- 博客(13)
- 收藏
- 关注
RSS订阅原创 python 类型转换 整型int 字符型str 浮点型float
类型转换 转换为整型 int(x, base=10) 转换为字符串 str(object='') 转换为浮点型 float(x) 【例子】 print(int('520')) # 520 print(int(520.52)) # 520 print(float('520.52')) # 520.52 print(float(520)) # 520.0 print(str(10 + 10)) # 20 print(str(10.1 + 5.2)) # 15.3 5. print() 函数 p
2020-08-04 10:56:31
2960
原创 函数与Lambda表达式
函数与Lambda表达式 1. 函数 还记得 Python 里面“万物皆对象”么？Python 把函数也当成对象，可以从另一个函数中返回出来而去构建高阶函数，比如： 参数是函数 返回值是函数 函数的定义 函数以def关键词开头，后接函数名和圆括号()。 函数执行的代码以冒号起始，并且缩进。 return [表达式] 结束函数，选择性地返回一个值给调用方。不带表达式的return相当于返回None。 def functionname(parameters): "函数_文档字符串" fu
2020-08-02 22:39:57
203
原创 datawhale 字典集合和序列
字典 1. 可变类型与不可变类型 序列是以连续的整数为索引，与此不同的是，字典以"关键字"为索引，关键字可以是任意不可变类型，通常用字符串或数值。 字典是 Python 唯一的一个 映射类型，字符串、元组、列表属于序列类型。 那么如何快速判断一个数据类型 X 是不是可变类型的呢？两种方法： 麻烦方法：用 id(X) 函数，对 X 进行某种操作，比较操作前后的 id，如果不一样，则 X 不可变，如果一样，则 X 可变。 便捷方法：用 hash(X)，只要不报错，证明 X 可被哈希，即不可变，反过来不可被
2020-07-31 23:06:29
170
原创 列表、元组和字符串
列表 简单数据类型 整型<class 'int'> 浮点型<class 'float'> 布尔型<class 'bool'> 容器数据类型 列表<class 'list'> 元组<class 'tuple'> 字典<class 'dict'> 集合<class 'set'> 字符串<class 'str'> 1. 列表的定义 列表是有序集合，没有固定大小，能够保存任意数量任意类型的 Python 对象，语
2020-07-28 23:01:43
289
原创 Datawhale异常处理
异常处理 1. Python 标准异常总结 BaseException：所有异常的 基类 Exception：常规异常的 基类 StandardError：所有的内建标准异常的基类 ArithmeticError：所有数值计算异常的基类 FloatingPointError：浮点计算异常 OverflowError：数值运算超出最大限制 ZeroDivisionError：除数为零 AssertionError：断言语句（assert）失败 AttributeError：尝试访问未知的对象属性 EOFEr
2020-07-25 22:13:45
134
原创 Datawhale条件语句、循环语句
条件语句 1. if 语句 if expression: expr_true_suite if 语句的 expr_true_suite 代码块只有当条件表达式 expression 结果为真时才执行，否则将继续执行紧跟在该代码块后面的语句。 单个 if 语句中的 expression 条件表达式可以通过布尔操作符 and，or和not 实现多重条件判断。 【例子】 if 2 > 1 and not 2 > 3: print('Correct Judgement!') #
2020-07-23 22:28:48
120
原创 Datawhale 变量、运算符、数据类型及位运算
1. 注释 在 Python 中，# 表示注释，作用于整行。 例如：#这是一个变量 ''' ''' 或者 """ """ 表示区间注释，在三引号之间的所有内容被注释 2.运算符 算术运算符 ------以不熟悉的为例 操作符 名称 示例 / 除 3 / 4 // 整除（地板除） 3 // 4 % 取余 3 % 4 ** 幂 2 ** 3 比较运算符 操作符 名称 示例 > 大于 2 > 1 >= 大于等于 2 >= 4 &l
2020-07-22 22:57:32
112
原创 Datawhale 零基础入门CV赛事-Task5 模型集成
Task5 模型集成 提高深度学习模型精度的方法 1.Dropout Dropout可以作为训练深度神经网络的一种技巧。在每个训练批次中，通过随机让一部分的节点停止工作。同时在预测的过程中让所有的节点都其作用。 Dropout经常出现在在先有的CNN网络中，可以有效的缓解模型过拟合的情况，也可以在预测时增加模型的精度。 在全连接神经网络中使用方法： class Classifier(nn.Module): def __init__(self): super().__init__()
2020-06-02 22:48:54
117
原创 Datawhale 零基础入门CV赛事-Task4 模型训练与验证
零基础入门CV赛事-Task4 模型训练与验证 1 构建验证集 训练集和验证集是分开的，所以模型在验证集上面的精度在一定程度上可以反映模型的泛化能力。 在划分验证集的时候，需要注意验证集的分布应该与测试集尽量保持一致，不然模型在验证集上的精度就失去了指导意义。 这里的分布一般指的是与标签相关的统计分布，比如在分类任务中“分布”指的是标签的类别分布，训练集-验证集-测试集的类别分布情况应该大体一致；如果标签是带有时序信息，则验证集和测试集的时间间隔应该保持一致。 本题是直接给出了测试集和训练集。 train_
2020-05-30 19:24:44
155
原创 Datawhale 零基础入门CV赛事-Task3 字符识别模型
1、构建MNIST数据的CNN模型 为更好的完成这道题，作者先去学习了一下经典字符识别MNIST的CNN模型： class Net(nn.Module): def __init__(self): super(Net,self).__init__() self.conv1=torch.nn.Conv2d(1,10,kernel_size=5) self.conv2=torch.nn.Conv2d(10,20,kernel_size=5)#卷积
2020-05-26 19:16:39
112
原创 Datawhale 零基础入门CV赛事-Task2 数据读取与数据扩增
数据读取与数据扩增 1、图像读取 在本赛题中，我们主要使用openCV，OpenCV是一个跨平台的计算机视觉库，最早由Intel开源得来。OpenCV发展的非常早，拥有众多的计算机视觉、数字图像处理和机器视觉等功能。 ```python img=cv2.imread('mchar_train/000003.png') img=cv2.cvtColor(img, cv2.COLOR_BGR2RGB) img=cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) `` 2、Pytorc
2020-05-23 18:20:59
126
原创 计算机视觉CV入门-街景字符识别-Task1.赛题理解
街景字符识别-Task1.赛题理解 文字识别是计算机视觉研究领域的分支之一，归属于模式识别和人工智能，是计算机科学的重要组成部分。 赛题背景 计算机文字识别，俗称光学字符识别，英文全称是Optical Character Recognition(简称OCR)，它是利用光学技术和计算机技术将图片上的文字读取出来，并转换成一种计算机能够接受、人又可以理解的格式。OCR技术是实现文字高速录入的一项关键技术。但现在更流行使用基于深度学习下的CNN字符识别。 图像预处理相关理论 1、图像预处理 输入文本经过扫描仪进入
2020-05-20 19:30:18
399
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