题机器学习深入篇(一)——多项式回归源码实现一、多项式回归原理二、Python代码实现三、结果展示机器学习深入篇(一)——多项式回归源码实现最近准备深入学习机器学习,随笔记录,希望可以对大家有帮助。看吴恩达的机器学习,良心课程一、多项式回归原理略(课程有详解)二、Python代码实现import numpy as npfrom matplotlib import pyplot as plt#定义样本数据a = np.random.standard_normal((1, 5原创 2021-09-16 15:22:16 · 358 阅读 · 0 评论 -
数据分析之数据处理(五)
数据分析之数据处理(五)一、数据标准化案例应用八类产品的两个指标value1,value2,其中value1权重为0.6,value2权重为0.4通过0-1标准化,判断哪个产品综合指标状况最好1.创建数据import pandas as pdimport numpy as npimport matplotlib.pyplot as pltimport warningswarnings.filterwarnings('ignore')# step 1 创建数据df=pd.DataF原创 2021-01-31 21:22:07 · 971 阅读 · 0 评论 -
数据分析之数据处理(四)
数据分析之数据处理(四)原创 2021-01-31 15:30:58 · 358 阅读 · 2 评论 -
数据分析之数据处理(三)
数据分析之数据处理(三)一、异常值处理异常值是指样本中的个别值,其数值明显偏离其余的观测值异常值也称离群点,异常值的分析也称为离群点的分析异常值分析 → 3σ原则 / 箱型图分析异常值处理方法 → 删除 / 修正填补异常值分析(1)3б原则:如果数据服从正态分布,异常值被定义为一组测定值中与平均值的偏差超过3倍的值:p(|x - μ| > 3σ) ≤ 0.003(2)箱型图分析(一)3б原则1.创建数据import warningswarnings.filterwarnin原创 2021-01-31 10:52:15 · 916 阅读 · 0 评论 -
数据分析之数据处理(二)
数据分析之数据处理(二)一、拉格朗日插值法实际运用1、创建数据# 1.1创建数据data=pd.Series(np.random.rand(100)*100)data[3,6,33,56,45,66,67,80,90]=np.nanprint(data.head())print('\n*******总数据量:%i******\n'%len(data))运行结果2、缺失值的数量# 1.2缺失值的数量data_na=data[data.isnull()]print('\n******原创 2021-01-30 22:15:11 · 399 阅读 · 2 评论 -
数据分析之数据处理(一)
数据分析之数据处理(一)一、缺失值处理数据确实是主要包括记录缺失和字段信息缺失等情况,其对数据分析会有较大的影响,导致结果不确定性更加显著缺失值的处理:删除记录/数据插补/不处理import warningswarnings.filterwarnings('ignore')import numpy as npimport pandas as pdimport matplotlib.pyplot as pltfrom scipy import stats# %matplotlib in原创 2021-01-30 21:28:31 · 6340 阅读 · 0 评论 -
数据分析之数据特征分析(二)
数据分析之数据特征分析(二)注:本篇数据来源:提取码:xthm一、分布分析接上篇—>数据分析之数据特征分析(一)# 绘制房屋朝向直方图x=len(r_cx)plt.figure(num=1,figsize=(12,4))plt.grid=Trueplt.bar([p for p in range(x)],r_cx['频率'], width=0.8, color='k', alpha=0.5)plt.xticks([p for p in原创 2021-01-30 17:45:32 · 262 阅读 · 0 评论 -
数据分析之数据特征分析(一)
数据分析之数据特征分析(一)一、分布分析分布分析 → 研究数据的分布特征和分布类型,分定量数据、定性数据区分基本统计量极差 / 频率分布情况 / 分组组距及组数二、对比分析三、统计分析附:cmap的类型'Accent', 'Accent_r', 'Blues', 'Blues_r', 'BrBG', 'BrBG_r', 'BuGn', 'BuGn_r', 'BuPu', 'BuPu_r', 'CMRmap', 'CMRmap_r', 'Dark2', 'Dark2_r','GnBu原创 2021-01-29 17:52:57 · 2506 阅读 · 1 评论 -
Python之pandas进阶版(二)
Python之pandas进阶版(二)——用pandas操作dataframe一、数据索引#写入数据import pandas as pddata=pd.read_csv('..\data\pokemon\Pokemon.csv')data=data.set_index('#')1.使用“[ ]”索引# 方括号索引print(data['HP'][1])2.使用列属性和行标签# 使用列属性和行标签print(data.HP[1])3.使用loc访问器# 使用loc访问器原创 2021-01-26 16:24:31 · 327 阅读 · 0 评论 -
Python之pandas进阶(一)
Python之pandas进阶(一)一、构建dataframe我们可以像前面那样从csv构建dataframe,也可以从dict中创建dataframe。使用zip()函数添加新列广播(Broadcasting): 创建新列并为整个列赋值# 从字典中构建dataframecountry=['Spain','France']population=['11','12']list_label=['country','population']list_col=[country,populat原创 2021-01-26 10:54:11 · 409 阅读 · 0 评论 -
Python之数据清洗
Python之数据清洗(一)注:使用数据源—口袋妖怪数据集提取码s30w一、检查数据1、不清楚的数据列名不一致(大小字母或单次之间的空格)数据缺失语言不同通常使用head,tail,columns,shape和info等函数来检查数据# 数据清洗import pandas as pd# import numpy as npdata=pd.read_csv('..\data\pokemon\Pokemon.csv')# 输出前五行数据print('前五行数据:')print(d原创 2021-01-25 10:04:29 · 780 阅读 · 0 评论 -
Python进阶
Python进阶一、lambda函数Lambda函数也叫匿名函数,允许快速定义单行函数。通常是在需要一个函数,但是又不想费神去命名一个函数的场合下使用,也就是指匿名函数。格式:lambda argument_list: expressionlambda函数与def的区别:def创建的方法是有名称的,而lambda没有lambda会返回一个函数对象,但这个对象不会赋给一个标志符,而def则会把函数对象赋值给一个变量(函数名)lambda只是一个表达式,而def是一个语句lambda表达式“:原创 2021-01-24 12:04:50 · 164 阅读 · 0 评论 -
Python数据处理之数据可视化(二)
Python数据处理之数据可视化(二)本篇使用数据:口袋妖怪数据集:提取码s30wimport pandas as pdimport matplotlib.pyplot as pltimport matplotlib.gridspec as gridspec# 导入数据data=pd.read_csv('..\data\pokemon\Pokemon.csv')x=data['#'].tolist()speed=data['Speed'].tolist()defense=data['Def原创 2021-01-24 11:04:13 · 204 阅读 · 0 评论 -
Python之Matplotlib(六)
Python之Matplotlib(六)一、1、例题1将下表数据用组合柱状图的形式呈现?其中,横坐标为水果种类,纵坐标为价格与数量。提示:进行两次画图操作,注意计算好柱形图的x轴位置,保持图表的美观噢import pandas as pdimport numpy as npimport matplotlib.pyplot as pltraw_data={'水果':['香蕉','苹果','草莓'], '价格':[2,4,10], '数量':[5,3原创 2021-01-23 12:14:41 · 367 阅读 · 3 评论 -
Python之Matplotlib(五)
Python之Matplotlib(五)一、3D作图与动画1.创建3D图:ax=Axes3D()首先在进行 3D 作图时除了导入 matplotlib ,还要额外添加一个模块,即 Axes 3D 用于3D 坐标轴显示,并且之后要先定义一个图像窗口,在窗口上添加3D坐标轴import matplotlib.pyplot as pltfrom mpl_toolkits.mplot3d import Axes3Dimport numpy as npfig=plt.figure()ax=Axes原创 2021-01-22 17:36:53 · 1215 阅读 · 2 评论 -
Python之Matplotlib(四)
Python之Matplotlib(四)一、多图合并显示1.plt.subplot()多合一显示(1)均匀图中图首先使用import导入matplotlib.pyplot模块, 并简写成plt使用plt.figure创建一个图像窗口.使用plt.subplot来创建小图。plt.subplot(2,2,1)表示将整个图像窗口分为2行2列, 当前位置为1.使用plt.plot([0,1],[0,1])在第1个位置创建一个小图。plt.subplot(224)表示将整个图像窗口分为2行2列, 当原创 2021-01-22 16:10:30 · 2519 阅读 · 0 评论 -
Python之Matplotlib(三)
Python之Matplotlib(三)一、各类图形1、散点图plt.scatter()首先,先引入matplotlib.pyplot简写作plt,再引入模块numpy用来产生一些随机数据。⑴数据生成# 散点图import matplotlib.pyplot as pltimport numpy as npn=1024x=np.random.normal(0,1,n)#每个点的x值y=np.random.normal(0,1,n)#每个点的y值t=np.arctan2(y,x)原创 2021-01-21 16:50:55 · 435 阅读 · 0 评论 -
Python之numpy进阶版(三)
Python之numpy进阶版(三)一、直方图Numpy中histogram函数应用到一个数组返回一对变量:直方图数组和箱式向量。注意 matplotlib也有一个用来建立直方图的函数(叫作hist,正如matlab中一样)与Numpy中的不同。主要的差别是pylab.hist自动绘制直方图,而numpy.histogram仅仅产生数据。import numpyimport pylab# Build a vector of 10000 normal deviates with variance原创 2021-01-21 14:56:02 · 128 阅读 · 0 评论 -
Python之Matplotlib(二)
Python之Matplotlib(二)一、基本用法1.添加图例import matplotlib.pyplot as pltimport numpy as npx = np.linspace(-3, 3, 20)y1 = 2*x + 1y2 = x**2plt.figure()#set x limitsplt.xlim((-1, 2))plt.ylim((-2, 3))# set new sticksnew_sticks = np.linspace(-1, 2, 5)plt.x原创 2021-01-20 21:30:32 · 209 阅读 · 0 评论 -
Python之Matplotlib(一)
Python之Matplotlib(一)一、基本用法1.导入模块import matplotlib.pyplot as pltimport numpy as npx = np.linspace(-3, 3, 50)#定义x属于(-3,3)一共50个数#定义两个函数y1 = 2*x + 1#曲线1y2 = x**2#曲线22.定义图像窗口并画图在画图前使用plt.figure()定义一个图像窗口:编号为3;大小为(8, 5);这两项参数可缺省。其中,num参数决定了程序运行后弹出的图像窗原创 2021-01-20 20:40:11 · 270 阅读 · 0 评论 -
Python之numpy进阶版(二)
Python之numpy进阶版(二)一、零碎知识点1、ix_()函数ix_函数可以为了获得多元组的结果而用来结合不同向量。例如,如果你想要用所有向量a、b和c元素组成的三元组来计算a+b*c:from numpy import *a = array([2,3,4,5])b = array([8,5,4])c = array([5,4,6,8,3])ax,bx,cx = ix_(a,b,c)print(ax)print(ax.shape)运行结果print(bx)print(bx原创 2021-01-20 16:53:09 · 271 阅读 · 0 评论 -
Python之numpy进阶版(一)
Python之numpy进阶版(一)本文需要有numpy的基础知识储备一.广播法则广播法则能使通用函数有意义地处理不具有相同形状的输入。广播第一法则:如果所有的输入数组维度不都相同,一个“1”将被重复地添加在维度较小的数组上直至所有的数组拥有一样的维度。广播第二法则:确定长度为1的数组沿着特殊的方向表现地好像它有沿着那个方向最大形状的大小。对数组来说,沿着那个维度的数组元素的值理应相同。应用广播法则之后,所有数组的大小必须匹配。二.花哨的索引和索引技巧Numpy比普通Python序列提供原创 2021-01-19 21:57:42 · 419 阅读 · 2 评论 -
Python机器学习(一)
Python机器学习(一)今天数据分析课程开始讲解关于机器学习的知识点了,所以我开始继续给大家更新啦,一方面是自己的课下总结,一方面也希望对各位小码提供帮助。1.机器学习算法分类按照目前掌握的机器学习理论,给大家讲解的机器学习理论大概可以分为如下两类:教师指导下的学习——是指数据数据已经有明确分类标签的学习。无教师指导的学习——是指数据未经分类的学习。教师指导下的学习的目标有两个:分...原创 2020-05-06 10:16:13 · 509 阅读 · 0 评论