- 博客(38)
- 收藏
- 关注
RSS订阅原创 R-CNN和YOLO的各自优缺点
选择 R-CNN 系列：对于对精度要求高、可以接受较慢速度的应用场景，如医疗图像分析、科学研究等。选择 YOLO：对于强调实时性和高速度的应用，如智能监控、自动驾驶等。
2024-06-29 16:22:50
498
原创 R-CNN系列和YOLO系列的区别
R-CNN系列算法首先通过选择性搜索（Selective Search）或类似的方法生成候选区域（region proposals），然后对每个候选区域应用CNN来提取特征，并最终进行分类和边界框回归。这种两阶段的方法使得R-CNN系列算法能够在较为精细的层次上对物体进行定位和分类，但也导致了一定的计算成本较高和速度较慢。综上所述，R-CNN系列算法和YOLO在物体检测中的选择取决于具体的应用需求，包括速度、精度和应用场景等方面的考量。
2024-06-29 15:51:55
344
原创 什么是熵、熵增是什么？
熵增定律提供了一种描述封闭系统熵变化的基本规律。根据熵增定律，封闭系统内的熵只能增加或保持不变，这与系统的有序程度有直接关系。
2024-06-22 23:21:31
701
原创 “Error: ModuleNotFoundError No module named ‘yapf’”的成功解决方法
“Error: ModuleNotFoundError No module named ‘yapf’”的成功解决方法。
2024-04-25 17:11:20
299
原创 “AttributeError: module ‘numpy‘ has no attribute ‘float‘”的成功解决方法
“AttributeError: module 'numpy' has no attribute 'float'”的成功解决方法
2024-04-15 16:01:47
2446
原创 “AssertionError: Torch not compiled with CUDA enabled“的成功解决方法
"AssertionError: Torch not compiled with CUDA enabled"的成功解决方法。
2024-02-17 15:38:12
3308
原创 “AttributeError: module ‘numpy‘ has no attribute ‘bool‘”的成功解决方法
方法1：将NumPy的版本降级，但是得注意并不是随便将至以前的版本都可以。目前最新的的NumPy版本（如1.26版本）中已经不再使用这个别名。方法2：如果确实需要使用NumPy标量类型，可以将代码中的。，解决这个报错问题。
2024-02-17 14:15:19
1713
1
原创 关于深度学习中Top-1与Top-5评价标准的理解
对评估模型预测准确性的指标： Top-1错误率、Top-5错误率，Top-1正确率、Top-5正确率的理解
2023-08-18 22:11:45
2042
2
原创 The kernel has died, and the automatic restart has failed.问题的解决
jupyter notebook 报错：The kernel has died, and the automatic restart has failed.问题的解决
2022-04-30 15:23:22
2178
原创 jupyter notebook 报错 500 : Internal Server Error的解决方法
解决Jupyter notebook 报错 500 : Internal Server Error的方法
2022-04-09 18:20:51
18342
23
原创 将Anaconda设置为国内镜像源的方法
因为Anaconda默认使用国外镜像源，下载速度相对较慢，为了节省时间提高效率，需要将源设置修改为国内镜像源，配置国内镜像源方法如下。
2022-04-09 09:02:59
45632
3
原创 TypeError: ‘zip‘ object is not subscriptable解决
解决方法：使用list包装zip对象，如下：list(zip(regions,values))
2022-03-29 13:32:40
2915
原创 Python导入pandas包时，出现“numpy.ufunc size changed, may indicate binary incompatibility”错误
import pandas出现 ValueError: numpy.ufunc size changed, may indicate binary incompatibility. Expected 216 from C header, got 192 from PyObject二、问题分析：出现这种原因是numpy与pandas版本不匹配。
2021-12-31 22:12:26
3169
1
原创 Pyecharts多种常见的可视化基本图表
Pyecharts介绍Echarts是一款由百度开发的开源数据可视化JS库，而pyecharts是一款使用python调用echarts生成数据可视化的库，可实现折线图，饼状图，柱状图和地图等统计图表。1.pyecharts——散点图from pyecharts.charts import Scatterx = ['N0', 'N1', 'N2', 'N3', 'N4']y = [1, 3, 5, 6, 8]Scatter = (Scatter().add_xaxis(x).add_yaxis
2021-12-31 18:01:04
2243
原创 Python分析《雪中悍刀行》danmu，看看网友们观看时有什么吐槽
利用python分析爬取到的《雪中悍刀行》danmu评论，看看网友们观看时都有什么评论。
2021-12-28 22:54:36
1093
原创 Python读取csv文件时添加表头/列名
有时，我们读取的csv文件数据时发现没有表头/列名，是因为Python读取csv文件数据本来就没有表头，用pandas.read读取时，则第一行自动会被识别为columns，从而给后面的分析造成不便，这时候需要在读取文件数据的同时添加列名。解决方法：1、在读取文件数据之后再定义列名df = pd.read_csv('评论.csv',header=None)df.columns = ["昵称","性别","评论时间","评论"] #添加自定义的columns的名字2、在读取文件数据的同时定义列名
2021-08-05 15:11:35
16226
2
原创 解决Python包下载慢/超时的方法
pip直接安装第三方包慢在利用python中，我们经常需要使用到各种各样的库。其中，pip是我们常用的安装工具，一般情况下我们基本上是直接pip方法安装第三方包。但是直接利用使用pip方法安装第三方包时，有时下载速度实在太慢，且会导致超时，这是因为此时它下载是基于国外源的。那么我们就要使用其他办法。解决Python包下载慢的方法因为直接利用使用pip方法安装第三方包时，我们需要安装第三方包是在国外的服务器，所以访问下载自然就很慢，但是我们可以利用国内的镜像站，进行访问下载速度，这样下载速度自然而然就快
2021-07-25 11:55:44
12129
1
转载 超详细的Python环境配置教程
说明此教程是一个较为详细的Python入门内容教程。主要内容为python环境配置教程，包括Anaconda，PyCharm，Jupyter notebook的安装与配置，及其常用的技巧。详见原文：https://blog.csdn.net/qq_35789981/article/details/119010386...
2021-07-24 09:25:43
200
原创 解决XLRDError: Excel xlsx file； not supported
报错原因之所以有“XLRDError: Excel xlsx file; not supported”报错，是因为最近的xlrd更新到了2.0.1版本，它只支持.xls文件。解决方法可以直接利用openpyxl代替xlrd打开.xlsx文件，如：df = pd.read_excel('在售二手房数据.xlsx',engine='openpyxl')也可以安装旧版的xlrd：pip uninstall xlrdpip install xlrd==1.2.0...
2021-06-28 11:25:33
11132
原创 利用命令快速查看MySQL创建的数据库在电脑中的存储路径
利用命令快速查看MySQL创建的数据库在电脑中的存储路径步骤：Win+R键 输入cmd打开登录本机的MySQL(自己设置的账号+密码)输入查看数据存储位置的指令： show variables like '%datadir%';结果如图所示：根据上图中datadir显示的路径就可以查找到自己创建的数据库在电脑中的存储文件夹。...
2021-06-27 10:51:05
3388
原创 解决：TypeError: add_yaxis() got an unexpected keyword argument ‘y_axis‘
问题描述：利用pyecharts.charts画图时给y轴赋值使用y_axis时报错：TypeError: add_yaxis() got an unexpected keyword argument ‘y_axis’解决方法：将上图源码中的 ‘y_axis’ 改为 ‘yaxis_data’ 即可正常运行代码。...
2021-06-26 09:40:49
3331
原创 玩转Matplotlib绘制柱形图（二）
1.简单柱形图：在柱形图上添加数值标签import matplotlib.pyplot as plt# 中文显示处理plt.rcParams['font.sans-serif'] = [u'SimHei']plt.rcParams['axes.unicode_minus'] = False# 设置绘图风格plt.style.use('ggplot')# 构造数据c_means = [80, 75, 79, 72, 87]# 绘图plt.bar(range(5), c_means,
2021-05-21 11:24:11
1149
原创 玩转Matplotlib绘制柱形图
使用Python Matplotlib模块中的bar()函数绘制柱形图,可视化直观地对比数据，代码如下：import pandas as pd import numpy as npimport matplotlib.pyplot as pltx = [1, 2, 3, 4, 5, 6, 7, 8,9]y = [50, 55, 39, 36, 52, 77, 60, 60,65]plt.bar(x,y)plt.show()如果想要改变柱形图中每根柱子的宽度和颜色，可以通过设置bar()函
2021-05-12 23:07:34
1006
2
原创 ValueError: Input contains NaN, infinity or a value too large for dtype(‘float64‘)or(‘float32‘)
利用Python建模进行预测时遇到ValueError: Input contains NaN, infinity or a value too large for dtype(‘float64’)和(‘float32’).（输入包含NaN、无穷大或对dtype太大的值）NaN类型的解决方法：1、检查数据中是否有缺失值print(np.isnan(df['X']).any())输出结果中Flase: 表示数据中无缺失值True: 表示数据中有缺失值2、如果数据集存在缺失值，则2.1 删
2021-05-10 22:40:59
2947
1
原创 数字组合--利用Python实现
问题：有四个数字：2、3、4，5 能组成多少个互不相同且不重复数字的三位数？分别是？答案：2 3 42 3 52 4 32 4 52 5 32 5 43 2 43 2 53 4 23 4 53 5 23 5 44 2 34 2 54 3 24 3 54 5 24 5 35 2 35 2 45 3 25 3 45 4 25 4 3sum: 24实现的源码为sum = 0for i in range(2, 6): for j in range(
2021-04-12 13:36:02
712
原创 利用python合并csv文件
1. 将两个相同的csv文件进行数据合并，通过pandas的read_csv和to_csv两个方法来完成，即采用concat方法：#加载第三方库import pandas as pdimport numpy as np#读取文件df1 = pd.read_csv("文件-1.csv")df2 = pd.read_csv("文件-2.csv")#合并df = pd.concat([df1,df2])df.drop_duplicates() #数据去重#保存合并后的文件df.to_c
2021-04-08 22:26:06
15499
4
原创 数据预处理之--标准化
1.数据预处理简介数据预处理的两个关键是数据规范化和特征缩放。方法包括应用仿射法在保持数据完整性的前提下，将当前不平衡的数据映射到更易于处理的形状中，使其表现出更好的随机属性并改进模型。标准化的一般目标是通过数据规范化和特征缩放使数据分布更接近正态分布。2.规范化和特征缩放数据集预处理中一个非常重要的步骤是规范化和特征缩放。数据规范化将使得优化方法，特别是迭代方法，收敛得更好，并使数据更易于处理。3.规范化或标准化规范化或标准化旨在赋予数据集具有平均值为0、标准差为1的标准正态分布属性，获得标准正
2021-04-06 19:14:38
1143
原创 利用python删除csv文件中的某几列或行
1. 读取数据用pandas中的read_csv()函数读取出csv文件中的数据:import pandas as pddf = pd.read_csv("comments.csv")df.head(2)用drop函数进行文件中数据的删除行或者删除列操作。2. 删除列操作方法一：假设我们要删除的列的名称为 ‘观众ID’,‘评分’ :df=df.drop(['观众ID','评分'],axis=1)方法二：#删除指定列df.drop(columns=["城市"])即可删除指定的列
2021-04-05 21:05:42
51708
15
原创 经验误差与过拟合
1. 经验误差一般在分类问题中，我们把分类错误的样本数占样本总数的比例称作“错误率”，即如果在m个样本中有a个样本分类错误，则错误率为E=a/m；则相对的，1-E称为精度，即精度=1-错误率。更一般的，我们把学习器的实际预测输出与样本的真实输出之间的差异称为误差，学习器在训练集上的误差称为训练误差或经验误差，在新样本上的误差称为测试误差或泛化误差。2. 过拟合不过，当模型把训练样本学得“太好”时，很可能已经把训练样本自身的一些特点当作了所有潜在样本都会具有的一般性质，这样会致使泛化性能的下降，这种现
2021-04-05 09:15:05
416
原创 机器学习的类型简介
机器学习可以分为三大部分1.监督学习（Supervised Learning）2.无监督学习（Unsupervised Learning）3.强化学习（Reinforcement Learning）1. 监督学习（Supervised Learning）定义：利用一组已知类别的样本调整分类器的参数，使其达到所要求性能的过程，也称为监督训练或有导师学习。即根据已有的数据集，知道输入和输出结果之间的关系。 监督学习是从标记的训练数据来推断一个功能的机器学习任务。 常见的有监督学习算
2021-04-03 08:40:20
2357
1
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