自定义博客皮肤VIP专享

*博客头图:

格式为PNG、JPG,宽度*高度大于1920*100像素,不超过2MB,主视觉建议放在右侧,请参照线上博客头图

请上传大于1920*100像素的图片!

博客底图:

图片格式为PNG、JPG,不超过1MB,可上下左右平铺至整个背景

栏目图:

图片格式为PNG、JPG,图片宽度*高度为300*38像素,不超过0.5MB

主标题颜色:

RGB颜色,例如:#AFAFAF

Hover:

RGB颜色,例如:#AFAFAF

副标题颜色:

RGB颜色,例如:#AFAFAF

自定义博客皮肤

-+
  • 博客(157)
  • 收藏
  • 关注

原创 小程序开发之配置服务器域名

5. **保存并绑定**:输入并验证域名后,保存设置。3. **服务器域名配置**:在“开发”设置中,找到“服务器域名”一项。4. **添加域名**:点击“新增域名”按钮,输入你的服务器域名。输入域名后,还需要验证域名的所有权,通常通过上传一个指定内容的文件到你的服务器来完成验证。1. **登录微信公众平台**:首先,需要登录微信公众平台,并找到你的小程序管理页面。2. **进入开发设置**:在小程序管理页面中,找到“开发”栏目,并点击进入。- `socket`:用于小程序的 WebSocket 连接。

2024-02-26 22:31:13 808

原创 Cocoa Touch 框架及其步骤

3. **代码连接**:在 Interface Builder 中设计好界面后,需要将界面元素与代码中的对象进行连接,这通常通过 IBOutlet 和 IBAction 实现。它负责响应用户交互、更新界面以及处理视图之间的转换。8. **测试和调试**:在开发过程中,应该不断测试和调试应用界面,确保其在不同设备和操作系统版本上都能正常工作,且没有布局和兼容性问题。7. **响应式设计**:为了适应不同设备和屏幕尺寸,应用界面应该采用响应式设计原则,确保在所有设备上都能提供良好的用户体验。

2024-02-26 22:28:27 820

原创 Python中解决中文乱码问题步骤

4. **数据库连接编码**:在使用数据库时,确保连接使用的是UTF-8编码。2. **终端/控制台编码**:确保你的命令行终端支持UTF-8编码。3. **读取和写入文件时指定编码**:在使用文件I/O操作时,明确指定编码为'utf-8'。5. **Web请求编码**:在进行Web请求时,确保请求头中指定了正确的编码类型。1. **源代码文件编码**:确保Python源代码文件使用UTF-8编码保存。6. **输出显示编码**:在打印中文到控制台时,确保控制台可以正确显示UTF-8编码的字符。

2024-02-25 23:30:39 848

原创 Java中文乱码问题几种常见的解决方法

4. **IO流操作**:在进行文件读写操作时,应该使用支持指定编码的IO流类,如`FileInputStream`和`FileOutputStream`配合`InputStreamReader`和`OutputStreamWriter`,并指定编码为UTF-8。1. **设置JVM编码**:在启动Java程序时,可以通过`-Dfile.encoding=UTF-8`参数来指定JVM使用的字符编码为UTF-8。在处理编码相关问题时,一致性是关键。7. **字体支持**:确保使用的字体支持中文字符显示。

2024-02-25 23:27:37 1959

原创 Spring Cloud 是一套工具集,用于简化分布式系统中常见模式的实现,特别是在微服务架构中。

2. **Spring Cloud Netflix**: 集成了 Netflix OSS 中的组件,如 Eureka、Hystrix、Zuul 等,用于实现服务发现、断路器、负载均衡、API 网关等功能。5. **Spring Cloud Gateway** 或 **Zuul**: API 网关服务,作为微服务架构中的入口,提供路由、监控、安全等功能。10. **Spring Cloud OpenFeign**: 声明式的Web服务客户端,简化了HTTP API客户端的创建过程。

2024-02-24 21:32:27 387

原创 基于Netflix开源的服务发现框架Eureka介绍

在这种模式下,即使服务实例没有发送心跳,Eureka Server 也不会从注册表中移除这些服务实例,以防误删健康的服务实例。尽管 Eureka 曾是微服务架构中广泛采用的服务发现方案,但随着技术的发展,一些新的服务发现组件,如 Consul、Zookeeper 和 Spring Cloud Alibaba 中的 Nacos,也开始被越来越多地采用。综上所述,Eureka 是一个功能强大的服务发现框架,它通过服务注册和心跳机制,为微服务架构中的服务实例提供了可靠的服务发现和故障转移能力。

2024-02-24 21:29:15 656

原创 人工智能(AI)绘画工具有哪些

2. **腾讯AI Lab** - 腾讯的AI实验室开发了多种AI技术,其中包括可以用于艺术创作的AI绘画工具。1. **百度AI绘画** - 百度推出的AI绘画工具,用户可以通过简单的操作生成具有特定风格的绘画作品。7. **Daz 3D** - 提供了一个AI驱动的工具,能够将简单的草图转换成详细的3D模型。4. **网易洞见** - 网易推出的平台,提供了一系列基于AI的创意工具,包括绘画功能。6. **小米画报** - 小米推出的一个功能,可以将用户的照片转换成具有艺术风格的画作。

2024-02-23 17:11:45 446

原创 目标追踪(tracking)简介之核心组成部分及其挑战

3. **算法和软件**: 为了从捕获的数据中识别和追踪目标,需要使用一系列算法。1. **传感器**: 这些可以是摄像头、雷达、激光扫描仪(LIDAR)、红外传感器等,用于捕获环境中的信息。- **资源效率**: 对于嵌入式系统或移动设备来说,追踪算法和硬件需要高效利用有限的计算资源和电力。2. **数据处理单元**: 这通常是一台计算机或嵌入式系统,负责接收传感器数据并进行处理。- **准确性**: 系统需要准确地定位目标,尤其是在复杂的背景或拥挤的环境中。【本文内容来源于AI,笔者进行整理和排版】

2024-02-23 16:58:52 417

原创 JavaScript库之Jquery详细简介

5. **Ajax**:通过jQuery的`$.ajax()`方法,可以轻松地执行异步HTTP(Ajax)请求,无需直接编写繁琐的XMLHttpRequest代码。4. **动画和效果**:jQuery内置了一系列动画效果,如淡入淡出、滑动等。9. **轻量级和模块化**:jQuery的核心库相对较小,而且其代码是模块化的,开发者可以根据需要引入或排除某些功能。7. **插件**:jQuery拥有庞大的插件生态系统,涵盖了从图像处理、表单验证到复杂的图表和地图的各种功能。

2024-02-22 17:36:19 259

原创 IOS总体框架介绍和说明

5. **故事板(Storyboards)** 与 **XIB文件**:故事板是一个可视化工具,允许开发者在一个大画布上布置整个应用的界面。11. **ARKit和机器学习**:对于想要开发增强现实(AR)应用或集成机器学习功能的开发者,苹果提供了ARKit和Core ML这样的框架。13. **App Store**:最终,应用需要提交到App Store,这是苹果公司的数字应用商店,供全球用户下载和购买应用。6. **Core Data**:这是一个强大的框架,用于管理对象图和持久化数据。

2024-02-22 17:32:33 539

原创 Android Studio 的六种基本布局

开发者可以创建自定义的约束类,为ConstraintLayout添加新的布局功能。

2024-02-20 10:03:47 1799

原创 计算机专业必看的几部电影

5. **《战争游戏》(WarGames)** - 一部经典的80年代电影,讲述了一个年轻的计算机爱好者几乎触发了一场核战争的故事,反映了早期的计算机安全和网络安全问题。9. **《零日》(Zero Days)** - 这是一部纪录片,揭示了Stuxnet电脑蠕虫的秘密故事,这种病毒旨在破坏伊朗的核设施,同时也暴露了网络战争的潜在危险。2. **《黑客帝国》(The Matrix)** - 虽然是一部科幻电影,但它深入探讨了现实与虚拟世界之间的界限,以及人工智能和人类之间的关系。

2024-02-20 09:42:49 636

原创 AI告诉你怎么关闭Windows系统的自动更新的一般步骤——以Windows 10为例

关闭Windows更新可能会使你的系统面临安全风险,因为你不会接收到最新的安全补丁和功能更新。因此,建议只在完全理解后果的情况下才进行此操作,并且定期手动检查更新以确保系统安全。如果你在公司或学校网络环境中遇到更新问题,最好咨询IT部门。请记住,关闭自动更新可能会导致安全漏洞和兼容性问题,因此建议仅在没有网络连接或特定限制的情况下才考虑这样做。在企业环境中,通常由IT部门管理更新政策,个人用户应遵循组织的指导方针。在Windows系统中,彻底关闭自动更新的步骤可能会随着操作系统的版本而有所不同。

2024-02-19 11:51:02 550

原创 Docker的常用命令||Docker是个流行的容器化平台,它允许你打包、分发和运行应用程序。

11. **docker exec**: 在运行的容器中执行命令。1. **docker run**: 用于运行一个新的容器实例。2. **docker stop**: 停止一个正在运行的容器。3. **docker start**: 启动一个已停止的容器。10. **docker logs**: 查看容器的输出日志。4. **docker ps**: 列出运行中的容器。6. **docker rmi**: 删除一个镜像。5. **docker rm**: 删除一个容器。

2024-02-19 11:39:27 524

原创 SPring和SPring Boot的区别

Spring是一个开源的Java平台,它提供了用于构建企业级应用程序的全套程序开发框架。它包括了核心容器、数据访问/集成、事务管理、消息传递和Web等模块。Spring的核心是控制反转(Inversion of Control, IoC)和面向切面编程(Aspect-Oriented Programming, AOP)的概念,这些使得开发人员能够编写更少的代码,同时增加组件之间的解耦和重用性。Spring是一个全面的企业级应用开发框架,它支持各种编程范式,包括面向对象编程、函数式编程等。

2024-02-18 13:48:51 430

原创 反向代理服务器Nginx

Nginx以其高稳定性、丰富的功能集、简单的配置语法和低资源消耗而著称。3. **负载均衡器**:在有多个应用服务器的场景下,Nginx可以将流量分配给多个服务器,以防止任何一个服务器过载,并利用所有服务器的处理能力。8. **SSL终端处理**:Nginx可以配置为SSL/TLS协议的终端,处理客户端和服务器之间的加密通信,减轻后端服务器的负担。5. **缓存服务器**:Nginx可以缓存经常请求的内容(如网页),减少对原始服务器的请求次数,从而提高响应速度和降低服务器负载。

2024-02-18 13:48:32 650

原创 目标检测算法之YOLOv5在乒乓球赛事中运动员行为分析领域的应用实例详解(优化版--下)

在这段代码中,我们优化了帧的预处理过程,使用了ONNX Runtime的自动形状推断功能,并采用了更高效的NMS方法。同时,我们通过将I/O密集型的视频读取任务放在一个单独的进程池中来避免主线程的阻塞。在这个版本中,我们添加了对模型推理时间的监控,以及一个动态调整线程池大小的功能。这些优化有助于提升代码的执行效率和稳定性。- 利用OpenCV提供的更高级的API,如`VideoCapture`和`VideoWriter`,简化视频处理流程。- 添加详细的注释,说明代码的功能和目的,方便他人理解和维护。

2024-02-17 15:51:23 536

原创 目标检测算法之YOLOv5在乒乓球赛事中运动员行为分析领域的应用实例详解(基础版--上)

在乒乓球赛事中,YOLOv5可以应用于运动员行为分析,通过实时识别和追踪运动员的动作,帮助教练分析技术动作,或者为观众提供更丰富的观赛体验。下面是一个简单的应用实例和相关代码片段。首先,需要准备乒乓球赛事的视频资料,并将其分割成帧序列。然后,可以使用YOLOv5模型对这些帧进行目标检测和识别。由于乒乓球赛事的特殊性,可能需要对模型进行一定的训练,使其能够更好地识别运动员的动作。在这段代码中,我们首先导入所需的库并加载YOLOv5模型。

2024-02-17 15:51:08 1432

原创 目标检测算法之YOLOv5在社交媒体内容审核领域的应用实例详解

此外,我们还包括了一个函数`save_detection_result`,用于保存检测结果,虽然在这里没有具体的实现,但在实际应用中,你可能会将结果存储到数据库或文件系统中。此外,确保你的环境中已经安装了必要的库,例如`yolov5`, `torch`, `Pillow`, `tqdm`, `concurrent.futures`等。请注意,这只是一个简化的例子。1. **数据准备**:首先,收集大量标记过的图像和视频数据,这些数据包含了需要被检测的内容类别,例如暴力、色情、仇恨言论等的视觉标识。

2024-02-17 15:28:24 981

原创 目标检测算法之YOLOv5的应用实例(医疗影像辅助诊断领域应用的详解)

在医疗影像辅助诊断领域,YOLOv5可以被应用于快速而准确地识别和定位医学影像中的关键结构,比如肿瘤、器官或病变区域。在这个优化版本中,我们添加了对医疗影像尺寸的处理,使用了针对医疗数据集训练的模型,并实现了合并相近检测框的功能,以减少冗余标记。3. 后处理:对模型的输出进行进一步处理,例如合并相近的检测框,或者过滤掉置信度较低的检测。2. 模型定制:使用针对医疗影像数据集训练的YOLOv5模型,而不是默认的预训练模型。1. 数据预处理:医疗影像可能需要特定的预处理步骤来增强图像质量,改善检测效果。

2024-02-17 14:34:42 1207

原创 目标检测算法之YOLOv5的应用实例(零售业库存管理、无人机航拍分析、工业自动化领域应用的详解)

通过使用深度学习模型来实时识别货架上的商品,零售商可以更高效地管理库存,减少人工盘点的时间和成本。YOLOv5可以在无人机航拍分析中用于实时的物体检测和分类,这对于农业监测、环境评估、灾害响应和基础设施检查等领域至关重要。YOLOv5在工业自动化领域的一个典型应用是利用它进行实时物体检测,以辅助机器人臂或其他自动化设备精确地拾取、放置或组装零件。在这段代码中,YOLOv5模型被用于检测来自工业相机的实时视频流中的物体。检测到的物体会被绘制绿色的边界框,并在框旁显示类别和置信度。

2024-02-17 14:23:36 1130

原创 目标检测算法之YOLOv5的应用实例(智能交通信号控制、体育赛事分析、野生动物研究领域应用的详解)

在智能交通信号控制领域,YOLOv5可以通过实时检测交通流量的变化来辅助信号灯的调度决策。例如,在交通繁忙的交叉路口,YOLOv5可以检测到各个方向的车流量,帮助交通控制系统动态调整绿灯时长,减少拥堵。以下是一个简化的Python示例,演示了如何使用YOLOv5来检测视频流中的车辆,并据此作出一些基本的决策。这个示例中,YOLOv5模型被用来检测交通视频流中的车辆,并且根据检测到的车辆数量来决定交通灯的状态。

2024-02-16 15:20:17 1268

原创 目标检测算法之YOLOv5的应用实例(实时视频监控和自动驾驶辅助系统的详解)

YOLOv5由于其高效性和易用性,已经成为许多应用领域中目标检测的首选工具之一。YOLOv5的广泛应用体现了其在目标检测任务中的优势,尤其是在需要快速、准确检测的场景中。随着技术的进步,预计会有更多创新的用途不断涌现。

2024-02-16 15:10:44 1991

原创 深度学习||YOLO(You Only Look Once)深度学习的实时目标检测算法(YOLOv1~YOLOv5)

YOLO系列算法因其出色的实时性能和准确性,在多个领域得到了广泛的应用。以下是一些YOLO系列算法的应用实例:1. **交通监控**:YOLO算法被用于实时车辆检测,行人检测,以及交通标志识别。这些功能对于智能交通系统至关重要,可以用于交通事故预防、交通流量分析和违章行为监测。2. **安全监控**:在公共安全和城市监控系统中,YOLO系列算法可以帮助实时识别可疑行为或人员,提高监控效率和安全性。

2024-02-16 14:51:57 1780

原创 C||1.水仙花数是指一个n位数,每一位数字的n次幂的和正好等于这个数本身。2.有n个整数,使其前面各数顺序向后移m个位置,最后m个数变成最前面的m个数。

2.有n个整数,使其前面各数顺序向后移m个位置,最后m个数变成最前面的m个数。数组定义(a[10]={1,2,3,4,5,6,7,8,9,10})1.水仙花数是指一个n位数,每一位数字的n次幂的和正好等于这个数本身。比如:153 = 13 + 53 + 33。要求打印出所有三位数的水仙花数。

2024-02-12 21:00:24 432

原创 Python||数据分析之pyecharts 绘图(词云、气泡)

1. echarts和 Pyecharts 简介1.1echarts简介:• echarts 是一个使用 JavaScript 实现的开源可视化库,涵盖各行业图表,满足各种需求。• echarts 遵循 Apache-2.0 开源协议,免费商用。• ECharts 最初由百度团队开源,并于 2018 年初捐赠给 Apache 基金会,成为 ASF 孵化级项目。• echarts 兼容当前绝大部分浏览器(IE8/9/10/11、Chrome、Firefox、Safari 等)及兼容。

2024-02-12 20:42:40 1744

原创 算法||每步走 2 个台阶,最后剩 1 个台阶 每步走 3 个台阶,最后剩 2 个台阶 每步走 5 个台阶,最后剩 4 个台阶 每步走 6 个台阶,最后剩 5 个台阶 每步走 7 个台阶

虽然两段程序在时间和空间复杂度上没有变化,但减少了计算机的判断执行次数,从而提高效率。算法复杂度分析:说明是否需要改进,改进思路。可对判断结构进行修改,减少次数。时间复杂度:O(n)。

2024-02-11 00:05:54 210

原创 算法||问题:模拟打牌:小喵钓鱼游戏规则:一副牌均分为两份,每人一份。A 出一张,B 出一张当某人出的牌与桌子上某张牌相同,就将两张相同的牌及中间所夹的牌取走,并依次放到自己牌的末尾

问题:模拟打牌:小喵钓鱼游戏规则:一副牌均分为两份,每人一份。A 出一张,B 出一张当某人出的牌与桌子上某张牌相同,就将两张相同的牌及中间所夹的牌取走,并依次放到自己牌的末尾。当有人将手中牌出完时,游戏结束,对手获胜。 假设:牌面只有 1~9,初始每人有 6 张牌请编写程序来自动判断谁将获胜

2024-02-11 00:03:21 280

原创 算法||实现典型数据结构的查找、添加和删除数据 并分析其时间和空间复杂度

我们的数组是无序的,插入一个元素也不在乎顺序,也没有指定插入元素的位置,那么这时候就可以选择直接插入尾部;这里其实就是直接将需要插入元素的位置上的原有元素放到最后,然后再直接插入,避免了数组的移动,实现了 O(1) 时间复杂度的插入。是一种线性表数据结构,它用一组连续的内存空间,来存储一组具有相同类型的数据。已知索引 O(1);

2024-02-10 23:56:50 698

原创 算法||如何优化算法?算法如何评价和分析

在进行算法计算的时候,存储数据需要占用一定的空间和时间。算法复杂度是指算法执行的效率,是对一个算法存储数据所用的空间和执行算法所用的时间的评价,这分为两种:第一种是时间效率,即时间复杂度,主要衡量的是一个算法的运行速度。由于计算所需要的时间与电脑性能密切相关,实际时间很难统计,统计算法执行的语句数来计算;第二种是空间效率,即空间复杂度,而空间复杂度主要衡量一个算法所需要的额外空间。复杂度程序举例分析计算过程说明O(1)算法的运行次数f(n) =1+1+1= 3;

2024-02-10 23:51:13 898

原创 计算机网络相关题目及答案(第八章)

b)IP:216.75.194.220,端口:443;f)第一个字节:bc;最后一个字节:29;e)正确,它包含一个加密的秘密。d)3 个 SSL 记录;

2024-02-08 23:49:00 1342

原创 计算机网络相关题目及答案(第七章)

答:a)两个 AP 通常具有不同的 SSID 和 MAC 地址。尽管 AP2 还将接收帧,因为帧未被寻址,所以它将不处理帧。答:最初,交换机在其转发表中有一个条目,该条目将无线站与较早的AP相关联。当无线站与新AP相关联时,新AP创建具有无线电台MAC地址的帧并广播该帧。这迫使交换机更新其转发表,以便通过新的AP发送到无线站的帧。b)现在,如果不同 ISP(以及因此不同的信道)中的两个无线站发送同时, 不会发生碰撞。因此,对于 802.11b,两个 ISP 的最大传输速率为 22Mbps。

2024-02-08 23:34:23 1702

原创 计算机网络相关题目及答案(第六章)

主机 A 首先将 IP 数据报(目的地为 111.111.2.1)封装到一个帧中,目标 MAC 地址等于 连接到交换机端口 1 的路由器接口卡的 MAC 地址。源 IP 地址:E 的 IP 地址,目的 IP 地址:B 的 IP 地址,源 MAC 地址: E 的 MAC 地址,目的 MAC 地址:R1 与子网 3 的接口的 MAC 地址。源 IP 地址:E 的 IP 地址,目的 IP 地址:F 的 IP 地址,源 MAC 地址: E 的 MAC 地址,目的 MAC 地址:F 的 MAC 地址。

2024-02-08 23:27:48 1457

原创 计算机网络相关题目及答案(第五章实验)

实验:套接字编程作业5:ICMP ping。

2024-02-07 11:54:59 1529

原创 计算机网络相关题目及答案(第五章)

现在考虑c(x,w)的变化,如果 c(x,w)=m5,那么最小费用路径变为经过y,费用为10;被管设备: 被管设备能够是一台主机, 路由器, 中间盒等联网设备. 在一个被管设备中, 有几个所谓被管对象, 被管对象是被管设备中硬件的实际部分和用于这些硬件的软件组件的配置参数。管理信息库): 一个被管设备中的每一个被管对象的关联信息收集在管理信息库中. 一个MIB对象能够是一个计数器, 或一台主机接收到的UDP包的数量等。

2024-02-07 11:51:33 1809

原创 计算机网络相关题目及答案(第四章)

答:转发有两个主要操作:匹配和操作。在基于目标的转发中,路由器的匹配操作只查找待转发数据报的目标IP地址,路由器的操作涉及将数据包发送到指定的输出端口。实际上,基于非空输入队列从不空闲的假设,我们看到第一个时隙总是由在顶部输入队列中发送X和在中间或底部输入队列中发送Y组成,在第二个时隙中,我们总是可以再发送两个数据报,最后一个数据报可以在第三个时隙中发送。答:1)数据平面的功能——转发,即网络层中每台路由器的功能,该数据平面功能决定到达路由器输入链路之一的数据报如何转发到该路由器的输出链路之一。

2024-02-06 17:00:35 1624

原创 计算机网络相关题目及答案(第三章)

由于信道延迟是可变的和未知的,因此 A 可能会发送重复的请求(即,重新发送 B 已 经接收到的请求消息)。因此,它将丢弃该 D0 数据(因为它已在另 一端接收到),然后转换到“发送 D1”状态,在该状态下,它将使用 D1 发送下一条请求的数据。当它接收到来自上面的请求时,它向 B 发送一条请求消息 R0,启动一个计时器并转换到“等待 D0”状态。当它接收到来自上面的请求时,它向 B 发送一条请求消息 R1,启动一个计时器并转换到“等待 D1”状态。左边的连接:源端口号 80,源 IP 为 B 的 IP;

2024-02-06 16:58:35 1513

原创 计算机网络相关题目及答案(第二章)

深入: 通过在遍及全球的接入ISP中部署服务器集群来深入到ISP的接入网中. 好处是靠近端用户, 减少端用户和CDN集群之间链路和路由器数量, 改善了用户感受到的时延和吞吐量. 缺点是由于高度分布式设计, 维护和管理集群成本高。邀请做客: 通过在少量关键位置建造大集群来邀请到ISP做客. 这些CDN集群通常放在因特网交换结点(IXP)。好处是产生较低的维护和管理开销. 缺点是以对端用户的较高时延和较低吞吐量为代价。发起通信的进程标识为客户,在会话开始时等待接受的进程是服务器。应用层协议:DNS和HTTP。

2024-02-05 23:09:32 1232

原创 计算机网络相关题目及答案(第一章)

因为FDM连接建立后,当中途没有数据传输时,他所占有的频段带宽不能被其他连接使用,故可能存在空置,而在TDM的统计时分模式下,连接建立后,当某个连接暂时不用传输数据时可以少分时间片或者不分,即其时隙的分配时“按需分配”,这样就让出了相应的传输时间给其他连接。答:1)主机是实体,是一台具体的机器,而端系统是抽象概念,可以指代更广泛的事物;从地点 N-P+2 到地点 N+1,花费时间(代入公式 1-1) t2 = (N + 1 - (N - P + 2)) L / R = (P - 1)L/R。

2024-02-05 23:06:27 1383

原创 Python||数据分析与可视化_使用折线图分析各个城市的P.M.2.5月度差异情况(下)及使用堆叠柱状图对各个城市的PM2.5日均值情况进行数据分析与可视化

1.使用Python折线图对各个城市的P.M.2.5月度差异情况进行数据分析与可视化。2.使用Python堆叠柱状图对各个城市的PM2.5日均值情况进行数据分析与可视化。

2024-02-04 15:00:34 805

五城P.M.2.5数据-北京市、上海市、广州市、沈阳市、成都市

五城P.M.2.5数据——北京市、上海市、广州市、沈阳市、成都市

2024-02-02

国际航空公司乘客阅读乘客数量数据集(international-airline-passengers.csv)

国际航空公司乘客阅读乘客数量数据集(international-airline-passengers.csv) Month passengers Jan-49 112 Feb-49 118 Mar-49 132 Apr-49 129 May-49 121 Jun-49 135 Jul-49 148 Aug-49 148 Sep-49 136 Oct-49 119 Nov-49 104 Dec-49 118

2024-01-29

python奇异值分解分析实验-)使用奇异值分解对简单矩阵进行分解,观察分解结果;使用奇异值分解进行图像压缩

一、实验目的 (1)复习奇异值分解的原理 (2)使用奇异值分解对简单矩阵进行分解,观察分解结果 (3)使用奇异值分解进行图像压缩 二、实验步骤 (1)任意生成一个简单的矩阵,长宽均大于2即可 生成矩阵 (2)对该矩阵进行奇异值分解,观察奇异值分解的效果 (3)任意导入一张图片,对图片进行奇异值分解 (4)使用重构函数重构分解后的图像,观察图像压缩现象 (5)(选做)舍去一定比例的特征值,记录压缩后的图像大小,并评价压缩效果 三、实验结果与讨论 (1)简述奇异值分解的实现过程,或用数值计算方法直接实现 (2)简述奇异值分解进行图像压缩的原理

2024-01-24

python导入鸢尾花数据集,使用主成分分析函数对鸢尾花数据集降维数据集和原始数据集分别进行线性判别比较分析的准确率

一、实验目的 1、复习主成分分析的原理和算法 2、使用sklearn库函数实现对鸢尾花数据集的主成分分析,观察主成分分析的作用 3、(选做)解读基于主成分分析和支持向量机的人脸识别程序 二、实验步骤 1、导入鸢尾花数据集,查看数据分布情况: 选取三个特征查看数据分布情况 选取两个特征查看数据分布情况 2、使用主成分分析函数对鸢尾花数据集降维 3、对降维后的数据集和原始数据集分别进行线性判别分析,比较分析的准确率 4、(选做)使用数值计算方法实现步骤2,深入了解主成分分析的实现过程 三、实验结果与讨论 1、简单清楚的叙述主成分分析的过程 2、绘制人脸识别程序的流程框图

2024-01-21

python支持向量机实验任选一个一次函数作为输入,对函数进行采样,并在采样点中加入噪声线性核函数对采样点进行回归

一、实验目的 1、复习支持向量机与支持向量回归相关概念 2、使用支持向量机对线性可分数据集进行分类 3、使用支持向量回归对有噪声的函数波形进行回归分析 二、步骤 1、加载鸢尾花数据集或自行生成需要的数据集 2、使用线性核函数对数据集进行分类,观察线性可分部分的分类结果 使用多项式核函数,观察支持向量机对线性不可分数据集的分类结果 支持向量回归实验: 1、任选一个一次函数作为输入,对函数进行采样,并在采样点中加入噪声、 2、使用线性核函数对采样点进行回归,观察回归结果,绘制拟合线 3、将输入信号替换为正弦函数、二次函数等非线性函数,使用线性、多项式作为核函数进行回归,观察回归结果,绘制拟合线 三、思考 1、分析核函数对支持向量机分类性能的影响 2、论述支持向量回归与一般回归方法的区别

2024-01-21

人工智能-猫狗分类-CIFAR10数据集-百度飞桨PaddlePaddle

一、实验背景 图像分类是根据图像的语义信息将不同类别图像区分开来,是计算机视觉中重要的基本问题。猫狗分类属于图像分类中的粗粒度分类问题。 (1)数据集介绍 我们使用CIFAR10数据集。CIFAR10数据集包含60,000张32x32的彩色图片,10个类别,每个类包含6,000张。其中50,000张图片作为训练集,10000张作为验证集。这次我们只对其中的猫和狗两类进行预测。 (2)train_reader和test_reader; 自定义读取器处理训练集和测试集; paddle.reader.shuffle()表示每次缓存BUF_SIZE个数据项,并进行打乱; paddle.batch()表示每BATCH_SIZE组成一个batch。 二、实验内容: 对数据集中的猫狗图像进行正确分类,并不断调整模型。

2024-01-10

机器学习-Python-神经网络实验

决策树,信息熵,信息增益。 在机器学习和认知科学领域,人工神经网络(artificial neural network,缩写ANN),简称神经网络(neural network,缩写NN)或类神经网络,是一种模仿生物神经网络(动物的中枢神经系统,特别是大脑)的结构和功能的数学模型或计算模型,用于对函数进行估计或近似。神经网络由大量的人工神经元联结进行计算。大多数情况下人工神经网络能在外界信息的基础上改变内部结构,是一种自适应系统。现代神经网络是一种非线性统计性数据建模工具。我们来了解一下什么是神经元: 其中,x1、x2、x3代表输入,中间部分为神经元,而最后的hw,b(x)是神经元的输出。整个过程可以理解为输入——>处理——>输出。由多个神经元组成的就是神经网络,如下图所示,这是一个4层结构的神经网络,layer1为输入层,layer4为输出层,layer2,layer3为隐藏层,即神经网络的结构由输入层,隐藏层,输出层构成。其中除了输入层以外,每一层的输入都是上一层的输出。

2024-01-10

TEC4模型计算机实验-应用程序+文档介绍

本资源包包括:TEC4-仿真实验.exe+TEC4模型计算机介绍.doc TEC一4计算机组成原理实验系统由北京邮电大学计算机学院、清华同方教学仪器设备公司联合研制。它是一个8位计算机模型实验系统,TEC一4计算机组成原理实验系统特点 1.计算机模型简单、实用,运算器数据通路、控制器、控制台各部分划分清晰。 2.计算机模型采用了数据总线和指令总线双总线体制,能够实现流水控制。 3.控制器有微程序控制器或者硬布线控制器两种类型,每种类型又有流水和非流水两种方案。 4.寄存器堆由1片ispLSIl016组成,运算器由l片ispLSI1024组成,设计新颖。 5.实验台上包括了I片在系统编程芯片ispLSI1032,学生可用它实现硬布线控制器。 6.该系统能做运算器组成、双端口存储器、数据通路、微程序控制器、中断、CPU组成与机器指令执行、流水微程序控制器、硬布线控制器、流水硬布线控制器等多种实验。电源部分采用模块电源,重量轻,具有抗电源对地短路能力。 8.采用自锁接线方式

2024-01-10

TEC-4计算机组成原理实验系统-教师实验指导书

TEC—4计算机组成原理实验系统包括基本实验: 1.运算器组成实验 2.双端口存储器原理实验 3.数据通路组成实验 4.微程序控制器组成实验 5.CPU组成和机器指令执行实验 6.中断原理实验 它是TEC—4计算机组成原理实验系统的配套资料。本书提供了9个实验,其中6个基本实验,3个课程设计。对每个实验提供了接线图、实验步骤及实验结果。 TEC—4计算机组成原理实验系统特点 1. 计算机模型简单、实用,运算器数据通路、控制器、控制台各部分划分清晰。 2. 计算机模型采用了数据总线和指令总线双总线体制,能够实现流水控制。 3. 控制器有微程序控制器或者硬布线控制器两种类型,每种类型又有流水和非流水两种方案。 4. 寄存器堆由1片ispLSI1016组成,运算器由1片ispLSI1024组成,设计新颖。 5. 实验台上包括了1片在系统编程芯片ispLSI1032,学生可用它实现硬布线控制器。 6. 该系统能做运算器组成、双端口存储器、数据通路、微程序控制器、中断、CPU组成与机器指令执行、流水微程序控制器、硬布线控制器、流水硬布线控制器等多种实验。 7. 电源部分采用模块电源,重量轻

2024-01-10

Linux基础命令 - 时间相关命令&echo命令&帮助命令&历史命令&产看根目录命令&文件显示命令

Linux基础命令 的 PDF版本 1.时间相关命令 date;cal 2.echo命令 3.帮助命令 clear; wc; info cat 4.历史命令 history 5.产看根目录命令 cd;ll;ls 6.文件显示命令 cat; more;文件头部跟尾部的获取 head ;tail

2023-12-31

人工智能发展历史简述-图灵测试-达特茅斯会议

人工智能的发展大概可以被分为 四 个阶段: 前期阶段 知识处理时代 特征处理时代 数据处理时代

2023-08-18

Covid Data.csv

该数据集由墨西哥政府提供。该数据集包含大量匿名患者相关信息。原始数据集由21个独特的特征和1048576个独特的患者组成。 以下是该数据集的链接:https://www.kaggle.com/datasets/meirnizri/covid19-dataset 该数据集包括以下字段 USMER MEDICAL_UNIT SEX PATIENT_TYPE DATE_DIED INTUBED PNEUMONIA AGE PREGNANT DIABETES COPD ASTHMA INMSUPR HIPERTENSION OTHER_DISEASE CARDIOVASCULAR OBESITY RENAL_CHRONIC TOBACCO CLASIFFICATION_FINAL ICU

2023-08-18

Python机器学习实验-聚类-sklearn模块中的KMeans算法

一、实验目的 1.理解聚类的模型原理 2.掌握如何用聚类学习完成预测。 3. 学习sklearn模块中的KMeans算法。 二、实验原理 K-means算法是将样本聚类成k个簇(cluster),具体算法描述如下: 1、 随机选取k个聚类质心点(cluster centroids)为 2、 重复下面过程直到收敛,对于每一个样例i,计算其应该属于的类 对于每一个类j,重新计算该类的质心 K是我们事先给定的聚类数,c(i)代表样例i与k个类中距离最近的那个类,c(i)的值是1到k中的一个。质心uj代表我们对属于同一个类的样本中心点的猜测,拿星团模型来解释就是要将所有的星星聚成k个星团,首先随机选取k个宇宙中的点(或者k个星星)作为k个星团的质心,然后第一步对于每一个星星计算其到k个质心中每一个的距离,然后选取距离最近的那个星团作为c(i),这样经过第一步每一个星星都有了所属的星团;第二步对于每一个星团,重新计算它的质心uj(对里面所有的星星坐标求平均)。重复迭代第一步和第二步直到质心不变或者变化很小。求点群中心的算法: 一般来说,求点群中心点的算法你可以使用各个点的X/Y坐标

2023-08-18

Python机器学习实验 - 决策树2-预剪枝-设置 max-depth、max-leaf-nodes 或 min-sample

一、实验目的 学习如何用Python语言实现决策树的程序 二、实验原理 决策树(DecisionTree):一种树形结构,其中每个内部节点表示一个属性上的判断,每个叶节点代表最终的判断。 三、实验内容 机器学习实验教材《Python机器学习基础教程》第二章的2.3.5节。 注意:忽略mglearn.plots的相关部分。

2023-08-18

Python机器学习 实验- 决策树1

一、实验目的 1.理解决策树的模型原理; 2.掌握如何实现决策树算法,并用其完成预测。 二、实验原理 决策树,信息熵,信息增益。 决策树(Decision Tree)是在已知各种情况发生概率的基础上,通过构成决策树来求取净现值的期望值大于等于零的概率,评价项目风险,判断其可行性的决策分析方法,是直观运用概率分析的一种图解法。由于这种决策分支画成图形很像一棵树的枝干,故称决策树。在机器学习中,决策树是一个预测模型,他代表的是对象属性与对象值之间的一种映射关系。Entropy =系统的凌乱程度,使用算法ID3, C4.5和C5.0生成树算法使用熵。这一度量是基于信息学理论中熵的概念。 1、决策树的算法原理 (1)找到划分数据的特征,作为决策点 (2)利用找到的特征对数据进行划分成n个数据子集。 (3)如果同一个子集中的数据属于同一类型就不再划分,如果不属于同一类型,继续利用特征进行划分。 (4)指导每一个子集的数据属于同一类型停止划分。 本次实验任务我们使用贷款申请样本数据表,该数据表中每列数据分别代表ID、年龄、高薪、有房、信贷情况、类别,我们根据如下数据使用代码来生成决策树

2023-08-18

Python机器学习实验 - 决策树-1模型评估与选择

一、实验目的 学习如何用Python语言编写机器学习中模型验证与性能度量的程序 二、实验原理 I. 交叉验证,混淆矩阵,查准/查全率(准确/召回率),F1分数,P-R曲线,受试者工作特征曲线,AUC。 II. 基本算法 1)逻辑回归(LogisticRegression) 2)虚拟分类器(DummyClassifier) 3)决策树(DecisionTree) 4)支持向量机(SVM-support vector machine) 5)随机森林(Random Forest) 机器学习实验教材《Python机器学习基础教程》第五章的5.1节194-200页和5.3.2节中214-228页。 注意:忽略mglearn.plots的相关部分。

2023-08-18

计算机组成原理实验2:数据通路

一、实验目的 (1) 熟悉模型计算机的数据通路; (2) 锻炼分析问题与解决问题的能力,在出现故障的情况下,独立分析故障现象,并排除故障。 二、实验环境 操作系统:Windows 11; 软件:TEC-仿真实验 平台

2023-07-31

计算机组成原理实验4:微程序控制器

一、实验目的 了解微程序控制器的组成原理。 二、实验环境 操作系统:Windows 11; 软件:TEC-仿真实验 平台

2023-07-31

实验3:MIPS 指令系统和 MIPS 体系结构

一、实验目的 1) 了解和熟悉指令级模拟器。 2) 熟练掌握 MIPSsim 模拟器的操作和使用方法。 3) 熟悉 MIPS 指令系统及其特点,加深对 MIPS 指令操作语义的理解。 4) 熟悉 MIPS 体系结构 二、实验要求 实验平台采用指令级和流水线操作级模拟器 MIPSsim。

2023-07-31

实验0-Logisim 入门

一、实验目的 1. 复习数字逻辑基础知识,掌握逻辑运算和计算机逻辑部件的基本逻辑电路的实现; 2. 熟悉Logisim数字电路仿真软件的使用方法。 二、实验要求 实验1:在Logisim设计一个1位的全加法器FA 实验2:用4个FA构成一个4位的加减法器: • 可以在引脚输出结果,并显示在LED上 • 输入采用手动设置引脚 • 计数器值作为引脚输入 • 并采用probe观察计数器C1,C2计数值

2023-07-31

实验1-TEC-4运算器和组成

实验目的 1. 掌握算术逻辑运算加、减、乘、与的工作原理; 2. 熟悉简单运算器的数据传送通路; 3. 验证实验台运算器的 8 位加、减、与、直通功能; 4. 验证实验台的 4 位乘 4 位功能; 5. 按给定数据,完成几种指定的算术和逻辑运算; 实验内容1  将 01010101B 置入 DR1  将 10101010B 置入 DR2  进行直通运算  进行加法运算DR1+DR2=11111111B 实验内容2  DRl=01100011B,DR2=10110100B  正确选择S2、S1、S0,依次进行加、减、与、直通,乘实验 实验内容3  将A、B中的内容互换。  若DRl=01100011B,DR2=10110100B则交换后为DRl=10110100B;DR2=01100011B 使 B=A-B, A=A-B, A=A+B,实现两个寄存器的互换。

2023-07-31

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章?
取消 删除