- 博客(200)
- 收藏
- 关注
RSS订阅转载 Tesseract OCR V5.0安装教程（Windows）
Tesseract，一款由HP实验室开发由Google维护的开源OCR（Optical Character Recognition , 光学字符识别）引擎，与Microsoft Office Document Imaging（MODI）相比，我们可以不断的训练的库，使图像转换文本的能力不断增强；如果团队深度需要，还可以以它为模板，开发出符合自身需求的OCR引擎。解决方案有两种：1、 将tesseract安装目录添加至电脑的环境变量。2、 在代码中指定tesseract的路径。
2024-05-10 18:59:39
117
转载 Python加解密库——pycrypto（pycryptodome）
pycrypto实现了哈希函数（如 SHA256）和加密算法（如 AES、DES、RSA）。注意！pycrypto已很久未维护，有安全漏洞。建议使用 pycryptodome替代 pycrypto，它是后者的一个分支，一直在维护。
2024-03-11 09:48:07
225
转载 通过案例学习pandas计算相关系数
相关系数是一个介于-1和1之间的值，表示两个变量之间的关联程度。相关系数为正表示两个变量呈正相关关系，即当一个变量增加时，另一个变量也增加；相关系数为负表示两个变量呈负相关关系，即当一个变量增加时，另一个变量减少；相关系数接近于0表示两个变量之间没有线性关系。
2024-03-06 14:46:44
433
转载 VirtualBox中出现 UUID have already exists : 修改 UUID
使用上面两种方法的其中一个方法操作后，就可以正常添加了。白菜没我白文章知识点与官方知识档案匹配，可进一步学习相关知识CS入门技能树Linux入门初识Linux38737人正在系统学习中。
2024-03-01 23:36:59
224
转载 python LinearRegression线性回归
目录1.什么是线性回归2.线性回归思路3.几种回归模型评估3.1均方误差：mse = mean_squared_error(y真实值,y预测值)3.2均方根误差：rmse = (mean_squared_error(y真实值,y预测值))**0.53.3平均绝对值误差：mae = mean_absolute_error(y真实值,y预测值)3.4r2打分：r2 = r2_score(y真实值,y预测值) 或者r2=lr.score(x真实值,y真实值)4.单(一)元线性回归5.多元线性回归 两
2024-03-01 16:49:18
158
转载 机器学习之线性回归算法Linear Regression（python代码实现）
（Linear Regression）是一种非常简单、用处非常广泛、含义也非常容易理解的一类经典的算法，非常合适作为机器学习的入门算法。线性回归就是出一个线性组合关系的函数。要找一条直线，并且让这条直线尽可能地拟合所有数据点。即：试图找到一条直线，使所有样本到直线上的欧式距离之和最小。
2024-03-01 16:42:40
170
转载 官网ISE14.7虚拟机版本在Win11的安装记录
目录第一步 下载ISE14.7虚拟机版本第二步 下载IOracle VM VirtualBox虚拟机第三步 安装虚拟机Oracle VM VirtualBox第四步 安装ISE14.74.1 参考博客4.2 格外注意4.3 安装解释(自动安装和配置了那些内容) 4.3.1 驱动安装 4.3.2 虚拟机配置(ISE安装过程中自动配置-前提是已安装虚拟机) 第5步 导入Licese文件 第6步 成功下载程序 6.1 ISE操作参考博主 6.2 成功下载程序
2024-03-01 00:29:36
815
转载 Vivado安装教程(非常详细)，从零基础入门到精通，看完这一篇就够了
现在Vivado已经更新到2022.2了，据说运行程序可以比之前快好多，而且也支持一些新出的元器件，本着好奇的原则，下载下来看看好不好用。之后会更新一些关于Vivado使用或者Verilog代码编写上的分享与总结。希望大家多多支持。新人码字不易，哈哈。 进入正题，Xilinx官网下载软件地址还是很好找的，点击_https://china.xilinx.com/support/download.html_ 现在Xilinx为了避免用户磁盘空间不够，推出网页下载的模式，下载一个200多兆的下载器就可以在联网
2024-02-29 22:08:13
309
转载 VS2008（Visual Studio 2008）下载安装步骤
9、这时候当你兴致勃勃的准备打开编辑器，进行操作的时候发现桌面根本找不到编辑器的快捷方式，如果你也是这样那么可以到vs2008的安装目录，然后找到devenv.exe这个文件，可以发送到桌面快捷方式，双击即可打开编辑器了。最近公司一个旧的项目，要进行优化，需要用到Visual Studio 2008编辑器，这里总结一下Visual Studio 2008编辑器的下载和安装步骤。，官网下载可能比较慢，可以移步至百度云：链接：https://pan.baidu.com/s/1dGIaPrj 密码：25dq。
2024-02-28 22:15:11
1100
2
转载 Pandas to_json() 中文乱码,转化为json数组
[[“2016-08-08”, “袁隆平院士观摩指导”], [“2016-08-09”,“修改完善袁隆平院士项目合作协议”],[“2016-08-10”,“完成袁隆平院士合作协议”],[“2016-08-31”,“袁隆平院士项目入驻院士港协议审核完毕”],…# “16”:6,“17”:6,“18”:3,“19”:4},“content”:{“0”:“研究调改王玉田院士项目入驻协议，完成签约仪式方案”,“1”:"\u5b。u’excel/袁隆平院士报告处理后.xlsx’# 参数(df数据,文件存储路径)
2024-02-28 16:27:53
251
转载 Win11安装ise14.7~不需要虚拟机了~
3.看到安装到 Configure WebTalk时，就不用等了，会一直卡在这。6.最后试了下重新编译工程，和之前编译的bit文件只是时间有差别，说明ise14.7在win11上运行ok~。直到最近看了水木上jesce的回复，试了下果然可以直接安装使用的。原文链接：https://blog.csdn.net/hclrda/article/details/128951014。链接：https://pan.baidu.com/s/1m5FILDvbFtdE4-trPuJCYw?1.安装时切勿勾选最后一项，
2024-02-28 14:38:41
446
转载 解决ISE安装难题
上面这张图应该是lib文件夹。注意不能是bin文件夹，bin文件夹内虽然可能也有我们下载的libPortability.dll，但效果是不一样的，而且并不是所有的文件夹内都有libPortability.dll。在win10上，2022年的某一天，当我再次打开ISE14.7，我惊愕地发现ISE14.7无法打开了，天真的我以为靠着重装、修改中文路径、按照以前的方面dll文件修改来换过去就好了，结果这些全都无济于事。第二步：把下载好的文件夹nt、nt64直接拖进安装文件夹下的几个文件夹的lib文件夹内（
2024-02-28 14:18:45
103
转载 安装ise14.7时遇到的问题
我选择了第二种，也就是重装系统了。翻译成中文：未安装VC ++ 2008运行时库通过运行可再发行组件，请安装运行时库{安装根目录} \common\ bin\nt \ vcredist_x86.exe。再三确认了Modelsim软件安装与破解无误也可正常打开使用，网上找了半天资料发现时自己建工程时，选错了仿真器件。网上说法: 在ISE的安装目录下找到vcredist_x86.exe可执行文件，运行即可解决，vcredist_x86.exe可执行文件路径为：D:\ISE.14.4\。安装软件我踩过不少坑。
2024-02-28 13:54:20
708
转载 【FPGA入门】第一篇、Verilog基本语法常识
假设信号pi_a在导线上传输的时间为5ns，pi_b在导线上传输的时间是10ns，而po_c的值因为pi_b晚到5ns而被阻塞。假设信号pi_a在导线上传输的时间为5ns，pi_b在导线上传输的时间是10ns，虽然po_c存在阻塞问题，但是Q端输出的结果只取决于clk上升沿/下降沿到来时D端的瞬时结果，因次Q输出不存在阻塞。你想要在时钟的上升沿到来时才想要输出变化那就用非阻塞，你想要输出变化之取决与输入，输入变化，输出就变换那就用非阻塞。组合逻辑只能用阻塞赋值，时序逻辑只能用非阻塞赋值。
2024-02-25 20:01:55
35
转载 FPGA环境安装：Win10的Xilinx的ISE14.7
此时点击ISE Design Suite 14.7软件会闪退。，然后会提示成功，okay，可以关掉证书管理弹窗程序了。打开ISE Design 会提示安装证书。
2024-02-25 19:52:05
1435
2
转载 conda环境安装指定位置的虚拟环境
这时我们可以输入conda config --show envs_dirs来查看一下当前的环境目录，如下。可以看到，成功进入了自己的虚拟环境。接着，我们就可以在自己的虚拟环境里下载或卸载各种包，而不用担心影响其他人的虚拟环境了。如果你输入conda env list就会发现，虚拟环境虽然是创建成功了，但是没有名字呀！如果下载完包，不用自己的虚拟环境了，就可以输入conda deactivate退出，如下。加完环境目录后，再conda env list就可以看到我们的虚拟环境彻底建好了。
2024-02-22 15:22:14
449
转载 yolov7 图解
对比yolov7 e6 yaml 与 yolov7 e6e yaml。yolov7训练自己的数据集与yolov5类似，参考之前的文章。二、yolov7 ymal， ELAN结构分析。发布于 2023-07-03 20:06。Conv块 又称为 CBS。一、yolov7网络架构图。对照论文中的ELAN结构。yolov7 模型缩放。三、E-ELAN结构。
2023-12-29 16:52:39
188
转载 【时间序列】Transformer for TimeSeries时序预测算法详解
2017年，Google的一篇为我们带来了，其在NLP领域的重大成功展示了它对时序数据的强大建模能力，自然有人想要把Transformer应用到时序数据预测上。在Transformer的基础上构建时序预测能力可以突破以往的诸多限制，最明显的一个增益点是，Transformer for TS可以基于Multi-head Attention结构具备同时建模长期和短期时序特征的能力。
2023-12-01 15:55:51
1123
转载 机器学习集成学习——GBDT（Gradient Boosting Decision Tree 梯度提升决策树）算法
本文主要介绍GBDT算法，以及使用梯度提升算法和决策树分类器对手写数字数据进行对比分析的案例介绍DT－Decision Tree决策树，GB是Gradient Boosting，是一种学习策略，GBDT的含义就是用Gradient Boosting的策略训练出来的DT模型在前几年深度学习还没有大行其道之前，GBDT在各种竞赛是大放异彩。一是效果确实挺不错。二是即可以用于分类也可以用于回归。
2023-11-29 09:51:47
274
转载 一幅图真正理解LSTM、BiLSTM
本文对RNN、LSTM、BiLSTM的内部结构和输入输出做了透彻的剖析，目标是能够解答LSTM和BiLSTM的任何疑问。RNN：循环神经网络LSTM：长短期记忆网络BiLSTM：双向长短期记忆网络重要的先验知识本质上单个RNN cell是在多个时间步上展开的形式，也可以理解为RNN是神经网络在时序上的权重共享（CNN相当于空间上的权重共享）LSTM也都是一样。
2023-11-28 09:41:19
589
转载 深度学习时间序列的综述
时间序列一般是指对某种事物发展变化过程进行观测并按照一定频率采集得出的一组随机变量。时间序列预测的任务就是从众多数据中挖掘出其蕴含的核心规律并且依据已知的因素对未来的数据做出准确的估计。由于大量物联网数据采集设备的接入、多维数据的爆炸增长和对预测精度的要求愈发苛刻，导致经典的参数模型以及传统机器学习算法难以满足预测任务的高效率和高精度需求。
2023-11-16 11:07:32
64
转载 pytorch实现BiLSTM代码
对于输出门，有两个分支，一个是直接变成下一层的隐藏变量，一个是表示这一层的输出。效果比原作者的效果要好一点，因为占位符我更改成了 -1，这样就不会影响到标签了。第一个遗忘门得到的结果是不是全都属于0-1的数，相当于不同的权重。只表示最后一层的输出，所以output[-1]==hc的。#随机初试化隐藏变量和记忆细胞变量。文章知识点与官方知识档案匹配，可进一步学习相关知识。其实每一层的输出，都直接拼接在一起了，而。word就直接与word。idx的键值对调换就行了。根据自己的电脑配置更改，最后祝大家学有所成！
2023-11-16 10:20:39
265
1
转载 一幅图真正理解LSTM、BiLSTM
本文对RNN、LSTM、BiLSTM的内部结构和输入输出做了透彻的剖析，目标是能够解答LSTM和BiLSTM的任何疑问。RNN：循环神经网络LSTM：长短期记忆网络BiLSTM：双向长短期记忆网络重要的先验知识本质上单个RNN cell是在多个时间步上展开的形式，也可以理解为RNN是神经网络在时序上的权重共享（CNN相当于空间上的权重共享）LSTM也都是一样。
2023-11-15 12:31:46
893
转载 大名鼎鼎的LSTM详解
然而它为什么叫遗忘门呢，下面是我自己的看法，前面也说了,σ的输出在0到1之间，这个输出 f_t逐位与C_{t-1}的元素相乘，我们可以发现，当f_t的某一位的值为0的时候，这C_{t-1}对应那一位的信息就被干掉了，而值为(0, 1)，对应位的信息就保留了一部分，只有值为1的时候，对应的信息才会完整的保留。说实话，这个图确实很清晰明了（对于懂的人来说），一些很“显然”的问题就被忽略了，但是对于刚入门的人来说，一些基础的问题却要搞很久才能弄明白，我在原作者讲的很清楚的情况下再补充新手需要的内容。
2023-11-14 18:01:58
55
转载 基于pytorch的LSTM预测实现
在下图中，单个LSTM单元，输入量有3个，输出量其实只有两个（output与ht是一样的），我把里面的各种门理解为一个权重，三个输入的权重比。虽然模型还是没有实现真正的预测（不像Informer那样预测未来，我看到过与开源代码实现了单输入单输出的预测，他使用tolist的方法实现，我没有继续研究下去，不知道多输入单输出是否有类似的方法），我只是实现了多输入单输出，没有实现多输入多输出（有几个博主的付费内容有提到这点，但我不知道他们有没有具体实现。
2023-11-14 17:59:03
99
转载 informer自定义数据集
假设数据维度是317天的数据，滑动窗口为120天预测未来20天数据，num_train = 221 ， num_test = 63 ，num_vali = 33 ， border1s = [0, 101, 134] ，border2s = [221, 254, 317]，这可以设置为s，t，h，d，b，w，m（s：秒，t：分钟，h：小时，d：每天，b：工作日，w：每周，m：每月）。这可以设置为M、S、MS（M：多变量预测多变量，S：单变量预测单变量，MS：多变量预报单变量）否则将是获得一个标准化的预测。
2023-11-14 11:48:31
860
转载 AAAI最佳论文Informer 解读
那么Informer是做什么的呢？主要针对长序列预测（Long Sequence Time-series Forecasting, LSTF）目前Transformre具有较强的捕获长距离依赖的能力，但传统的Transformer依然存在以下不足，因此Informer做出了一些改进。上面的三个改进猛地一看可能让人摸不着头脑没关系我们接着往下看论文中提出的EncoderStack 其实是由多个Encoder 和蒸馏层组合而成的那么我们来详细解释一下上面的这张图。
2023-11-13 11:33:40
146
转载 Informer算法原理与代码详解
Informer是2021年时序领域的best论文，仔细阅读文章和代码会发现这篇文章的思路、论点和代码框架写的是真的好，让人看着赏心悦目，此后的时序预测算法也大多是在Informer的基础上进行的，包括输入输出的格式、特征编码的方式等。
2023-11-13 11:05:08
344
转载 基于Informer的股价预测（量化交易综述）
股票市场是金融市场中不可或缺的组成部分。准确预测股票趋势对于投资者和市场参与者具有重要意义，因为它们可以指导投资决策、优化投资组合以及降低金融风险。而且可以提升国家国际地位以及金融风险控制能力，还可以促进股票市场发展以及资源优化利用。与此同时，股票趋势预测算法作为时间序列预测领域的重要分支，在其它时序预测分支上也具备通用性。而量化交易就是利用数学模型和计算机技术来进行投资交易决策的一类方法，旨在增加投资回报率。随着信息技术和数据处理能力的不断提升，量化交易在金融市场中的真实应用越来越广泛。本论文介绍了量化交
2023-11-10 17:21:10
644
转载 HTTP、TCP和UDP之间的区别，你真的清楚吗？
在解释HTTP、TCP和UDP之前的区别之前，先为大家介绍一下三者的含义。传输控制协议（TCP，Transmission Control Protocol）是一种面向连接的、可靠的、基于的传输层通信协议，由IETF的RFC 793 [1] 定义。TCP旨在适应支持多网络应用的分层协议层次结构。连接到不同但互连的计算机通信网络的主计算机中的成对进程之间依靠TCP提供可靠的通信服务。TCP假设它可以从较低级别的协议获得简单的，可能不可靠的数据报服务。
2023-11-06 16:59:19
91
转载 预测评价指标：MSE,RMSE,MAE，MAPE，SMAPE
分类问题的评价指标是准确率，回归算法的评价指标是MSE,RMSE，MAE.测试数据集中的点，距离模型的平均距离越小，该模型越精确。使用平均距离，而不是所有测试样本的距离和，因为受样本数量影响。
2023-11-01 11:21:10
1443
1
转载 时序预测的深度学习算法全面盘点
深度学习方法是一种利用神经网络模型进行高级模式识别和自动特征提取的机器学习方法，近年来在时序预测领域取得了很好的成果。常用的深度学习模型包括循环神经网络（RNN）、长短时记忆网络（LSTM）、门控循环单元（GRU）、卷积神经网络（CNN）、注意力机制（Attention）和混合模型（Mix ）等，与机器学习需要经过复杂的特征工程相比，这些模型通常只需要经数据预处理、网络结构设计和超参数调整等，即可端到端输出时序预测结果。
2023-10-25 16:06:34
96
转载 2021 AAAI best Paper - Informer-2020 学习记录
这篇文章是来自AAAI的best paper，目前已经开源在github，这里博主记录一下自己的学习过程。项目使用pytorch开发，按照readme要求的环境即可，环境没有问题的话基本不需要改动即可完美调试，博主开始时pytorch版本太低，所以导致了很多问题，当然这个调试修改的过程也并非是毫无用处，它可以让我们对项目的理解更加深刻。
2023-10-25 14:14:02
58
转载 yolov5超参数解释（hyp.scratch-low.yaml）
在模型训练中，超参数的调整是必不可少的。有时候看到结果，分析之后发现是过拟合，这时候就需要对自己的模型超参数进行调整，以达到最优效果等等。这里对yolov5中的文件超参数进行调整。关于的超参数写完了，我觉得在模型训练中，适当的调整这些超参数还是很有用的。文章知识点与官方知识档案匹配，可进一步学习相关知识Python入门技能树人工智能深度学习355605人正在系统学习中。
2023-10-24 14:09:33
870
1
转载 基于LSTM实现多变量预测（Tensorflow2实现）
TensorFlow 2.0 基于LSTM多变量_共享单车使用量预测: https://www.bilibili.com/video/BV1y5411K7NRfrom sklearn.model_selection import train_test_splitfrom sklearn.preprocessing import MinMaxScalerfrom sklearn.metrics import r2_scoreimport tensorflow as tffrom tensorflow.k
2023-10-23 14:51:52
473
转载 从零开始实现，LSTM模型进行单变量时间序列预测
根据数据绘制结果，可以发现数据呈现较快的增长趋势，范围跨度也比较大，为便于训练，我们将训练数据进行归一化处理，归一化的方法是min/max方法，该方法归一化后的数据值域为[-1, 1]。进行时间序列预测，那么我们首先需要明确输入LSTM的时间序列的步长，由于我们输出的是多个年份的数据、且数据以月为单位，所以可以很自然想到使用12作为我们输入时间序列长度。可以发现预测的值在总体的趋势上与实际类似，但是在预测数值还存在一定的差距，这里只是为了说明如何使用LSTM进行单变量进行预测，所以不过分追求精度。
2023-10-17 17:51:19
616
转载 三维重建方法总结
1. 简介1.1 传统的三维重建算法1.2 三维重建领域主要的数据格式2. 主流重建方法2.1 多视几何三维重建2.1.1 SfM（Structure from Motion）方法2.2 基于双目/多目视觉2.3 基于消费级RGB-D相机2.4 基于深度学习的三维重建2.4.1 基于单张RGB图像的三维重建2.4.2 基于多视图的三维重建2.4.3 基于点云数据的三维重建2.5 按数据源格式分类2.5.1 基于体素2.5.2 基于点云2.5.3 基于网格3. TSDF3.1 定义3.2 融合。
2023-10-11 11:47:10
854
转载 三维重建方法汇总
三维重建三维重建是用相机拍摄真实世界的物体、场景，通过计算机视觉技术进行处理，从而得到物体的三维模型。主要涉及技术包括：多视图立体几何、深度图估计、点云处理、网格重建和优化、纹理贴图、马尔可夫随机场、图像分割等。主要应用领域包括：增强现实、混合现实、机器人导航、自动驾驶、工业工件尺寸检测、平整度检测等。
2023-10-11 11:36:45
1158
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