- 博客(23)
- 收藏
- 关注
RSS订阅转载 Flask后端部署到云服务器
1 本地写好代码2 码云创建仓库上传本地代码到创库git initgit remote add origin https://gitee.com/{自己的仓库}.gitgit pull origin mastergit add .git commit -m 'first'git push origin master3 创建云服务器购买 - 链接 - 配置虚拟环境3.1 创建虚拟环境mkvirtualenv --python=/usr/bin/python
2022-04-02 15:58:02
430
原创 Python--argparse 模块
argparse是python用于解析命令行参数和选项的标准模块，用于代替已经过时的optparse模块。argparse模块的作用是用于解析命令行参数。基本操作如下，创建CODETEST.py文件：import argparse #导入模块parser = argparse.ArgumentParser() # 创建解析器对象parser.add_argument("square", type=int, help="display a square o
2022-03-15 11:18:48
594
原创 Transformer——《Attention is all you need》
本文是Google 机器翻译团队在2017 年发表，提出了一个新的简单的网络模型——Transformer。该模型基于纯注意力机制（Attention mechanisms），完全抛弃了RNN和CNN网络结构，在机器翻译任务上取得了很好的效果。目录1 引言2 背景3模型架构3.1编码器和解码器的堆栈编码器：解码器：3.2注意力3.2.1 Scaled Dot-Product Attention3.2.2 Multi-Head Attention3.2.3 Ap..
2022-01-07 19:51:43
489
原创 使用PIL裁剪图像——Image.corp()
代码示例Image.crop(left, up, right, below)参数说明left：与左边界的距离up：与上边界的距离right：与左边界的距离below：与上边界的距离代码实例原图（大小：638X800）代码from PIL import ImageIm = Image.open("monkey.jpg")print("原图大小：{}".format(Im.size))box = (25, 150, 625, 750)#裁剪大小New
2021-12-22 16:58:35
1944
原创 基于Pytorch的简单深度学习项目实战
目录任务详情训练设置网络模型损失函数优化器训练步骤具体代码导入环境导入数据加载数据创建网络损失函数优化器开始训练任务详情利用CIFAR10数据集，基于pytorch环境，训练一个10个类别的小样本分类器CIFAR-10 是由 Hinton 的学生 Alex Krizhevsky 和 Ilya Sutskever 整理的一个用于识别普适物体的小型数据集。一共包含 10 个类别的 RGB 彩色图片：飞机（ airplane ）、汽车（ ...
2021-12-18 20:23:05
17166
26
原创 Pytorch——Conv2d、conv2d
Conv2d、conv2d是pytorch中进行卷积操作的2个类，虽然只是首字母大小写不同，使用起来方法也不一样，一个是类，一个是函数。1 Conv2dConv2d是torch.nn中的类1.1 初始化CLASStorch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True, padding_mode='zeros', device=N
2021-12-14 17:44:49
4329
原创 Pytorch——torchvision.datasets
torchvision 是PyTorch中专门用来处理图像的库，这个包中有四个大类。torchvision.datasets torchvision.models torchvision.transforms torchvision.utilstorchvision.datasets 是用来进行数据加载的，PyTorch团队在这个包中提前处理好了很多很多图片数据集。MNIST COCO（用于图像标注和目标检测）(Captioning and Detection) LSUN Classif
2021-12-10 22:12:11
3084
1
原创 深度学习优化——He初始化
1 背景He初始化是何凯明等提出的一种鲁棒的神经网络参数（W）初始化方法，可以保证信息在前向传播和反向传播过程中能够有效流动，使不同层的输入信号的方差大致相等。He初始化对应的是非线性激活函数（Relu 和 Prelu）。2 方法任意层的权重，按照均值为 0，且方差为的高斯分布进行初始化，可以保证每一层的输入方差尺度一致。def initialize_parameters_he(layers_dims): np.random.seed(3) parameters =..
2021-12-08 15:43:44
4875
原创 使用Pillow来进行图像处理
1 安装安装直接在pycharm里面搜索下载。File -> Settings -> 搜索pillow -> 安装2 使用from PIL import Imageimport numpy as np2.1 打开图片im = Image.open('test.jpg')'test.jpg'为你的图片路径2.2 修改图片大小out = im.resize((128, 128))2.3 图片转换为数组arr = np.array(..
2021-12-05 10:59:39
3053
原创 python中的矩阵乘法——dot、multiply、星号（*）
1 np.dotdot函数为numpy库下的一个函数，主要用于矩阵的乘法运算，其中包括：向量内积、矩阵乘法。用法：A.dot(B) 等价于 np.dot(A,B) ———如果A、B是一维数组,且长度一样，则是执行数组的内积。import numpy as npA=np.array([0,1,2,3,4])B=np.array([1,2,3,4,5])print np.dot(A,B)输出0*1 + 1*2 + 2*3 + 3*4 + 4*5=40如果A是m*n 矩阵
2021-12-02 22:37:16
5431
原创 机器学习中偏差和方差
1 过拟合和欠拟合对下面的圆圈和叉进行分类一般有这2中情况：前一种叫欠拟合，模型太简单了，具有很高的偏差，第二种叫过拟合，具有很高的方差。比较适中的是下面的方法2 高偏差和高方差一般来说，训练集的误差高是由高偏差引起的，验证集或者测试集的误差高是由高方差引起的，这需要对比来看，举个例子：训练集的误差8%，测试集的误差9%，典型的高偏差，模型欠拟合训练集的误差2%，测试集的误差8%，典型的高方差，模型过拟合3 怎么处理欠拟合，一般是因为模型太简单..
2021-12-01 16:23:39
547
原创 神经网络中的梯度下降——Gradient Descent
1 什么是梯度下降梯度下降可以对神经网络中的成本函数（cost）进行反向传播，通过不断迭代，更新权值w、b，找到损失函数最低点，最终使我们的模型达到更优的效果。成本函数有几种，不具体介绍，简单记为，这里对模型进行输入X，是模型训练后得到结果，是标准答案，模型训练的目的是使输出的结果更接近标准答案，即要找到损失函数的最低点。下面是交叉熵(cross entropy)成本函数，不具体介绍2 梯度下降为什么能找到最低点这是一个浅层神经网络单个神经元公式化后再加1..
2021-11-28 19:48:59
1950
原创 神经网络算法开篇——逻辑回归
准备做一系列神经网络算法，适合初学入门，是一种笔记的形式，由浅入深，参考吴恩达老师视频。1 神经网络算法与大脑神经元的关系图片来源网络说起神经网络算法，你可能都听过，很神秘，甚至会和大脑神经元联系在一起，但我想说的是他们之间不能说没有联系，只能说毫无关联。当前这都是一些玩笑话，神经网络算法初期受到大脑神经元的启发，但发展到现在没有谁能清楚明白的说明大脑是怎样工作的，所以强说他们之间的关系是毫无根据的，特别是初学者强行要把神经网络算法与大脑神经元联系在一起，除了增加一层神秘感，还有的就是.
2021-11-24 16:06:37
1017
原创 禁忌搜索算法
禁忌搜索算法(Tabu Search or Taboo Search,TS)是一种迭代搜索算法，靠记忆来引导算法的搜索过程。1 算法原理主要包含2个方面：局部领域搜索、禁忌搜索，在领域搜索的基础上，通过禁忌准则来避免重复搜索，通过藐视准则来赦免一些被禁忌的优良状态，以实现全局优化。1.1 局部领域搜索局部领域搜索是基于贪婪准则持续在当前的领域中进行搜索，找到局部最优解。大致方法是选定一个可行解，并产生领域解集,逐一比较和的目标值，选出最优解更新，直到找不到更优为止，记为。1.2 禁忌搜索
2021-11-20 14:49:00
3400
原创 模拟退火算法——仿真篇
理论部分不再赘述，详情请查看我以往文章。(19条消息) 模拟退火算法——理论篇_talkAC的博客-CSDN博客1 仿真问题旅行商问题（TSP问题）。假设1个旅行商要对31个省会城市进行拜访，要求距离最短，不能重复拜访，且最终要回到出发城市。31个城市坐标： [1304 2312;3639 1315;4177 2244;3712 1399;3488 1535;3326 1556; 3238 1229;4196 1044;4312 790 ;4386 570 ;3007 ...
2021-11-17 17:57:37
640
原创 模拟退火算法——理论篇
模拟退火算法（Simulated Annealing，SA)是模拟物理退火求解组合问题的算法，核心是要理解Metropolis 采样算法，具有算法简单、适用范围广、可靠性高等特点。图片来自网络1 算法理论模拟退火算法来源于固体退火原理，将固体加温至充分高，再让其徐徐冷却。加温时，固体内部粒子随温升变为无序态，内能增大；降温时，粒子逐渐趋近有序，每个温度上都达到平衡态；常温时，粒子达到基态，内能减为最小。图片来自网络算法与物理退火比较如下： 物理退火
2021-11-15 18:31:01
1443
2
原创 粒子群算法（一）—— 理论篇
目录1 算法理论2 算法流程3 算法种类3.1 基本粒子群算法3.2 标准粒子群算法3.3 压缩因子粒子群算法3.4 离散粒子群算法4 仿真实例粒子群算法（Particle Swarm Optimization,PSO）是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法。1 算法理论粒子群算法受鸟类捕食行为的启发并对这个行为进行模仿。捕食到算法：将优化问题的搜索空间类比于鸟类的飞行空间，将每只鸟抽象为一个无质量、无体积的粒子，用以表征问题的可行解
2021-11-05 22:03:35
1127
原创 蚁群算法（二）—— 仿真篇
通过1个实例来理解算法是非常有必要的，也是比较直观的。1 参数说明信息素启发式因子αα的值影响是否选择以前走过的路径，感觉有点类似粒子群算法的飞行速度，α过大会陷入局部搜索，α过小会陷入全局搜索，影响收敛速度。根据经验，α取值范围一般为[1 4]。期望启发因子ββ的大小反应了蚁群在搜索过程中对先验知识和确定性因素的依赖程度，beta越大，收敛速度也越快，但容易陷入局部最优，β取值范围一般为[3 5]。信息素蒸发系数ρρ代表的路径上历史遗留信息素消失系数，取值范围[0 1]。ρ
2021-11-04 19:15:47
1285
2
原创 蚁群算法（一）——理论篇
蚁群算法是通过模拟自然界中蚂蚁集体寻径行为而提出来的一种基于种群的启发式随机搜索算法，它是一种用来寻找优化路径的概率型算法，具有分布计算、信息正反馈和启发式搜索的特征，本质上是进化算法中的一种启发式全局优化算法。本篇文章只讲理论，无代码，少量公式，适合基础入门。1 算法理论蚂蚁在寻找食物的过程中，会在路径上释放出一种特殊的信息素，其它蚂蚁能够感知这种信息素的存在和强度，蚁群通过信息素来完成信息交流。初始阶段，环境中没有信息素，蚂蚁随机行动寻找食物，找到食物就返回并在路径上释放信息素，信息素会
2021-11-03 19:57:10
2205
原创 免疫算法（Immune Algorithm，IA）实例详解
免疫算法是将免疫概念及其理论应用于遗传算法，在保留原算法优良特性的前提下，利用抗体浓度评价算子和激励度计算算子来保持群体的多样性，克服了一般寻优过程中（特别是多峰值）不可避免的“早熟”问题。1算法概念免疫算法是受生物免疫系统的启发而推出的一种新型的智能搜索算法。2主要特点全局搜索能力多样性保持机制鲁棒性强并行分布式搜索机制3算法流程3.1 产生初始抗体种群基于概率随机生成。3.2 计算亲和度依据函数值或函数值的简单处理（倒数、相反数），亲和度表示为af...
2021-11-02 21:49:24
4932
原创 差分进化算法（Differential Evolution，DE）实例详解
差分进化算法是（differential evolution，DE）是基于群体智能理论的优化算法，是通过群体内个体间的合作与竞争而产生的智能优化搜索算法。对比进化计算，它保留了基于种群的全局搜索策略，采用实数编码、基于差分的简单变异操作和“一对一”的竞争生存策略，降低了进化计算操作的复杂性。1主要特点结构简单、容易使用性能优越自适应性具有内在的并行性算法通用2算法流程2.1 初始化随机生成初试种群X：Xn（n=1，2......NP）。2.2 变异基于个体间的..
2021-11-01 18:20:06
8148
1
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