全网粉丝10w+，CSDN、稀土掘金人工智能签约作者、专家博主，华为云十佳博主，985人工智能硕士。人工智能、大模型、计算机视觉、Python 爬虫— —商务合作：https://bbs.csdn.net/topics/614347534

想做这件事情很久了，这次我更新了自己所写过的所有博客，汇集成了Python从0到100，共一百节课，帮助大家一个月时间里从零基础到学习Python基础语法、Python爬虫、Web开发、 计算机视觉、机器学习、神经网络以及人工智能相关知识，成为学业升学和工作就业的先行者！

Python从0到100最全学习路线》系列文章上半篇以50篇系统性教程构建了完整的Python技术生态图谱。本文作为该系列的导航总结，将深度解析文章体系架构，揭示从到的完整成长路径，帮助开发者建立清晰的学习框架。（注：本文仅覆盖1-50篇内容分析）新专栏订阅前200名享有9.9元优惠，破200订阅上涨至19.9。订阅此专栏，免费进粉丝福利群，解答所有问题，领取各种专属福利！

机器学习如何做到疫情可视化——疫情数据分析与预测实战本文将带领大家爬取11个国家以及中国31个省（自治区、直辖市）在2022.0101-2022.06.19的新冠疫情数据。并且采用机器学习模型对2022.6.20-2022.6.30每一天的全国确诊人数、死亡人数、治愈人数进行预测，**做出疫情可视化图形并且求出最终的相关系数R2！...

Python入门这些你必须要知道！PYTHONPython入门这些你必须要知道！Python方向简介及前言Python语言特点Python可以做什么Python之禅Python基础知识及应用语法基础：高级语法：Python中的Pygame模块：Python海龟画图综合应用最后的福利hello，大家好，我是Dream，今天给大家介绍一下Python和Python的一些基础知识及应用！先点赞收藏起来吧~!Python方向简介及前言Python是一种通用的解释，交互式，面向对象和高级编程语言。Pytho

Python Web开发--Django框架：全套学习路线和知识总结

圣诞节来了，怎能没有圣诞树！作为我的粉丝朋友们，我不允许大家还没有专属于自己的圣诞树！我要让大家收到最特别最美丽的圣诞树！

圣诞节怎么能缺少圣诞树呢？Python+HTML打造专属于你的圣诞树

Transformer for Time Series (TTS-Transformer) 是一种基于自注意力机制的深度神经网络架构，专门针对时序数据处理进行优化设计。它通过多头自注意力机制捕获时序数据中的长距离依赖关系，同时结合位置编码和层归一化等技术，在保持计算效率的同时显著提升了模型对复杂时序模式的建模能力和预测精度。

Spatial Attention Neural Network（SANN） 是一种融合空间注意力机制的深度神经网络架构。它通过动态调整不同空间位置的注意力权重来突出重要的时序特征，在保持计算效率的同时显著提升了模型对时序数据的特征表达能力和分类性能。

Selective Kernel Residual Network（SKResNet） 是一种结合了选择性卷积核机制和残差连接的深度神经网络架构。它通过动态选择不同尺度的卷积核来自适应地提取多尺度特征，在保持计算效率的同时显著提升了模型的表达能力和性能。

VisionTransformer（ViT）通过其多头自注意力机制，在WISDM数据集的行为识别任务中展现了卓越的性能。相比传统卷积架构，ViT在全局特征提取和长距离依赖建模方面具有显著优势，尤其在处理动态活动的时间序列数据时表现出色。未来可通过优化注意力机制、增加数据增强或调整模型结构，进一步提升对静态活动的区分能力，推动其在更广泛场景中的应用。

ResNext 通过分组卷积与残差连接的结合，通过结构化设计，让模型在有限资源下实现更高效的特征学习，尤其在时序行为识别任务中展现出对结构化数据的强大建模能力，这一思想将继续启发后续的轻量化网络设计。实验结果表明，模型在简单动作上实现了接近完美的分类，对相似动作的区分能力也优于传统卷积架构。

空洞卷积通过扩展感受野增强了上下文信息捕捉能力，从而在复杂行为识别中占据优势。未来，可通过引入注意力机制或动态调整空洞率，进一步提升模型对相似行为的区分能力及计算效率，以适应更广泛的应用需求。

深度可分离卷积通过 “分工协作” 的设计思想，在效率与性能间取得平衡，成为轻量级神经网络的核心技术。其核心价值在于用更少的资源实现接近传统卷积的特征提取能力，推动了深度学习在边缘设备和实时任务中的落地。未来可结合注意力机制等优化手段，进一步提升模型表现力与效率。

可变形卷积网络（DCN）在PAMAP2数据集上表现出色，测试准确率达到0.9807，F1-score为0.9806，验证准确率为0.9880。其参数量（1,684,587）、FLOPs（113.48M）和推理时间（7.81ms）显示出高效的计算性能，使其非常适合实时活动识别应用，例如可穿戴设备。改进误分类：针对DescendStairs和RodeJump等类别，引入时序建模（如RNN或LSTM）或数据增强，增强模型对动态动作的区分能力。

Swin Transformer（Shifted Window Transformer）是计算机视觉领域中一种创新的Transformer变体，它结合了卷积神经网络（CNN）的局部特征提取能力和Transformer的全局建模能力，在图像分类、目标检测等任务中表现出色。

该数据集包含19项日常和体育活动的运动传感器数据，每项活动由8名受试者以自然风格完成5分钟。数据采集使用Xsens-MTx传感器（5个节点：躯干、双臂、双腿），采样频率25Hz。特别设计的多场景环境（室内体育馆、户外平坦区域）确保数据多样性。特征项说明数据模态加速度计（3轴）、陀螺仪（3轴）、磁力计（3轴）数据维度45通道（5节点×9传感器）时间分辨率5秒片段（25Hz×125样本）活动差异包含静态（A1-A4）、动态（A5-A19）及复杂场景（电梯、跑步机倾斜）受试者分布。

本文系统性地阐述了从数据预处理到深度神经网络建模的全流程解决方案，以UCI-HAR数据集为研究对象，通过Python实现多维时间序列信号的智能解析，融合了信号处理技术与卷积神经网络（CNN），构建了端到端的人类活动识别框架，并通过可视化手段深入解析模型决策逻辑。

残差网络（ResNet）通过引入“残差学习”的概念，解决了深度神经网络训练困难的问题。其核心思想是通过残差块（Residual Block）将输入直接与输出相加，从而缓解梯度消失问题，使得网络可以训练得更深。ResNet沿用了VGG完整的3 × 3卷积层设计。残差块里首先有2个有相同输出通道数的3 × 3卷积层。每个卷积层后接一个批量规范化层和ReLU激活函数。然后我们通过跨层数据通路，跳过这2个卷积运算，将输入直接加在最后的ReLU激活函数前。残差块（Residual Block）

华为自主研发的HarmonyOS（鸿蒙系统）是一款面向未来、面向全场景（移动办公、运动健康、社交通信、媒体娱乐等）的分布式操作系统。本书采用HarmonyOS最新版本作为基石，详细介绍如何基于HarmonyOS进行应用的开发，包括HarmonyOS架构、DevEco Studio、应用结构、Ability、安全管理、公共事件、通知、ArkTS、ArkUI、Stage模型、设备管理、数据管理、线程管理、视频、图像、网络管理等多个主题。本书辅以大量的实战案例，图文并茂，使读者易于理解和掌握。

WISDM数据集是一个用于人类活动识别（Human Activity Recognition, HAR）的公共数据集。数据集来源与构成WISDM数据集由福特汉姆大学计算机与信息科学系的Gary Weiss博士领导的团队创建。数据集包含了51名参与者进行的18种不同的活动，每种活动的数据都是通过佩戴在身体不同部位的智能手机和智能手表上的加速度计和陀螺仪以20Hz的频率收集得到的。数据集特点数据集中的活动包括但不限于走路、跑步、上下楼梯、坐、站等。

输入层：接收输入数据。深度可分离卷积层：减少参数数量和计算量。批量归一化层：提高训练效率和稳定性。ReLU激活函数：引入非线性。通道混合模块：增强通道间的信息流动。自适应平均池化层：适应不同尺寸的输入。全连接层：输出分类结果。这种结构设计使得 ShuffleNet 在保持高效性的同时，也具备了较强的特征提取能力。高效性：通过深度可分离卷积和通道混合技术，ShuffleNet 显著减少了参数数量和计算量，提高了模型的计算效率。灵活性：通过自适应平均池化。

猫狗数据集包括25000张训练图片，12500张测试图片，包括猫和狗两种图片。在此次实验中为了训练方便，我们取了一个较小的数据集。数据解压之后会有两个文件夹，一个是“train”，一个是“test”，顾名思义一个是用来训练的，另一个是作为检验正确性的数据。在train文件夹里边是一些已经命名好的图像，有猫也有狗。而在test文件夹中是只有编号名的图像。

CIFAR-10 数据集由 10 个类的60000 张 32x32彩色图像组成，每类6000张图像。有50000张训练图像和10000张测试图像。数据集分为5个训练批次和1个测试批次，每个批次有10000张图像。测试批次正好包含从每个类中随机选择的 1000 张图像。训练批次以随机顺序包含剩余的图像，但某些训练批次可能包含来自一个类的图像多于另一个类的图像。在它们之间，训练批次正好包含来自每个类的 5000 张图像。32×32 RGB图像 ，数据集本身是 BGR 通道。

MNIST手写数字数据库具有60,000个示例的训练集和10,000个示例的测试集，MNIST的图像，每张图片是包含28 像素× 28 像素的灰度图像（1 通道），各个像素的取值在0 到255 之间。每张图片都由一个28 ×28 的矩阵表示，每张图片都由一个784 维的向量表示（28*28=784）。

想做这件事情很久了，这次我更新了自己所写过的所有博客，汇集成了Python从0到100，共一百节课，帮助大家一个月时间里从零基础到学习Python基础语法、Python爬虫、Web开发、 计算机视觉、机器学习、神经网络以及人工智能相关知识，成为学习学习和学业的先行者！ResNet是由Kaiming He等人在2015年提出的深度学习模型，它通过引入残差学习解决了随着网络深度增加而性能下降的问题。

想做这件事情很久了，这次我更新了自己所写过的所有博客，汇集成了Python从0到100，共一百节课，帮助大家一个月时间里从零基础到学习Python基础语法、Python爬虫、Web开发、 计算机视觉、机器学习、神经网络以及人工智能相关知识，成为学习学习和学业的先行者！今天来学习一下如何基于fashion mnist数据库获得最高的识别准确率，本文是从零开始的，如有需要可自行跳至所需内容~

今天来学习一下如何基于mnist数据集取得最高的识别准确率，本文是从零开始的，如有需要可自行跳至所需内容~说明：在此试验下，我们使用的是使用tf2.x版本，在jupyter环境下完成在本文中，我们将主要完成以下这个任务：基于mnist数据集，尽量取得更好的识别准确率。注意，要使用非训练集内容，通过evaluate方法得出准确率

Fashion-MNIST数据集包含了10个类别的图像，分别是：t-shirt（T恤），trouser（牛仔裤），pullover（套衫），dress（裙子），coat（外套），sandal（凉鞋），shirt（衬衫），sneaker（运动鞋），bag（包），ankle boot（短靴）

通过对比我们可以发现CNN卷积神经网络相对于传统神经网络NN准确率会高一些，由卷积的操作可知，输出图像中的任何一个单元，只跟输入图像的一部分有关系。而传统神经网络中，由于都是全连接，所以输出的任何一个单元，都要受输入的所有的单元的影响。这样无形中会对图像的识别效果大打折扣，因此。

本文主要是用于工程应用，没有涉及算法训练。Hrnet或是simdr都是先目标检测后姿态估计，yolov5就是获得人体边界框的。全文较长，主要都是些代码，在最后也给大家展示了照片、视频、摄像头的展示代码，同时也分享了自己的报错，还是一次非常有意义有收获的实践！同时因为本文采用的cpu，大家也可以用gpu去跑得到更高效的结果。过后我也会在此代码的基础上，训练新的模型进行动作识别，如果有新的进展会及时分享给大家，欢迎大家一起操作起来，实践出真知！围白的尾巴大佬提供的代码和思路，本文也是在此基础上的完善和实践。

直方图均衡化（Histogram Equalization）和自适应直方图均衡化（Adaptive Histogram Equalization）都是用于图像增强的技术，目的是改善图像的对比度和视觉效果。它们的主要区别在于处理图像的方式和局部性。直方图均衡化是一种全局的方法，它基于整个图像的灰度直方图来调整像素的灰度值分布。通过使灰度级别在图像中更均匀地分布，直方图均衡化可以增强图像的对比度和细节。它使用累积分布函数将原始图像中的灰度级别映射到一个新的灰度范围，从而实现图像的均衡化。

在本文中，我们使用RGB转HSV和YIQ的操作，通过加入椒盐噪声并将其转换回RGB格式，对图像进行了噪声处理。我们展示了原始RGB图像以及其R、G、B通道的显示，接着将图像转换为HSV和YIQ格式，并在H通道和Y通道中分别加入了椒盐噪声。然后，我们将加入了噪声的H、S、V通道以及Y通道进行了显示。最后，我们展示了加入椒盐噪声的HSV和YIQ格式图像，并将它们转换回RGB格式进行显示。通过这样的操作，我们可以进一步了解颜色空间转换在图像处理中的应用，以及如何通过加入噪声来模拟图像中的实际场景。

随机生成 0/1 像素值的图片，大小为 8*8，0 为背景像素，1 为前景像素print('原始图片：\n', image)print('选取前景像素后的图片：\n', image)距离度量在计算机视觉CV领域有着广泛的应用。如图像分割、图像配准、目标检测和目标跟踪等任务中，都需要计算像素之间的距离来对图像进行处理和分析。而距离变换则可以帮助我们更好地理解像素之间的关系和结构，并为后续的图像处理工作提供基础和参考。

导入OpenCV库。通过OpenCV读取摄像头的视频流。使用肤色检测算法（如色彩空间转换和阈值分割）来识别手部区域。对手部区域进行轮廓检测，找到手的轮廓。根据手的轮廓，获取手指关键点的像素坐标。对于拖拽手势，可以关注食指和中指的位置。计算食指和中指指尖之间的距离并判断是否满足条件触发拖拽动作。如果满足条件，可以使用勾股定理计算距离，并将矩形区域变色以示触发拖拽。根据手指的位置更新矩形的坐标，使矩形跟随手指运动。当手指放开时停止矩形的移动。

本次实验需要使用OpenCV和mediapipe库进行手势识别，并利用手势距离控制电脑音量。cv2：OpenCV库，用于读取摄像头视频流和图像处理。mediapipe：mediapipe库，用于手部关键点检测和手势识别。ctypes和comtypes：用于与操作系统的音频接口进行交互。pycaw：pycaw库，用于控制电脑音量。初始化mediapipe和音量控制模块，获取音量范围。打开摄像头，读取视频流。对每一帧图像进行处理：转换图像为RGB格式。

红绿灯分为导向灯和圆形灯。一般圆形灯在路口只有一盏灯，红灯亮时禁止直行和左转，可以右转弯。导向灯市带有箭头的，可以有两个或三个，分别指示不同方向的行车和停车。按指示的灯即可，没有右转向导向灯的情况下可以视为可以右转。RGB颜色空间以R(Red:红）、G(Green:绿色)、 B(Blue:蓝）三种基本色为基础，进行不同程度的叠加，产生丰富而广泛的颜色，所以俗称三基色模式。

利用Python和Opencv算法，实现下述功能：撰写实验报告，将上述处理的原理与处理流程进行介绍；保存上述每一步的结果图像，并附加在实验报告中；最终对处理结果进行分析，并附加程序。解释器：Python3.9、开发环境：PyCharm老人照片(上)、风景照片（下）图像增强使用自适应直方图均衡化操作。因为原始图像为彩色图像，直接使用直方图均衡化操作后会使颜色失真，故先将原始图像转化到空间，对其中I通道（亮度）进行直方图均衡化，再转回RGB空间，这就实现了彩色图像的直方图均衡化，图像的亮度直方图会分布的更加

编写一Python程序，要求实现以下功能：读入一幅图像。使用两种以上的方法分别向图像中添加噪声。输出一幅二值图像，图像中未加入噪声的区域为黑色，加入噪声的区域为白色。使用三种滤波方法对上述添加了噪声的图像进行滤波处理。输出滤波处理后的图像。

以多个分辨率来表示图像的一种有效且概念简单的结构是图像金字塔。图像金字塔最初用于机器视觉和图像压缩，一个图像金字是一系列以金字塔形状排列的、分辨率逐步降低的图像集合。如图下图所示，它包括了四层图像，将这一层一层的图像比喻成金字塔。图像金字塔可以通过梯次向下采样获得，直到达到某个终止条件才停止采样，在向下采样中，层级越高，则图像越小，分辨率越低。向下取样 和 向上取样。如下图所示：向下取样：将图像从G0转换为G1、G2、G3，图像分辨率不断降低的过程；