筱筱西雨-CSDN博客

原创 python科学计算库之Numpy库的使用的简单习题

Numpy是许多高级科学计算库的基础，包括Pandas（数据分析库）、Matplotlib（绘图库）、Scikit-learn（机器学习库）等，几乎成为了进行科学计算和数据分析的Python开发的必备库。：Numpy的核心是多维数组对象（ndarray），它提供了统一的接口来进行快速的数组计算。8．用numpy编程创建国际象棋盘，填充8*8矩阵，棋盘是正方形，由横纵各八格，颜色一深一浅交错排列的64个小正方格组成，深色为黑格（为0），浅色为白格（为1），如下图所示。并输出国际象棋盘对应的矩阵。

2024-03-04 01:58:35 974

原创使用ESMFold提取蛋白质embedding的python实现

ESM Fold 利用了大规模的蛋白质序列数据和进化信息，通过深度神经网络模型进行训练，以预测蛋白质的二级结构、残基接触图和三维结构。该模型的预测能力取决于其训练数据的质量和数量，以及模型的架构和参数设置。示例的维度为（2，19840），因为我们将每个样本中的所有位置的 embedding 向量连接起来，得到每个样本的一个长向量表示。因此，这个数据张量的形状 (2, 62, 320) 提供了关于两个样本中蛋白质序列的信息，以及每个序列中每个位置的嵌入表示。确保序列的格式符合模型的要求。

2024-03-04 01:39:03 1090

原创形态学算法应用之重建开操作的python实现——数字图像处理

标准开操作即先进行腐蚀，然后对腐蚀结果利用同一个结构元进行膨胀；重建开操作即先进行腐蚀（这一步骤与标准开操作相同），然后利用该腐蚀结果作为标记，原图像作为模板，进行重建，整个过程叫做重建开操作。形态学开操作首先删除小物体，再通过膨胀试图恢复遗留前景重建开操作由于有了G的约束，解决了传统开操作高度依赖准确结构元才能正确恢复形状的缺点重建开操作的作用是：准确提取图像中与结构元（腐蚀时的，膨胀时用一般的就可以了）相似的模式。

2024-03-03 17:09:13 1021

原创形态学算法应用之连通分量提取的python实现——图像处理

连通分量的定义：令S是一个像素子集，如果S中的全部像素之间存在一个通路（m通路或8通路），则可以说两个像素p和q在S中是连通的。对于S中的任何像素p，S中连通到该像素的像素集称为S的连通分量。应用背景：在许多自动图像分析应用中，如何识别出图像中的不同之处，往往是从其二值图像中提取连通分量。流程：第一步，用阈值210对原图进行阈值操作，得到二值图像，可用函数cv2.threshold(img, 210, 1, cv2.THRESH_BINARY)实现；

2024-02-09 00:00:00 2774

原创形态学算法之边界提取的简单python实现——图像处理

边缘是图像的最重要的特征，。边缘是指周围像素灰度有阶跃变化或屋顶变化的那些像素的集合。边缘提取，指数字图像处理中，对于图片轮廓的一个处理。对于边界处，灰度值变化比较剧烈的地方，就定义为边缘。也就是拐点，拐点是指函数发生凹凸性变化的点。二阶导数为零的地方。并不是一阶导数，因为一阶导数为零，表示是极值点。边缘提取：边缘检测的基本思想首先是利用边缘增强算子，突出图像中的局部边缘，然后定义象素的“边缘强度”，通过设置阈值的方法提取边缘点集。由于噪声和模糊的存在，监测到的边界可能会变宽或在某点处发生间断。

2024-02-08 00:24:46 2547

原创形态学操作之开操作与闭操作的python实现——数字图像处理

先用B对A进行腐蚀，将A中的小细节，小连通区域消除（注意这里是彻底消除），然后用B将A中没有被消除的地方恢复成原来的样子，最终只有被B完全消除掉的小细节没有了，A中其余的部分并没有改变。开操作是先进行腐蚀后进行膨胀的操作。：先用B对A进行膨胀，将A的细节放大，将A中本不能够连接起来的地方连接起来，然后用B对结果进行腐蚀，将被放大的地方还原（注意，已经被连接起来的地方不会在被腐蚀抹掉）先用B对A进行腐蚀，再用B对其结果进行膨胀，并不会得到原来的A，即膨胀与腐蚀并不像+和-一样是一对完全互补的操作。

2024-02-07 01:14:59 1277

原创 pytorch调用多个gpu训练，手动分配gpu以及指定gpu训练模型的流程以及示例

当使用上面的这个命令时，PyTorch 会检查系统是否有可用的 CUDA 支持的 GPU。如果有，它将选择默认的 GPU（通常是第一块，即 “cuda:0”）。这意味着，即使系统中有多块 GPU，这条命令也只会指向默认的一块。torch.device(“cuda” if torch.cuda.is_available() else “cpu”) 这个命令在多 GPU 系统中是有效的，但它默认只指向一块 GPU（通常是 “cuda:0”）。要在多 GPU 系统中高效地利用所有 GPU，需要采用更复杂的设置。

2024-02-02 00:24:42 1745

原创 pytorch调用gpu训练的流程以及示例

首先需要确保系统上安装了CUDA支持的NVIDIA GPU和相应的驱动程序。

2024-02-01 23:56:36 867

原创 docker导出conda环境的流程

在这个示例中，替换 your-env-name 为 Conda 环境名称，your-image-name 为想要的 Docker 镜像名称。这将创建一个包含 Conda 环境的 Docker 镜像，可以在任何支持 Docker 的机器上运行它。在 Dockerfile 所在的目录运行 docker build -t your-image-name . 来构建镜像。要在 Docker 中导出 Conda 环境，需要创建一个 Docker 镜像，该镜像包含 Conda 环境。

2024-01-31 23:54:42 628

原创 Linux 系统导出Conda 环境到 Windows 系统的流程

连接成功后，使用 put /path/to/environment.yml /path/to/destination 命令将文件上传到目标系统。其中 /path/to/environment.yml 是源系统上文件的路径，username 是在目标系统的用户名，windows_host 是目标系统的主机名或IP地址，/path/to/destination 是目标系统上文件的目的路径。这就是本地 IP 地址。：创建环境后，在 Windows 系统上激活环境并进行测试，以确保所有必要的包都按预期工作。

2024-01-30 04:00:00 1105

原创 colab使用自己数据集进行模型训练的方法汇总

在 Google Colab 上使用自己的数据集进行模型训练。Colab 允许您通过多种方式上传数据，包括直接从本地计算机上传、从 Google Drive 加载或通过网络链接下载，从github导入等。

2024-01-30 01:01:27 570

原创本地conda环境导入到linux系统里的流程

其中path/to/environment.yml是环境文件在本地计算机上的路径，user@linuxhost是导入Linux系统的用户名和地址，/path/to/destination是在Linux系统上的目标路径。如果没有，需要先安装conda。将激活的环境（your_env_name是环境名称），并导出环境的详细信息到一个名为environment.yml的文件中。这将根据environment.yml文件中的规范，在Linux系统上创建相同的conda环境。：首先在本地计算机上导出conda环境。

2024-01-29 23:34:17 382

原创形态学操作之腐蚀及膨胀的数学原理——数字图像处理

在数学上，腐蚀和膨胀是集合论的操作，通常应用于图像处理中的二值图像。可以将二值图像视为一个集合，其中包含所有像素值为1（或高亮）的像素点的集合。这些操作都是基于图像与一个给定的结构元素（一个小的形状或模板）的关系来定义的。

2024-01-28 04:00:00 1258

原创腐蚀及膨胀的python实现——数字图像处理

形态学操作主要包含：腐蚀，膨胀，开运算，闭运算，形态学梯度运算，顶帽运算，黑帽运算等操作。腐蚀操作与膨胀操作是形态学的运算基础，将腐蚀与膨胀结合，就可以实现开运算，闭运算，形态学梯度等不同形式的运算。腐蚀是最基本的形态学操作之一，它能够将图像的边界点消除，使图像沿着边界向内收缩，也可以将小于指定结构体元素的部分去除。腐蚀主要用来“收缩”或者“细化”二值图像中的前景，借此实现去噪声，元素分割等功能。

2024-01-27 23:17:16 2091

原创 windows环境下配置tensorflow_gpu版本——无需更改本地的cuda

大家可以在tensorflow学习中，可能会遇到使用tensorflow_gpu版本的安装，但是一般涉及到gpu的安装，就需要配置cuda，这个过程很麻烦且浪费时间，下面给出一个简单的方法配置环境。假设已经创建好虚拟环境，这里我们选取为例进行举例，注意python版本在3.6-3.9之间可以看出需要cudnn=7.6，cudatoolkit=10.1。

2024-01-26 01:32:00 520

原创图像分割的作用以及运用领域

在图像分割过程中，图像被分解成若干互不重叠的区域，这些区域通常对应于实际场景中的各种物体或图像的特定部分。：在遥感应用中，图像分割用于处理来自卫星或航空摄影的图像，以识别地表特征，如土地覆盖、水体、林地等，对环境监测、城市规划和农业管理等领域有重要应用。：在自动驾驶技术中，图像分割用于从车载相机捕获的图像中识别道路、行人、车辆和其他障碍物，这对于路径规划和碰撞预防至关重要。：在安全和监控领域，图像分割可以用于人群监控、异常行为检测、车辆识别等，提高监控系统的效率和准确性。

2024-01-25 20:47:50 718

原创彩色图像处理之彩色图像分割的python实现——数字图像处理

许多图像分割技术基于优化问题，旨在最小化或最大化某个准则，如聚类内距离的总和（K-means聚类），或者区域内像素与区域外像素之间的对比度（图割算法）。图像分割的本质是将图像分割成相互不相交的区域，有的区域表示图像目标信息，有的区域表示图像背景信息。彩色图像分割的数学原理实际上是一种将图像从像素级转换到特征空间，并在这个空间中根据定义的准则进行优化的过程。相似性度量：根据提取的特征，分割算法会计算像素之间的相似性。彩色图像分割的关键在于准确识别和划分图像中的不同区域或对象，这通常涉及复杂的算法和技术。

2024-01-25 20:40:25 1200

原创 LaTeX添加文献以及批量添加文献的教程

库：首先，你需要创建一个文献数据库（通常是一个.bib文件），在其中列出所有引用文献的详细信息。在 LaTeX 文档中添加 \thebibliography 环境：在文档的适当位置（通常是文档末尾），添加 \thebibliography 环境。：在文档的适当位置（通常是文档的末尾），你需要告诉LaTeX在哪里打印文献列表。使用 \bibitem 添加文献：对于每一篇文献，使用 \bibitem 命令，并提供一个唯一的标签。：在你的LaTeX文档中，使用\cite{}命令来引用文献。谷歌学术可以直接导出。

2024-01-24 21:33:04 557

原创 latex添加图片以及引用的实例教程

如果按照前面的说明正确插入了图片，那么可以通过 \ref 命令和之前为图片定义的标签（label）来在文档中引用该图片。\begin{figure}[h] 和 \end{figure}: 创建一个图形环境，[h] 参数建议 LaTeX 将图片大致放置在文本中的这个位置（这里 h 代表 “here”）。这种引用方式特别有用，因为如果文档中的图片顺序发生变化，LaTeX 将自动更新所有相关的引用，确保引用的正确性。\label{fig:my_label}: 为图片添加标签，以便在文档中引用。

2024-01-23 22:33:46 2291

原创彩色图像处理之彩色图像直方图处理的python实现——数字图像处理

在灰度图像处理中，直方图均衡化自动地确定一种变换，改变换试图产生具有均匀灰度的直方图。由于彩色图像是由多个分量组成的，所以必须考了适应多于一个分量的直方图的灰度级技术。独立地进行彩色图像分量的直方图均衡通常是不可取的，这将产生不正确的彩色。一个更符合逻辑的方法是均匀地扩展彩色强度，而保留彩色本身。图像直方图是反映一个图像像素分布的统计表，其横坐标代表了图像像素的种类，可以是灰度的，也可以是彩色的。纵坐标代表了每一种颜色值在图像中的像素总数或者占所有像素个数的百分比。

2024-01-22 03:13:31 1732 2

原创彩色图像处理之伪彩色图像处理的python实现——数字图像处理

伪彩色处理(pseudocoloring)是指根据一定准则给灰度值赋予彩色值的处理。宏观来说就是将黑白图像转化为彩色图像，或者是将单色图像变换成给定彩色分布的图像。由于人眼对彩色的分辨能力远远高于对灰度的分辨能力，所以将灰度图像转化成彩色表示，就可以提高对图像细节的辨别力。因此，伪彩色处理的主要目的是提高人眼对图像的细节分辨能力，以达到图像增强的目的。伪彩色处理的基本原理是将黑白图像或者单色图像的各个灰度级匹配到彩色空间中的一点，从而使单色图像映射成彩色图像。对黑白图像中不同的灰度级赋予不同的彩色。

2024-01-21 00:00:00 1304

原创 RGB图像转换为HIS彩色模型的python实现——数字图像处理

色度值表示:每个颜色通道的强度值通常用0-255这256个数字来表示,0表示没有这个颜色,255表示此颜色最浓。HIS模型是一种颜色模型,它通过色调(Hue)、饱和度(Saturation)和亮度(Intensity)三个参数来描述颜色,被称为HSI颜色模型。:图像由一定大小的矩阵描述,每一个矩阵元素称为一个像素,每个像素用三个颜色通道(R、G、B值)来表示该位置的颜色。RGB图像就是常见的数字图像,它采用红色®、绿色(G)、蓝色(B)三原色的强度来表示每个像素的颜色信息。第二步是计算颜色的饱和度S。

2024-01-20 00:00:00 1571

原创 python生成24bit全彩RGB立方体的三维散点图

请注意，为了使图像渲染更快并且易于观察，在散点图中只使用了一部分颜色点（每隔 25 个值取一个点）。完整的 RGB 立方体将包含 256×256×256=16,777,216 个点，这会使得图像非常密集并且难以有效地渲染和观察。在这个立方体中，每个点代表一个不同的颜色，其位置由红色、绿色和蓝色通道的值决定。点的颜色则直接反映了其在 RGB 空间中的位置。每个点的颜色是根据其在这三个颜色通道中的位置确定的。这种视觉化展示了 RGB 颜色空间的三维性质，展现了不同颜色是如何在这个空间中分布的。

2024-01-19 00:00:00 423

原创 RGB全彩色到RGB稳定色的转换的python实现—— 数字图像处理

而 RGB 稳定色通常指的是一组在特定环境下表现出视觉稳定性的颜色，这些颜色在不同的显示设备或不同的观看条件下保持一致的视觉效果。总之，从 RGB 全彩色到 RGB 稳定色的转换是一个复杂的过程，涉及到颜色校正、伽马校正、颜色空间转换，以及考虑显示设备的特性和环境因素。在某些情况下，可能需要将 RGB 颜色转换到另一个颜色空间（例如 sRGB、Adobe RGB 等），这些颜色空间被设计用来提供更一致和可预测的颜色表现。在 RGB 颜色空间中进行伽马校正可以使颜色在不同的设备上具有更一致的视觉效果。

2024-01-18 00:00:00 352

原创彩色模型之生成RGB彩色立方体的隐藏面和剖面的python实现（不同通道如何合作以产生不同的颜色）——数字图像处理

首先生成灰度值为128的R分量图，接着生成两幅GB分量图（可以用np.meshgrid函数生成，也可以用双层循环的方式生成），最后用cv2.merge函数将三个通道合成为一幅彩色图像并显示。总结来说，这段代码演示了 RGB 颜色模型的工作原理，特别是如何通过改变和组合不同的颜色通道来创建多种颜色和效果。通过调整每个通道的强度，可以生成广泛的颜色范围，这是数字图像处理中的一个基本概念。

2024-01-17 00:00:00 378

原创 Python展示 RGB立方体的二维切面视图

生成 RGB 立方体的三个中间切面视图，分别对应于红色、绿色和蓝色通道。这些切面展示了在固定一个颜色通道值的情况下，其他两个颜色通道是如何变化的。虽然这不能显示出 RGB 立方体的全部复杂性，但它提供了一个很好的视觉表示，帮助理解 RGB 颜色空间的工作原理。

2024-01-16 03:55:37 483

原创压缩编码之不同缩放参数对重建图像质量的影响的python实现——JPEG变换编码不同压缩率的模拟

整个JPEG压缩原理就是通过DCT变换去空间冗余来达到图片压缩的。经过DCT变换之后DCT系数只保留的左上角的数据（低频分量数据），右下角部分均变成0.因此，想要进一步压缩就可以从量化表下手。量化表的量化系数越大，得到的量化后的DCT系数就越小，高频信息消失的更多，图片容量就越小。

2024-01-16 00:29:33 558

原创压缩编码之JPEG变换编码不同压缩率的模拟的实现——数字图像处理

在JPEG压缩编码原理介绍中就知道整个JPEG压缩原理就是通过DCT变换去空间冗余来达到图片压缩的。经过DCT变换之后DCT系数只保留的左上角的数据（低频分量数据），右下角部分均变成0.因此，想要进一步压缩就可以从量化表下手。量化表的量化系数越大，得到的量化后的DCT系数就越小，高频信息消失的更多，图片容量就越小。

2024-01-16 00:00:00 602

原创压缩编码之离散余弦变换（DCT）之不同块大小对图像质量和压缩效果的影响的python实现

这样，我们就知道，分辨率表示的是图片在长和宽上占的点数的单位。像素与分辨率像素是数码影像最基本的单位，每个像素就是一个小点，而不同颜色的点（像素）聚集起来就变成一幅动人的照片，数码相机经常以像素作为等级分类依据，但不少人认为像素点的多少是CCD光敏单元上的感光点数量，其实这种说法并不完全正确，不少厂商通过特殊技术，可以在相同感光点的CCD光敏单元下产生分辨率更高的数码相片，块的大小直接影响这种权衡：较小的块提供更好的图像质量但较低的压缩率，而较大的块则提供更高的压缩率但可能牺牲图像的细节质量。

2024-01-15 00:00:00 1484

原创修改Jupyter Notebook 中的 Anaconda 环境以及内核显示名称流程

然后，使用 python -m ipykernel install --user --name yourenvname --display-name “New Display Name” 来重新安装内核，其中 “New Display Name” 是希望在 Jupyter Notebook 中显示的新名称。如果想改变 Jupyter Notebook 中内核的显示名称，需要先卸载然后重新安装内核，使用新的显示名称。

2024-01-14 04:17:48 567

原创 Jupyter Notebook之移除anaconda环境

使用得到的内核名称，运行 jupyter kernelspec uninstall yourenvname，其中 yourenvname 是要移除的内核的名称。这会删除整个环境，包括其所有的包和依赖。为确保内核已被正确移除，可以再次运行 jupyter kernelspec list 来确认该内核不再出现在列表中。如果选择删除环境，可以使用 conda env list 来确认该环境已从 Anaconda 环境列表中移除。首先，需要找出想要移除的内核的名称。这将显示所有安装的内核及其对应的路径。

2024-01-14 04:13:10 579

原创 Jupyter Notebook之添加anaconda环境

使用命令 python -m ipykernel install --user --name yourenvname --display-name “Python (yourenvname)” 添加新环境到 Jupyter。创建一个新的环境，使用命令如 conda create -n yourenvname python=x.x anaconda，其中 yourenvname 是您的环境名，x.x 是 Python 版本。使用命令 jupyter notebook 启动 Jupyter Notebook。

2024-01-14 04:10:00 647

原创 Jupyter Notebook之命令行执行Jupyter Notebook文件的命令行实现

总结：这段命令行指令使用 Jupyter 的 nbconvert 工具来自动执行一个名为 yourjuypter.ipynb 的 Jupyter Notebook 文件，并将执行后的结果保存在一个新的文件 executed.ipynb 中。这意味着所有的代码单元都将被运行，就像你在 Jupyter 环境中手动运行每个单元一样，而且执行结果也会被保存在输出文件中。yourjuypter.ipynb : 这是要转换和执行的原始 Jupyter Notebook 文件的名称。

2024-01-14 03:41:21 814

原创遗传算法解（GA）决解决旅行商(TSP)问题的python实现

遗传算法（Genetic Algorithm, GA）是一种强大的优化算法，用于解决组合优化问题，例如旅行商问题（Traveling Salesman Problem, TSP）。在处理TSP问题时，遗传算法可以产生不错的解，尤其在处理大规模问题时表现突出。在算法运行时间上：遗传算法通常能在较短的时间内找到一个相对优秀的解，尤其是与穷举法等精确算法相比。在找到的解质量上：遗传算法找到的解的质量高度依赖于算法的参数设置、种群大小、交叉率、变异率等。通过调整这些参数，可以在解的质量和算法运行时间之间寻找平衡。

2024-01-14 00:00:00 915

原创蚁群算法（ACO）解决旅行商(TSP)问题的python实现

蚁群算法在组合优化问题中表现出色，尤其是在动态变化的问题环境中。它已被应用于各种实际问题，如物流配送、网络路由优化、图像处理等领域。优势与局限性优势：蚁群算法具有强大的全局搜索能力，能够在大规模搜索空间中有效找到解决方案；同时具备良好的并行性和适应性。局限性：蚁群算法可能需要较多的迭代次数才能收敛，且有可能陷入局部最优解。此外，算法参数的设置对结果影响较大，需要根据具体问题仔细调整。

2024-01-13 02:05:50 1928

原创模拟退火算法（SA）解决旅行商(TSP)问题的python实现

由于每次选择接受劣解的概率是基于当前的温度和新解与当前解的能量差异计算的，因此在不同的运行中，随机性会导致算法在搜索空间中不同的路径上进行探索。当温度较高时，算法更容易接受劣解，随着温度的逐渐降低，接受劣解的概率也逐渐降低，算法会越来越倾向于选择更好的解。：在当前解的基础上进行微小的扰动，例如交换两个城市的顺序，得到一个新的解。如果 ΔE 小于0，即新解更优，接受新解。在TSP问题中，模拟退火算法在解决旅行商问题（TSP）时的思路是通过在解空间中进行随机游走，模拟“退火”过程中的分子在热系统中的运动。

2024-01-12 16:57:09 1402 2

空空如也

空空如也