weixin_36299320的博客

原创 【win11 cuda12.0安装tensorflow-gpu】

win11 cuda 12.0 安装 tensorflow-gpu

原创 浅记causalml安装

causalml安装完整流程，少走bug弯路

原创 python简单爬虫

原创 python操作pdf

原创 python处理word

原创 python自动化处理excel

原创 task0 文件自动化处理

转载 语音识别基础知识介绍

语音识别基础知识介绍:https://tianchi.aliyun.com/notebook-ai/detail?spm=5176.12281897.0.0.22a339a9z60Tue&postId=201009

转载 模型改进和优化

“过拟合”和“欠拟合”1、过拟合：模型在训练集上表现很好，但是在测试集或者新数据上表现很差；2、欠拟合：模型在训练集和测试集上表现都不好降低过拟合的方法：①增加训练数据或者采用某些方法（如生成式对抗网络）合成大量数据②降低模型复杂度（减少不重要变量的引入、减少网络层数、神经元个数、降低树的深度、剪枝等）③正则化（即给模型加上一定的正则约束，如L1、L2正则化）④集成学习（采用多个模型的融合来降低单一模型下的过拟合）降低欠拟合的方法：①添加新特征（挖掘“上下文特征”“ID类特征”“组合特征”

转载 深度学习模型搭建与训练

深度学习模型搭建与训练今天时间有限，就画个图好了~~~

转载 音频特征提取1

音频特征提取1相信大家都听说过这样一句话：数据和特征决定了机器学习的上限，而模型和算法只是尽可能逼近这个上限。特征工程做得越好，模型各项性能越好。对于结构化数据，特征工程主要包括特征处理（缺失值处理、异常值处理、无量纲化等）和特征选择（相关分析、降维等）。对于音频这种非结构化的数据的特征提取也有对应的一些常规的操作。音频分类常用的特征参数有短时能量、过零率、梅尔倒谱系数、信号频谱、线性预测系数等。音频信号分析一般分为时域分析、频域分析、倒谱域分析、其它域分析。时域分析计算量小、获取简单，但对于语音

原创 食物声音识别-前期数据分析

**食物声音识别-前期数据分析**前面我们熟悉了一下建模的基本流程，但实际上建模之前我们除了了解背景资料、建模目的之外，还需要针对已有的数据进行观察分析。前期的分析主要是描述性分析，即对数据是什么类型的、分布情况是什么样子的有一个基本的了解。这个主要涉及数据统计及绘图。本次主要是音频数据，所以首先我们需要来了解下都有哪些数据，数据量是多少等。观察数据包发现数据集是一个类别一个文件夹，同时类别文件夹下有好多个.wav格式的音频文件，本能反应，我们会想知道这里面一共有多少个类别，每个类别有多少数

原创 食物声音识别建模流程

食物声音识别建模流程一、环境配置问题1、修改Jupyter notebook文件打开及保存路径（默认是在C盘），**step1:**打开Anaconda Prompt,执行：jupyter notebook --generate-config**step2:**根据输出的路径，找到jupyter_notebook_config.py这个文件，用记事本打开**step3:**创建要保存Jupyter notebook文件的文件夹，复制路径**step4:**在jupyter_notebook_co