- 博客(15)
- 收藏
- 关注
RSS订阅原创 java:6、请补充编写下面模板程序的事件处理部分程序，实现下图所示的“求解介于两个正整数m和n之间素数”。算术测试GUI程序：请读懂下面模板程序，将其补充完整并调试运行。信号灯模拟GUI程序：请读懂
else if ((s.equals(".")) && (result.getText().indexOf(".") < 0)) // 输入的是小数点。if ("0123456789.".indexOf(title[i])>=0) //若点击的是数字或小数点。label=new JLabel("hello,奥运",JLabel.CENTER);s.equals(".")) //输入的不是小数点。String itemRed="红灯",itemYellow="黄灯",itemGreen="绿灯";
2023-11-19 19:00:48
248
2
原创 java：学习一维数组并应用；学习二维数组并应用；
输人一个小写字母，以该字母为第一个字母按字母表逆序输出所有26个小写字母。已知一个整型数组，输人一个整数,查找该数在数组中第一次出现的位置(即下标），并输出该数在数组中出现的总次数。例如，输人为7,则输出如图6-14所示的7行杨辉三角形。多维数组可以看成是数组的数组，比如二维数组就是一个特殊的一维数组，其每一个元素都是一个一维数组。数组声明后实际上是在栈内存中保存了此数组的名称，接下来便是要在堆内存中配置数组所需的内存，其中。（数组的长度）是告诉编译器，所声明的数组要存放多少个元素。6-3：数组简单查找。
2023-11-19 18:51:31
92
原创 介绍Python数据分析的基础知识和技能，包括基本运算、画图和随机数等内容。通过学习本实验，学生将能够使用Python进行数据分析和可视化。
这些包括Python解释器、Jupyter Notebook、Pandas和Matplotlib等数据可视化库。学习如何使用Python内置的random模块生成随机数，并了解如何使用numpy模块生成更复杂的随机数序列。介绍Python数据分析的基础知识和技能，包括基本运算、画图和随机数等内容。如何使用这两个库绘制各种类型的图表，包括线图、柱状图、饼图等。导入所需的库和数据集 在实验中，需要导入所需的库和数据集。1 基本运算 Python中的基本运算符，包括算术运算符、比较运算符和逻辑运算符等。
2023-11-13 10:37:57
86
原创 学习特征选择和变换的基本原理和方法；掌握离散度矩阵的计算方法；了解数据降维的概念和应用场景；通过Python实现数据降维算法。
通过这些实验，我们深入了解了特征选择和变换、离散度矩阵和数据降维等概念，并掌握了相应的Python实现方法。接着，我们学习了如何计算离散度矩阵。通过这些实验，我们深入了解了特征选择和变换、离散度矩阵和数据降维等概念，并掌握了相应的Python实现方法。通过学习统计基础知识，我们了解了特征选择和变换的基本原理和方法，掌握了离散度矩阵的计算方法，并了解了数据降维的概念和应用场景。总的来说，本实验让我们对机器学习和数据分析有了更深入的理解和认识，同时也提高了我们的编程能力和实践能力。
2023-11-13 10:36:33
29
原创 学习决策树原理，包括熵、交叉熵和信息增益；掌握决策树函数语法；使用Python加载数据集，并对数据集进行分析；划分数据集的规模和方式；训练模型；验证模型，计算精确率、召回率和准确率，并绘制混
对测试集进行预测并计算准确率、召回率和混淆矩阵。在训练模型后调用该函数绘制混淆矩阵。将数据集划分为训练集和测试集。创建决策树模型并训练。
2023-11-13 10:35:14
69
原创 了解神经网络的基本原理，包括输入层、隐含层、输出层、超参数等；掌握神经网络函数语法，使用torch和sklearn实现多层感知机；加载数据集，并对数据集进行分析；划分数据集的规模和方式；训练模
其中，精确率定义为TP/(TP+FP)，召回率定义为TP/(TP+FN)，准确率定义为(TP+TN)/(TP+TN+FP+FN)，TP表示真正例，FP表示假正例，TN表示真反例，FN表示假反例。本次实验使用的是MNIST手写数字数据集，该数据集包含60,000个训练样本和10,000个测试样本。我们使用上述两种方式实现的神经网络模型对MNIST数据集进行训练，采用交叉熵作为损失函数，使用SGD（随机梯度下降）算法进行参数优化。为了进行模型训练和验证，我们将训练集划分为80%的训练集和20%的验证集。
2023-11-13 10:34:00
166
原创 1.了解KNN算法的基本原理：K近邻（K-Nearest Neighbors）算法是一种非常基础的分类算法，通过找到最近的K个邻居进行投票判断，从而确定新样本的分类。2.掌握KNN算法的实现方法：
在分类问题中，对于一个新样本，KNN算法从训练数据集中选取K个距离最近的样本点，根据这K个样本点的标签进行投票，将投票得到最多的标签作为该新样本的预测标签。K值确定：我们采用交叉验证方法来选择K值，将数据集分为5份，每次选取其中一份作为验证集，剩下的作为训练集，分别尝试K值从1到10，计算模型在验证集上的准确率，最终选择准确率最高的K值。2.掌握KNN算法的实现方法：在实验中需要使用编程语言（如Python）实现KNN算法的代码，了解算法实现的各个步骤，包括数据准备、计算相似度、选出最优的K值等。
2023-11-13 10:32:48
153
原创 通过使用SVM对鸢尾花数据集进行分类，掌握SVM分类器的原理与使用方法，了解调参对分类准确率的影响。
在实验中通过调整 C 和 kernel 参数，发现在本次实验中选择线性核函数和 C 参数为 1 时，可以达到较好的分类效果，测试准确率达到 97.78%。使用测试集对构建并训练好的模型进行评估，计算模型在测试集上的准确率，并根据实验需求选择其他适当的评估指标（如精度、召回率、F1-score 等）进行评价。使用 sklearn.svm 中的 SVC 类构建 SVM 分类器，并选择合适的 kernel 和 C 参数进行参数调整，构建模型并进行训练。
2023-11-13 10:31:30
614
原创 Roberts 算子Prewitt 算子Sobel 算子Laplacian 算子
Sobel算子在Prewitt算子的基础上增加了权重的概念，认为相邻点的距离远近对当前像素点的影响是不同的，距离越近的像素点对应当前像素的影响越大，从而实现图像锐化并突出边缘轮廓。Sobel算子在Prewitt算子的基础上增加了权重的概念，认为相邻点的距离远近对当前像素点的影响是不同的，距离越近的像素点对应当前像素的影响越大，从而实现图像锐化并突出边缘轮廓。： Sobel 算子也是一种常用于图像边缘检测的算子，相比于Roberts和Prewitt，Sobel算子在设计上考虑了像素之间的权重。
2023-11-12 14:51:14
1884
原创 探究生成对抗网络（GAN）在图像生成任务中的应用，通过对特定数据集的 训练，学习生成新图像的潜在规律和分布，达到生成全新、高质量图像的目的。实验将通过 对 GAN 模型的设计、训练和评估，验证其在实际
本实验旨在探究生成对抗网络（GAN）在图像生成任务中的应用，通过对特定数据集的 训练，学习生成新图像的潜在规律和分布，达到生成全新、高质量图像的目的。2、生成器和判别器的loss无法指示进程，也就是说，我们无法通过生成器与判别器的loss来判断我们生成的图像是否到达了我们所满意的情况。3、训练过程中终于有一个像交叉熵、准确率这样的数值来指示训练的进程，这个数值越小代表GAN训练得越好，代表生成器产生的图像质量越高。4.图像生成：利用训练好的 GAN 模型，生成全新的高质量图像，并对生成的图像进行。
2023-11-12 14:49:28
146
原创 迁移学习：在小型数据集上从头开始训练一个卷积神经网络实现猫狗分类2. 采用使用数据增强的方法提高其准确率3．使用预训练的卷积神经网络并采用数据增强4. 微调模型并采用数据增强
综上所述，本实验通过从头训练卷积神经网络并采用数据增强技术，成功实现了对猫狗图像的分类任务，并取得了较好的分类准确率。然而，仍有进一步的改进空间，如尝试不同的网络架构、超参数调整和集成学习等方法，以进一步提高分类准确率和模型的鲁棒性。综上所述，本实验通过从头训练卷积神经网络并采用数据增强技术，成功实现了对猫狗图像的分类任务，并取得了较好的分类准确率。然而，仍有进一步的改进空间，如尝试不同的网络架构、超参数调整和集成学习等方法，以进一步提高分类准确率和模型的鲁棒性。您也可以自己收集数据并将其标记为猫和狗。
2023-11-12 14:47:54
168
原创 LSTM模型对MNIST数据集进行分类
本实验通过利用LSTM模型对MNIST数据集进行分类，使用PyTorch完成了模型的构建、数据加载、训练和测试等步骤。通过本实验，您深入了解了PyTorch框架的基本操作和流程，以及LSTM模型在序列数据上的应用。此外，您还可以进一步优化模型和调整超参数，以获得更好的性能和准确率。1.增加LSTM层的数量：通过增加LSTM层的数量，可以增加模型的复杂度和表达能力。尝试不同的学习率和优化算法，找到一个合适的组合。3.使用双向LSTM：双向LSTM可以同时考虑前向和后向的上下文信息，有助于提高模型的准确率。
2023-11-12 14:44:04
315
原创 基于 MNIST 数据集的分类
通过本次实验，我们掌握了PyTorch深度学习框架的使用，了解了BP神经网络的原理，并成功应用于基于MNIST数据集的分类任务。同时，通过观察Loss-acc图和混淆矩阵，我们对模型的训练过程和性能有了更深入的理解，并能够分析每一类的识别准确率。在经过20个epochs的训练后，模型在训练集上达到了99.61%的准确率，在测试集上达到了99.37%的准确率。在训练模型的过程中，我们使用了数据加载器将训练集分批次加载到模型中，并进行前向传播和反向传播来更新模型的参数。基于 minist 数据集的最优分类。
2023-11-12 14:42:12
467
1
原创 基于 MNIST 数据集的神经网络实验
1. 熟悉 python 编程语言2. 掌握 Pytorch 深度学习框架3. 掌握 BP 神经网络的原理本实验的目的是熟悉 Python 编程语言，掌握 PyTorch 深度学习框架，并理解反向传播（BP）神经网络的原理。通过使用 MNIST 数据集进行分类任务，旨在设计一个全连接神经网络，并采用数据增强和 Dropout 等方法来降低模型过拟合，以达到最高的准确率。在实验过程中，我们还要考虑如 Batchsize、Epoch、学习率、优化器（Adam、SGD）等参数对模型性能的影响。Minsit 数据集
2023-11-12 14:33:15
614
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