学习笔记
文章平均质量分 82
美少女战士1@
这个作者很懒,什么都没留下…
展开
-
【Python】复习12:标准库与第三方库
标准库和第三方库都是Python编程中不可或缺的资源。标准库提供了基础的功能和工具,而第三方库则用于扩展Python的功能并满足特定的需求。在使用这些库时,你需要了解它们的安装方法、导入方式以及提供的函数和类,以便能够有效地利用它们来编写高质量的Python代码。原创 2024-03-20 14:57:44 · 1454 阅读 · 0 评论 -
【Python】复习11:Lambda 函数与匿名函数
当函数体非常简单时,可以使用Lambda函数替代常规的函数定义。# 使用Lambda函数定义一个简单的加法函数print(result) # 输出: 7。原创 2024-03-20 14:35:07 · 695 阅读 · 0 评论 -
【Python】复习6:异常处理
在Python中,异常处理是一种强大的错误处理机制,它允许程序在运行时检测到错误或异常情况,并决定如何响应这些状况。通过合理使用异常处理机制,你可以确保你的Python程序在遭遇错误时能够优雅地处理它们,而不是简单地崩溃。块中的代码引发了异常,Python会立即停止执行当前。如果发生了其他类型的异常,那么最后一个。块中的代码没有引发异常,那么程序会继续执行。语句块,你可以控制程序在发生异常时的行为。语句块中包含了可能会引发异常的代码。块中的剩余代码,并跳转到相应的。语句块是可选的,它会在。原创 2024-03-18 10:48:43 · 382 阅读 · 0 评论 -
【Python】复习8:列表推导式与字典推导式
列表推导式(List Comprehension)和字典推导式(Dictionary Comprehension)都是Python编程语言中非常实用的特性,它们允许用户以一种简洁、高效的方式创建新的列表或字典。这些场景只是字典推导式应用的一部分,实际上,只要有需要从其他数据结构生成或转换字典的需求,就可以考虑使用字典推导式。总的来说,列表推导式和字典推导式都是Python中非常强大的工具,它们允许我们以简洁、易读的方式处理数据,提高了代码的可读性和效率。例如,读取文件中的每一行,并去除行首尾的空白字符。原创 2024-03-19 00:30:00 · 1796 阅读 · 0 评论 -
【Python】复习9:迭代器与生成器
生成器(Generator)是Python中一个非常强大的特性,它允许你创建一个迭代器,该迭代器可以一次生成(或“产出”)一个值,而不是一次性计算并返回所有值。生成器特别适用于处理大量数据或无限序列的情况,因为它可以有效地节省内存。生成器通常通过两种方式创建:使用生成器函数或生成器表达式。原创 2024-03-19 10:15:00 · 941 阅读 · 0 评论 -
【Python】复习10:装饰器与上下文管理器
装饰器和上下文管理器都是Python中非常有用的工具,但它们的用途和用法不同。装饰器主要用于在不修改原始代码的情况下为函数或类添加额外的功能,而上下文管理器则主要用于处理资源的初始化和清理,确保在代码块执行前后执行特定的操作。在实际编程中,你可以根据具体的需求选择使用装饰器还是上下文管理器,或者将它们结合起来使用以实现更复杂的逻辑。原创 2024-03-19 11:34:23 · 576 阅读 · 0 评论 -
【Python】复习7:面向对象编程(OOP)
抽象是忽略一个主题中与当前目标无关的那些方面,以便充分地注意与当前目标有关的方面。在Python中,可以使用抽象基类(通过。原创 2024-03-18 14:09:42 · 1221 阅读 · 0 评论 -
【Python】复习5:文件操作
关闭文件是一个重要的步骤,因为它会释放系统资源,并确保所有挂起的文件操作(如写入)都被正确地执行。函数允许你以特定的模式打开一个文件,并返回一个文件对象,你可以通过这个对象进行读取、写入或其他文件操作。函数打开文件后,你会得到一个文件对象。语句会自动管理文件的上下文,当代码块执行完毕后,它会自动关闭文件,即使发生异常也是如此。请注意,文件操作可能会引发异常(如文件不存在、没有写入权限等),因此在实际编程中,你可能需要使用。注意,在写入模式(‘w’)下,如果文件已存在,它的内容会被新内容覆盖。原创 2024-03-18 10:26:41 · 975 阅读 · 0 评论 -
【Python】复习4:模块与包
在Python中,模块是一个包含Python代码的文件,这个文件可以有函数、类和变量的定义。通过导入模块,我们可以使用模块中定义的函数、类和变量,而无需复制和粘贴代码。包的主要目的是提供一种组织模块的方式,特别是当你有大量的模块,或者模块之间有复杂的依赖关系时。在Python中,模块和包是用于组织代码的重要工具,它们有助于将相关的函数、类和变量分组在一起,从而提高代码的可读性、可维护性和重用性。使用模块不仅可以提高代码的可读性和可维护性,还可以促进代码的重用,减少冗余代码,并使得大型项目的组织更加有序。原创 2024-03-16 09:15:00 · 704 阅读 · 0 评论 -
【Python】复习3:函数
在Python中,函数是一种封装可重复使用的代码块的方式。通过定义函数,你可以将一段特定的代码逻辑组织在一起,并给它一个名字。然后,你可以在任何需要的地方通过调用这个函数的名字来执行这段代码。"""这个函数用于向某人打招呼"""def greet(name) : """这个函数用于向某人打招呼""" print(f"Hello, {name }!") # 调用函数 greet("Alice") # 输出: Hello, Alice!greet("Bob") # 输出: Hello, Bob!!")原创 2024-03-16 00:45:00 · 838 阅读 · 0 评论 -
【Python】复习2:条件语句与循环
在实际应用中,条件语句和循环语句通常结合使用,以实现复杂的逻辑和数据处理功能。:避免过深的循环嵌套,这可以提高代码的可读性并减少出错的可能性。在编写条件语句和循环时,确实需要遵循一些规则和最佳实践,以确保代码的正确性、可读性和效率。:对于大型数据集或性能敏感的代码,考虑优化循环和条件语句的性能。:确保条件表达式简洁明了,避免使用复杂的逻辑运算,这样可以提高代码的可读性。:确保循环条件清晰明了,循环应该有一个明确的终止条件,以避免无限循环。时,确保条件的顺序是逻辑上的,以便在条件满足时立即执行相应的代码块。原创 2024-03-15 14:16:21 · 783 阅读 · 0 评论 -
【Python】复习1.要掌握的重点基础知识
例如,如果你需要存储用户的信息,并且每个用户的信息都是唯一的,那么使用字典是合适的,因为字典的键是唯一的。如果你需要存储一系列的元素,并且这些元素的顺序很重要,那么列表是更好的选择。如果你有一组元素需要快速地进行成员关系测试,并且不需要保持元素的顺序,那么集合是理想的选择。例如,对于包含大量元素的集合,集合的成员关系测试通常比列表更快,因为集合在内部使用了哈希表来存储元素。变量与数据类型是Python编程中的基础,下面我将重点介绍这两个概念的关键知识点,并给出实际应用中的代码实现。原创 2024-03-15 11:27:45 · 987 阅读 · 0 评论 -
【Python】一个实用的爬虫代码示例
在实际应用中,你可能需要针对目标网站的具体结构进行调整,例如处理相对路径、处理懒加载的图片、检查图片格式等。此外,如果目标网站有反爬机制,你可能还需要采取额外的措施来绕过这些限制。:在爬取过程中,可能会遇到各种异常,如网络错误、反爬机制等,需要添加异常处理逻辑来确保程序的稳定性。当你的IP地址被目标网站封禁时,可以通过使用代理IP来继续爬取。如果可能的话,分析目标网站的反爬机制,并尝试找到绕过它们的方法。:如果需要爬取多个页面,通常可以通过修改URL中的分页参数或寻找页面中的“下一页”链接来实现。原创 2024-03-15 11:08:53 · 1014 阅读 · 0 评论 -
【探索AI】三十二-计算机视觉(七)实践项目与案例分析
请注意,对于ImageNet数据集,由于其规模庞大和复杂性,通常需要更多的代码和计算资源,并且可能涉及预训练模型的迁移学习等高级技术。对于ImageNet这样的大型数据集,通常需要使用预训练的模型(如ResNet、Inception等)进行迁移学习,并且需要更多的计算资源来训练和评估模型。由于视频分析项目的具体实现依赖于所使用的深度学习框架和模型结构,我将提供一个基于PyTorch和3D卷积神经网络(3D CNN)的简化代码实例,用于从视频中提取时空特征。你也可以使用自己的数据集,但需要进行相应的标注。原创 2024-03-13 20:00:00 · 1974 阅读 · 0 评论 -
【探索AI】三十-计算机视觉(五)视频处理与动态分析
姿态估计的结果为动作识别提供了重要的输入特征,而动作识别的结果也可以作为一种先验知识反馈到姿态估计中,对姿态的推理和计算进行指导。通过姿态估计,计算机可以识别出图像或视频中的人体的关键关节点,如头、肘、腕等,并估计出这些关节点的位置和方向。这种方法的核心在于通过分析图像序列中像素强度的时域变化和相邻帧之间的相关性,来找到相邻帧之间存在的对应关系,从而计算出物体的运动信息。综上所述,人体姿态估计和动作识别是行为识别的两个核心组成部分,它们通过相互协作和相互促进,实现对人体行为的自动分析和理解。原创 2024-03-13 00:45:00 · 1140 阅读 · 0 评论 -
【探索AI】三十一-计算机视觉(六)深度学习在计算机视觉中的应用
随着深度学习技术的不断进步和应用场景的拓展,我们可以期待计算机视觉领域将会取得更多的突破和创新,为人们的生活和工作带来更多便利和价值。它是指在预训练模型的基础上,通过在新任务的数据集上进行进一步训练来调整模型的参数,以适应新任务的需求。首先,我们来看图像分类。通过迁移已有的知识和经验,并结合微调对新任务进行有针对性的优化,我们可以提高模型的性能和泛化能力,为人工智能领域的发展带来更多创新和突破。通过迁移学习和微调的结合,我们可以利用已有的知识和经验来加速新任务的训练过程,同时提高模型的准确性和泛化能力。原创 2024-03-13 12:15:00 · 1001 阅读 · 1 评论 -
python-常用的库及常用函数
具体使用哪个库和函数取决于你的测试需求,例如你要测试的是Web应用还是移动应用,以及你的测试环境。Appium是一个用于移动应用(iOS和Android)的自动化测试框架,它允许你使用WebDriver协议来测试原生、移动Web和混合应用。虽然unittest不是专门用于UI自动化的库,但它是Python的标准测试框架,经常与上述库结合使用来编写和管理UI测试用例。Selenium是一个用于Web应用程序测试的工具,它支持多种浏览器,并提供了丰富的API来进行UI自动化测试。原创 2024-03-06 11:43:16 · 747 阅读 · 0 评论 -
【探索AI】计算机视觉-常用的库及常用的函数
计算机视觉学习中,常用的库及常用的函数在计算机视觉应用中,常用的库及其相关的常用函数大致可以分为图像处理类、数学类和神经网络类。原创 2024-03-06 11:12:49 · 372 阅读 · 0 评论 -
【探索AI】二十九-计算机视觉(四)图像分类与目标检测
一、图像分类1. 概念图像分类是计算机视觉中的一个基本任务,目的是将输入的图像自动划分到预定义的类别中。例如,给定一张图像,系统能够识别出这是一张狗、猫、汽车还是其他物体的图片。2. 使用CNN进行分类卷积神经网络(CNN)是图像分类任务中最常用的模型。CNN通过卷积层、池化层、全连接层等结构,能够自动提取图像中的特征并进行分类。3. 经典CNN模型AlexNet:由Alex Krizhevsky等人于2012年提出,赢得了当年ImageNet图像分类竞赛的冠军,标志着深度学习在图像分类领域的崛起。原创 2024-03-07 10:00:00 · 1221 阅读 · 0 评论 -
【探索AI】二十八-计算机视觉(三)特征提取与描述
特征提取与描述一、传统特征提取方法尺度空间极值检测:SIFT首先在不同的尺度空间上搜索关键点。这些尺度空间是通过将原始图像与不同尺度的高斯核进行卷积得到的。关键点定位:在每个尺度空间的极值点位置,通过拟合一个三维二次函数来精确确定关键点的位置和尺度,并去除不稳定的关键点。方向分配:基于关键点周围的局部图像梯度方向,为每个关键点分配一个或多个主导方向,以实现旋转不变性。描述子生成:在关键点周围选取一个邻域,并计算该邻域内像素的梯度方向和大小,形成一个特征向量,即描述子。Hessian矩阵。原创 2024-03-06 15:15:00 · 743 阅读 · 0 评论 -
【探索AI】程序员如何选择职业赛道?
因此,程序员在选择职业赛道时,应该充分了解不同技术的优势和劣势,并根据自己的兴趣和市场需求做出明智的选择。同时,随着经验的积累和技能的提升,程序员也可以逐步调整自己的职业方向,以实现个人职业发展和满足感。通过不断学习和提升自己的技能水平,适应市场的变化和发展趋势,从而更好地实现个人职业发展和市场需求的匹配。程序员的职业赛道就像是一座迷宫,有前端的美丽花园,后端的黑暗洞穴,还有数据科学的神秘密室。尝试选择一些具有挑战性的项目,如开源项目或自己的个人项目,以锻炼自己的技能并探索新的领域。原创 2024-03-05 17:10:57 · 883 阅读 · 0 评论 -
【探索AI】二十七-计算机视觉(二)图像处理基础
数字图像表示数字图像是由像素(Pixels)组成的,每个像素都有一个或多个数值,这些数值代表了该像素在图像中的颜色和亮度信息。数字图像可以看作是一个二维数组,其中每个元素对应图像中的一个像素。色彩空间RGB色彩空间:最常见的色彩空间之一,由红(Red)、绿(Green)和蓝(Blue)三个基色组成。每个颜色通道的强度范围通常是0-255,通过不同强度的组合可以表示出丰富的颜色。灰度色彩空间:这是一种简化的色彩空间,只有一个通道,表示图像的亮度信息。原创 2024-03-06 11:30:00 · 400 阅读 · 0 评论 -
【探索AI】二十六-计算机视觉(一)计算机视觉概述
计算机视觉(Computer Vision)是人工智能领域的一个重要分支,其目标是让机器能够像人一样解析、理解甚至识别各种图像和视频中的信息。这一技术不仅涉及图像处理和模式识别,还结合了机器学习、深度学习、光学、几何学等多个学科的知识。计算机视觉旨在通过算法和模型,使计算机能够模拟人类的视觉系统,对输入的数字图像或视频序列进行各种分析,以完成识别、跟踪、测量、分类等任务。未来,随着技术的不断进步和应用需求的增长,计算机视觉将在更多领域发挥重要作用,为人们的生活带来更多便利和惊喜。原创 2024-03-06 08:30:00 · 215 阅读 · 0 评论 -
【探索AI】二十五 深度学习之第8周:深度学习项目实战
要实现上述基于深度学习的图像分类项目,你需要遵循一系列步骤来构建、训练和评估你的模型。请注意,这只是一个基本的示例,实际的项目可能会更加复杂,并需要更多的数据和调优。随着大数据和人工智能技术的快速发展,图像分类技术在各个领域得到了广泛应用,如安防监控、医疗诊断、自动驾驶等。请注意,这只是一个起点,你可能需要对模型结构、学习率、批大小、迭代次数等进行调整,以便在实际应用中提高模型的性能。根据实际需求,列出项目所需的硬件资源(如GPU)、软件资源(如深度学习框架、图像处理库)等,并计算相应的预算。原创 2024-03-05 15:40:00 · 1036 阅读 · 0 评论 -
【探索AI】二十四 深度学习之第7周:深度学习在实际应用中的案例
后面的文章会详细开展对计算机视觉的学习笔记,本章简要记录;原创 2024-03-05 14:44:51 · 191 阅读 · 0 评论 -
【探索AI】二十三 深度学习之第6周:深度学习的优化技术
深度学习的优化技术概述优化技术概述梯度下降法梯度下降法改进其他优化技术概述优化技术概述梯度下降法梯度下降法改进其他优化技术原创 2024-03-05 00:30:00 · 188 阅读 · 0 评论 -
【探索AI】二十二 深度学习之第5周:生成对抗网络(GAN)
在Python中,您可以使用深度学习库(如TensorFlow或PyTorch)定义GAN的生成器和判别器网络。原创 2024-03-04 17:15:14 · 914 阅读 · 0 评论 -
【探索AI】二十一 深度学习之第4周:循环神经网络(RNN)与长短时记忆(LSTM)
选择适当的损失函数和优化器。对于分类任务,通常使用交叉熵损失(CrossEntropyLoss)和Adam优化器。原创 2024-03-04 12:08:20 · 1258 阅读 · 0 评论 -
【探索AI】人人都在讲AIGC,什么是AIGC?
"人工智能生成创造(Artificial Intelligence Generated Content,AIGC)"是指利用人工智能技术生成各种形式的创作内容,包括图像、音频、视频等。AIGC 是人工智能在创意领域的应用,通过机器学习、深度学习等技术,让计算机具备创作和生成内容的能力。在 AIGC 领域,目前最为广泛应用的技术包括生成对抗网络(GAN)、变分自动编码器(VAE)、神经风格迁移等。这些技术能够模仿艺术家的风格、学习输入数据的特征,从而生成类似但又独特的创作内容。原创 2024-03-01 10:48:44 · 1696 阅读 · 0 评论 -
【探索AI】十七 深度学习之第3周:卷积神经网络(CNN)(一)-CNN的基本原理与结构
卷积神经网络(CNN)是深度学习领域中的一种重要算法,具有强大的表征学习能力,能够按照其阶层结构对输入信息进行平移不变分类,因此也被称为“平移不变人工神经网络(SIANN)”。它在深度学习中占据了重要地位,广泛应用于图像识别、计算机视觉、自然语言处理、语音识别和推荐系统等领域。CNN在图像处理和计算机视觉方面的应用尤为突出,这是因为CNN具有局部感知和权值共享的特性,能够有效地减少模型的参数数量,并增强模型的泛化能力。原创 2024-03-03 00:15:00 · 951 阅读 · 0 评论 -
【探索AI】十六 深度学习之第2周:深度神经网络(五)实践与应用
损失函数选择适当的损失函数,根据任务类型(分类、回归等)来定义损失函数。优化器选择合适的优化器,如SGD、Adam等,用于更新模型参数以最小化损失函数。原创 2024-03-02 16:46:37 · 393 阅读 · 0 评论 -
【探索AI】十五 深度学习之第2周:深度神经网络(四)-批标准化与Dropout
批标准化(Batch Normalization,简称BN)是一种在深度学习训练中广泛使用的技术,它的主要目的是改善神经网络的性能和稳定性。该技术在2015年的论文中首次被引入,并迅速成为神经网络训练中的标准组件。批标准化的原理在于对神经网络的每一层输入进行归一化处理。在神经网络训练过程中,由于每层的参数更新,会导致后续层的输入分布发生变化,这种现象被称为内部协变量偏移(Internal Covariate Shift)。原创 2024-03-02 12:15:00 · 666 阅读 · 0 评论 -
【探索AI】十四深度学习之第2周:深度神经网络(三)-过拟合与正则化技术
过拟合现象是机器学习中的一个常见问题,尤其是在模型复杂度较高、训练数据相对较少或特征选择不当的情况下。简单来说,过拟合是指模型在训练数据上表现得过于优秀,以至于在训练集上的错误率非常低,但在新的、未见过的测试数据上表现却很差。在机器学习任务中,我们通常将数据集分为两部分:训练集和测试集。训练集用于训练模型,而测试集则用于评估模型在未见过数据上的性能。过拟合就是指模型在训练集上表现较好,但在测试集上表现较差的现象。当模型过度拟合训练集时,它会学习到训练数据中的噪声和异常模式,导致对新数据的泛化能力下降。原创 2024-03-02 09:30:00 · 674 阅读 · 0 评论 -
【探索AI】十三 深度学习之第2周:深度神经网络(二)参数初始化策略
深度学习 AI原创 2024-02-29 19:45:00 · 1120 阅读 · 1 评论 -
【探索AI】十一 深度学习之第1周:深度学习概述与基础
AI原创 2024-02-28 18:00:52 · 1626 阅读 · 0 评论 -
【探索AI】十一 深度学习之机器学习基础
监督学习是指从一组带有标签的训练数据中学习模型的过程。这里的“标签”指的是每个输入数据点对应的正确输出。训练数据通常分为特征(或输入)和目标(或输出)。模型的目的是基于这些带有标签的训练数据,学会从特征预测目标。原创 2024-02-28 15:10:23 · 1138 阅读 · 0 评论 -
【探索AI】八-AI(人工智能)-推荐系统
AI原创 2024-02-27 15:11:22 · 937 阅读 · 0 评论 -
【探索AI】Sora - 探索AI视频模型的无限可能
AI生成对话,整理归纳原创 2024-02-27 10:36:12 · 1355 阅读 · 1 评论 -
python-数据可视化代码实例
AI原创 2024-02-28 19:15:00 · 148 阅读 · 0 评论 -
【探索AI】十 深度学习如何入门
AI原创 2024-02-28 09:54:01 · 933 阅读 · 0 评论