- 博客(9)
- 收藏
- 关注
RSS订阅原创 从零搭建Mask R-CNN环境
1.下载安装Anaconda https://www.anaconda.com/products/individual 2.配置tensorflow-keras环境 conda create –n tensorflow-gpu python=3.6 activate tensorflow-gpu pip install tensorflow-gpu==1.13.2 pip install keras==2.1.5 3.配置mask rcnn依赖环境 3.1安装skimage pip ins
2020-06-19 21:54:13
487
原创 Python计算机视觉编程第1章基本的图像操作和处理
目录 第 1 章 基本的图像操作和处理 1.1 PIL：Python图像处理类库 1.1.1 转换图像格式 1.1.2 创建缩略图 1.1.3 复制和粘贴图像区域 1.1.4 调整尺寸和旋转 1.2 Matplotlib 1.2.1 绘制图像、点和线 1.2.2 图像轮廓和直方图 1.2.3 交互式标注 1.3 NumPy 1.3.1 图像数组表示 1.3.2 灰度...
2020-04-16 21:24:21
2691
原创 Datawhale第5期初级算法梳理（3）
任务三 决策树算法梳理 目录 1. 信息论基础（熵 联合熵 条件熵 信息增益 基尼不纯度） 2.决策树的不同分类算法（ID3算法、C4.5、CART分类树）的原理及应用场景 3. 回归树原理 4. 决策树防止过拟合手段 5. 模型评估 6. sklearn参数详解，Python绘制决策树 6.1sklearn参数详解 6.2Python绘制决策树 1. 信息论基础（熵 联...
2019-03-05 19:29:01
345
原创 Datawhale第5期初级算法梳理（2）
目录 任务二 逻辑回归算法梳理 1、逻辑回归与线性回归的联系与区别 2、 逻辑回归的原理 3、逻辑回归损失函数推导及优化 4、 正则化与模型评估指标 5、逻辑回归的优缺点 6、样本不均衡问题解决办法 7、sklearn参数 任务二 逻辑回归算法梳理 1、逻辑回归与线性回归的联系与区别 （1）线性回归要求变量服从正态分布，logistic回归对变量分布没有要求。 （2）线性回...
2019-03-03 21:40:02
271
原创 Datawhale第5期初级算法梳理（1）
任务一 ：线性回归算法梳理 目录 任务一 ：线性回归算法梳理 1. 机器学习的一些概念 2. 线性回归的原理 3. 线性回归损失函数、代价函数、目标函数 4. 优化方法(梯度下降法、牛顿法、拟牛顿法等) 5、线性回归的评估指标 6、sklearn参数详解 1. 机器学习的一些概念 根据训练数据是否拥有标记信息，学习任务可以大致分为两大类：“监督学习”（supervised le...
2019-02-28 15:57:30
222
原创 Datawhale第5期初级算法梳理（0）
2019年02月27日在Datawhale组队报名了第5期的初级算法梳理学习，以下是组队学习的基本内容，希望自己能坚持下来，多思考多总结，把知识点变成自己的东西。 组队学习说明：通过查阅书籍或参考文献、学习视频等，对传统机器学习算法进行梳理 任务路线：线性回归--->逻辑回归--->决策树 组队学习周期：一周 每个任务完成大概所需时间：2-3h...
2019-02-27 13:22:00
111
原创 numpy的随机函数random
numpy的随机函数random numpy.random.rand() numpy.random.randn() numpy.random.randint() numpy.random.random_integers() numpy.random.choice() numpy.random.rand() numpy.random.rand(d0,d1,...,dn) ran...
2018-09-04 19:31:38
305
原创 np.random.seed(0)的作用
np.random.seed(0) print(np.random.rand(4)) np.random.seed(0) print(np.random.rand(4)) [0.5488135 0.71518937 0.60276338 0.54488318] [0.5488135 0.71518937 0.60276338 0.54488318] 当设置相同的seed，每...
2018-09-04 17:13:01
897
转载 numpy中np.c_和np.r_
import numpy as np a = np.array([1, 2, 3]) b = np.array([4, 5, 6]) c = np.c_[a,b] print(np.r_[a,b]) print(np.c_[a,b]) print(c) print(np.c_[c,a]) 结果： [1 2 3 4 5 6] [[1 4] [2 5] [3 6]] [[...
2018-09-04 16:59:01
175
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