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

-+

weixin_73044854的博客

学习算法的小白正在逆袭中

  • 博客(57)
  • 收藏
  • 关注

原创 贝叶斯实现拼写检查器

正常来说把一个元音拼成另一个的概率要大于辅音(因为人常常把hello打成hallo);把单词的第一个字母拼错的概率会相对小,等等。但是为了简单起见,选择了一个简单的方法:编辑距离为1的正确单词比编辑距离为2的优先级高,而编辑距离为0的正确单词优先级比编辑距离为1高。两个词之间的编辑距离定义为使用了几次插入(在词中插入一个单字母),删除(删除一个单字母),交换(交换相邻两个字母),替换(把一个字母换成另一个)的操作从一个词变到另一个词。:在这些编辑距离小于2的词中间,只把那些正确的词作为候选词。

2024-07-20 15:51:46 956

原创 贝叶斯算法理论

这时我们既可以用直线来拟合(模型1),也可以用二阶多项式(模型2)拟合,也可以用三阶多项式(模型3),特别地,用。奥卡姆剃刀:越是高价的多项式越是不常见的(越是高阶去拟合,拟合效果肯定越好,但是这只是在训练集上,在测试集上往往达不到很好的效果,也就是常见的鲁棒性差)对于给定观测数据,一个猜测是好是坏,取决于“这个猜测本身独立的可能性大小(先验概率,prior)”和“这个猜测生成我们观测到的数据的可能性大小。,P(D)都是一样的,所以在比较P(h1|D)和P(h2|D)的时候我们可以忽略这个常数。

2024-07-19 21:55:17 1166

原创 Transformer系列专题(四)——Swintransformer

3个矩阵,64个窗口,heads为3,窗口大小7*7=49,每个head特征96/3=32。attention结果为:(64,3,49,49)每个头都会得出每个窗口内的自注意力。输出:(3196,96)相当于序列长度是3136个,每个的向量是96维特征。通过得到的attention计算得到新的特征(64,49,96)总共64个窗口,每个窗口7*7的大小,每个点对应96维向量。qkv三个矩阵放在一起了:(3,64,3,49,32)为什么要shift?在计算时,只需要计算自己窗口的,其他的都是无关的。

2024-07-17 22:29:44 1053

原创 Transformer系列专题(三)——transformer在CV中的应用

从多头注意力的结构图中,貌似这个所谓的多个头就是指多组线性变换,但是并不是,只使用了一组线性变换层,即三个变换张量对 Q、K、V 分别进行线性变换,这些变化不会改变原有张量的尺寸,因此每个变换矩阵都是方阵,得到输出结果后,多头的作用才开始显现,每一个头开始从词义层面分割输出的张量,也就是每一个头都先获得一组 Q、K、V进行注意力机制的计算,但是句子中的每个词的表示只获得一部分,也就是只分割了最后一维的词嵌入向量,这就是所谓的多头,将每个头获取的输入送到注意力机制中就形成了多头注意力机制。

2024-07-17 16:27:48 777

原创 数据结构——考研笔记(三)线性表之单链表

顺序表优点:可随机存取,存储密度高缺点:要求大片连续空间,改变容量不方便单链表优点:不要求大片连续空间,改变容量方便缺点:不可随机存取,要消耗一定空间存放指针用代码实现单链表typedef struct LNode{ //定义单链表结点类型//每个节点存放一个数据元素//指针指向下一个节点。

2024-07-15 19:55:54 938

原创 数据结构——考研笔记(二)线性表的定义和线性表之顺序表

线性表定义(逻辑结构)基本操作(运算)线性表:线性表是具有相同数据类型的n(n$>=$0)个数据元素的有限序列,其中n为表长,当n=0时线性表是一个空表。若用L命名线性表,则其一般表示为以下是几个概念ai是线性表中的“第i个”元素线性表中的位序a1是表头元素;an是表尾元素除第一个元素外,每个元素有且仅有一个直接前驱;除最后一个元素外,每个元素有且仅有一个直接后继顺序表:用顺序存储的方式实现线性表顺序存储。

2024-07-13 22:12:56 734

原创 生成式AI模型开源列表

其中 LaMA-13B(130 亿参数的模型)尽管模型参数相比 OpenAI 的 GPT-3(1750 亿参数) 要少了十几倍,但在性能上反而可以超过 GPT-3 模型。规模虽小,性能能打。GLM 是以英文为核心的预训练语言模型系列,基于新的预训练范式实现单一模型在语言理解和生成任务方面取得了最佳结果,并且超过了在相同数据量进行训练的常见预训练模型(例如 BERT,RoBERTa 和 T5),目前已开源 1.1 亿、3.35 亿、4.10 亿、5.15 亿、100 亿参数规模的模型。

2024-07-12 15:13:14 608

原创 数据结构——考研笔记(一)绪论

数据:数据是信息的载体,是描述客观事物属性的数、字符及所有能输入到计算机中并被计算机程序识别和处理的符号的集合。数据是计算机程序加工的原料。数据对象:数据对象是具有相同性质的数据元素的集合,是数据的一个子集。数据结构:数据机构是相互之间存在一种或多种特定关系的数据元素的集合。数据结构三要素逻辑结构:集合结构线性结构(一对一)树形结构(一对多)图状结构(多对多)数据的运算物理结构(存储结构)程序 = 数据结构 + 算法数据结构:如何用数据正确地描述现实世界的问题,并存入计算机。

2024-07-12 15:06:01 1366

原创 基于鲸鱼优化算法的SVR

本文的基于鲸鱼优化算法的SVR的示例算法是基于11个x自变量和2个y因变量的# 定义优化目标函数# 创建 SVR 模型# 训练 SVR 模型# 在测试集上进行预测# 计算 R2 Score# 将 R2 Score 取负值,因为 WOA 是一个最小化算法。

2024-07-07 08:00:00 786

原创 ubuntu的screen会话,断开远程连接也能照样运行程序

你可以使用会话 ID 或名称来重新连接到特定的会话。例如,如果会话 ID 是。工具,可以方便地管理多个终端会话。以下是关闭和删除某一个。这将把你从当前会话中分离出来,但会话仍在后台运行。通过这些步骤,你可以轻松创建、管理和重新连接到。工具可以创建和管理多个终端会话。例如,如果会话 ID 是。会话,包括关闭和删除不再需要的会话。通过这些方法,你可以轻松地管理。会话并进入一个新的终端窗口。记住要关闭的会话 ID,比如。在 Ubuntu 中使用。会话及其 ID 和名称。这将显示所有正在运行的。

2024-07-06 19:25:34 966

原创 ubuntu防火墙指定端口开放设置

这将显示防火墙的当前状态以及所有已允许和已拒绝的规则。这将提供更详细的信息,包括默认策略和日志记录状态。在 Ubuntu 中管理防火墙通常使用。你也可以指定协议,例如仅允许。现在已经被允许访问。

2024-07-06 19:21:04 967

原创 markdown的使用说明(Typora版)

markdown使用说明大全(Typora版)

2024-06-29 15:37:55 805 2

原创 操作系统——考研笔记(一)操作系统概述

概念:操作 系统(Operating System,OS)是指控制和管理整个计算机系统的硬件和软件资源,并合理得组织调度计算机的工作和资源的分配;一提供给用户和其他软件方便的接口和环境;它是计算机系统中最基本的系统软件。直观的例子:打开Windows操作系统的“任务管理器”(快捷键:Ctrl+Alt+Del)知识点回顾:操作系统作为用户和计算机硬件之间的接口,需要向上提供一些简单易用的服务。主要包括命令接口和程序接口。其中,程序接口由一组系统调用组成。

2024-06-27 10:38:39 876

原创 JSP基础知识概述

简化的Servlet设计,在HTMl标签中嵌套Java代码,用以高效开发Web应用的动态网页。作用:替换显示页面部分的Servlet(使用*.jsp文件替换XxxJSP.java)

2024-06-21 17:45:40 855

原创 Mysql学习(十)——视图/存储过程/触发器

视图不仅可以简化用户对数据的理解,也可以简化他们的操作。那些被经常使用的查询可以被定义为视图,从而使得用户不必为以后的操作每次指定全部的条件。数据库可以授权,但不能授权到数据库特定行和特定的列上。通过视图用户只能查询和修改他们所能见到的数据视图可帮助用户屏蔽真实表结构变化带来的影响。

2024-06-12 22:29:14 799

原创 Mysql学习(九)——存储引擎

存储引擎就是存储数据、建立索引、更新/查询数据等技术的实现方式。存储引擎是基于表的,而不是基于库的,所以存储引擎也可被称为表类型。-- 在创建表时,指定存储引擎create table 表名(……,……-- 查看当前数据库支持的存储引擎。

2024-06-12 22:21:06 696

原创 Mysql学习(八)——多表查询

概述:指从多张表中查询数据笛卡尔积:笛卡尔乘积是指在数学中,两个集合A集合和B集合的所有组合情况。在多表查询时,需要消除无效的笛卡尔积select * from 表1,表2 where 表1外键字段 = 表2关联的字段;多表查询分类:连接查询:内连接:相当于查询A,B交集部分数据外连接:左外连接:查询左表所有数据,以及两张表交集部分数据右外连接:查询右表所有数据,以及两张表交集部分数据自连接:当前表与自身的连接查询,自连接必须使用表别名子查询。

2024-06-10 19:17:19 723

原创 Mysql学习(七)——约束

概念:约束是作用于表中字段上的规则,用于限制存储在表中的数据。目的:保证数据库中数据的正确、有效性和完整性。

2024-06-09 22:50:15 947

原创 Mysql学习(六)——函数

Mysql学习(六)——函数。函数是指一段可以直接被另一段程序调用的程序或代码。字符串函数、数值函数、日期函数和流程函数。

2024-06-08 19:28:57 468

原创 Mysql学习(五)——SQL通用语法之DCL

Mysql学习(五)——SQL通用语法之DCL

2024-06-08 19:25:11 171

原创 Mysql学习(四)——SQL通用语法之DQL

提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档。

2024-06-06 19:50:28 1019

原创 Mysql学习(三)——SQL通用语法之DML

DML用来对数据库中表的数据记录进行增删改操作。修改数据删除数据总结

2024-06-06 19:47:10 774

原创 MySql学习(二)——SQL通用语法之DDL

【代码】MySql学习(二)——SQL通用语法之DDL。

2024-06-04 13:51:40 585

原创 MySql学习(一)——MySQL概述之MySQL的启动

数据库:存储数据的仓库,数据是有组织的进行存储,简称为(DB数据库管理系统:操纵和管理数据库的大型软件,简称(DBMS操作关系型数据库的编程语言,定义了一套操作关系型数据库统一标准,简称为(SQL。

2024-06-04 13:39:50 238

原创 Transformer系列专题(二)——multi-headed多头注意力机制

在实践中,当给定相同的查询、键和值的集合时,我们希望模型可以基于相同的注意力机制学习到不同的行为,然后将不同的行为作为知识组合起来,例如捕获序列内各种范围的依赖关系(例如,短距离依赖和长距离依赖)。因此,允许注意力机制组合使用查询、键和值的不同的 子空间表示(representation subspaces)可能是有益的。

2024-05-23 21:36:14 1111

原创 Transformer系列专题(一)——self-attention自注意力机制如何计算

自注意力机制的原理相当于一个词在其上下文中的联系,即将这一个词赋予这一句话中将每个词乘以不同的权重,即是这一个词对上下文的关系程度。将本句话中的a对上下文的关系程度即为,将上下的词分别乘以不同的权重赋予到a词中,这就是a对上下问的关系程度。接下来详细介绍自注意力机制如何计算?

2024-05-23 17:34:24 1437 2

原创 txt和jpg或png数据的自动化导入和自动化生成输出随用随拿

自动化导入和生成输出txt和jpg/png数据的好处是提高工作效率和减少人为错误。具体好处如下:提高效率:自动化导入和生成输出可以大大减少手动操作的时间和工作量。通过编写脚本或使用自动化工具,可以快速将大量的txt数据导入到系统中,并自动生成相应的jpg/png文件,从而节省了人工处理的时间和精力。减少错误:人为操作往往容易出现疏忽和错误,而自动化导入和生成输出可以减少这些潜在的错误。自动化过程可以通过编写规则和检查机制来确保数据的准确性和一致性,避免了手动操作可能带来的错误。

2024-04-06 19:24:01 469

原创 实用的小波分解的两种用法

小波分解在信号处理中一直是很火热的,以下介绍两种小波分解的方法。以下介绍的是小波分解的两种方法不涉及图片结果的可视化如果想用时频图或波形图去展示的话可以去我的资源里去下载时频图的信号处理展示pywt库中提供了多种小波分解的种类,以下是其中一些常用的种类:Haar小波:Haar小波是最简单的小波函数,它是一种离散小波变换(DWT)的基础。它具有快速计算和低存储需求的特点。Daubechies小波:Daubechies小波是一类具有紧支集的正交小波函数。

2024-04-06 19:11:57 1246

原创 信号处理之(文件批处理+小波分解+波形图的生成)

信号处理之(文件批处理+小波分解+波形图的生成)。本文介绍了信号上的一些处理也就是对波的一些处理如地震波,电磁波,地磁波、声波等一系列问题的处理及信号提取加分解。以上的三大部分单拿出一个都可以去干别的,如文件自动化处理、信号处理和可视化图表,合起来用就可以将n个数据分解并保存到图片当中,威力无穷。

2024-04-06 17:56:25 591

原创 yolo训练数据集时怎么改变数据集的下载和存放路径

yolo训练数据集时怎么改变数据集的下载和存放路径。在yolov8训练官方给的或者公开的或者自己的数据集的时候,给数据集写个配置文件也就是`.yaml`文件肯定是必不可少的,但有时根据`ultralytics`文件夹里的别人博客提示根本解决不了问题。

2024-04-06 17:31:47 982 1

原创 两种方法解决这个问题OMP: Error #15: Initializing libiomp5md.dll, but found libiomp5md.dll already initialized.

两种方法解决这个问题OMP: Error #15: Initializing libiomp5md.dll, but found libiomp5md.dll already initialized.在进行深度学习比如在训练yolov8模型时,在加载训练集和验证集时会报以下那个错误时会导致模型训练中断,有以下两个方法去解决这个问题,来使模型正常训练。

2024-04-06 14:04:31 6853

原创 yolov8实现用已经训练好的模型去实现数据集的自动标注

yolov8实现用已经训练好的模型去实现数据集的自动标注。我们经常会遇到数据集的标注经别人帮忙后不知道标注是否好用或者又有新来的数据集需要标注。以上两种情况发生,我们可以实现用yolov8去实现数据集的自动标注`前提是已经训练出了一个模型哦`

2024-04-06 12:15:52 954 1

原创 学习通使用过程(懂得都懂)

解决学习通刷视频一直等着的烦恼。

2024-03-16 14:50:35 59517 215

原创 模型部署flask学习篇(二)---- flask用户登录&用户管理

在学习机器学习或者深度学习后,我们常常会将自己训练好的模型来进行部署或者可视化出来,供自己或者别人来使用,那么python的flask框架就可以作为选择之一。

2024-01-24 18:40:09 1151 1

原创 模型部署flask学习篇(一)---- flask初始及创建登录页面

模型部署之flask初始及创建登录页面

2024-01-23 20:58:12 780

原创 pytorch学习(六)、网上模型的使用及修改、模型的保存及加载、完整模型的训练和测试过程的小案例

pytorch中的网上模型的使用及修改、模型的保存及加载、完整模型的训练和测试过程的小案例

2024-01-22 01:00:00 1157

原创 pytorch学习(五)、损失函数,反向传播和优化器的使用

pytorch中损失函数,反向传播和优化器的使用

2024-01-21 01:00:00 620

原创 pytorch(四)、完整小网络的搭建和sequential的使用

完整神经网络的搭建和sequential的使用

2024-01-20 01:00:00 547

原创 pytorch学习(三)、池化层、非线性激活和线性层的代码演示

池化层、非线性激活和线性层的代码演示

2024-01-19 05:00:00 645 1

原创 pytorch学习(二)、网络的构建和卷积层

pytorch网络的构建和卷积层的代码演示

2024-01-18 14:37:47 660 1

基于鲸鱼优化算法的SVR(笔记里含完整代码).md

# 鲸鱼优化算法 def whale_optimization_algorithm(objective_function, bounds, iterations): population_size = 10 dim = len(bounds) population = np.random.uniform(low=bounds[:, 0], high=bounds[:, 1], size=(population_size, dim)) fitness_values = np.zeros(population_size, dtype=object) # 设置数据类型为 object # 使用tqdm创建进度条 progress_bar = tqdm(total=iterations, desc="Optimizing", position=0) # 保存每次优化后的 R2 值 r2_values_svr1 = [] r2_values_svr2 = [] for iteration in range(i

2024-07-06

MySql基础加进阶的学习笔记markdown版本

- 数据库:存储数据的仓库,数据是有组织的进行存储,简称为(`DB`) - 数据库管理系统:操纵和管理数据库的大型软件,简称(`DBMS`) - 操作关系型数据库的编程语言,定义了一套操作关系型数据库统一标准,简称为(`SQL`) - DDL:数据定义语言,用来定义数据库对象(数据库、表、字段) - DML:数据操作语言,用来对数据库表中的数据进行增删改 - DQL:数据查询语言,用来查询数据库中表的记录 - DCL:数据控制语言,用来创建数据库用户,控制数据库的访问权限 - 概念:约束是作用于表中字段上的规则,用于限制存储在表中的数据。 - 目的:保证数据库中数据的正确、有效性和完整性。 ### 9.1 视图 - 介绍:视图是一种虚拟存在的表。视图中的数据并不在数据库中实际存在,行和列数据来自定义视图的查询中使用的表,并且是在使用视图时动态生成的。 - 通俗的讲,视图只保存了查询的SQL逻辑,不保存查询的结果。所以我们在创建视图的时候,主要的工作就落在创建这条SQL查询语句上。 - 介绍:存储过程是事先经过编译并存储在数据库中的一段SQL语句的集合,调用存储过程可以简化应用开发

2024-06-21

txt格式和图片的批次自动化代入加处理

txt格式和图片的批次自动化代入加处理。下载后直接传入文件路径即可运行。

2024-04-06

时频图的两种画法(传入一维数据运行即可)

时频图的两种画法(传入一维数据运行即可)。 时频图(Time-Frequency Plot)是一种用于表示信号在时间和频率上变化的形。它将信号的时域和频域信息结合在一起,可以直观地展示信号在不同时间和频率上的特征。 时频图常用于分析非平稳信号,例如音频信号、语音信号、振动信号等。它可以帮助我们观察信号的瞬时频率、频谱演化以及时域特征。 常见的时频分析方法包括短时傅里叶变换(Short-Time Fourier Transform,STFT)、连续小波变换(Continuous Wavelet Transform,CWT)和Wigner-Ville分布等。这些方法可以将信号分解成不同时间和频率上的成分,并通过色彩或亮度来表示信号的能量或幅度。 时频图可以用于许多应用领域,如音频处理、语音识别、振动分析等。它可以帮助我们理解信号的时频特性,从而更好地进行信号处理和分析。

2024-04-06

小波特征分解+时频图可视化展示+时频图的自动化生成与保存

小波特征分解+时频图可视化展示+时频图的自动化生成与保存。 小波分解是一种信号处理技术,用于将信号分解成不同频率的子信号。它是通过将信号与一组小波函数进行卷积运算来实现的。小波函数是一种具有局部化特性的函数,可以在时间和频率上进行局部分析。 小波分解的过程可以分为两个步骤:分解和重构。在分解步骤中,原始信号被分解成不同频率的子信号,每个子信号对应一个小波系数。这些子信号包含了原始信号在不同频率范围内的信息。在重构步骤中,通过将这些子信号与对应的小波函数进行线性组合,可以还原出原始信号。 小波分解具有多尺度分析的特点,可以同时提供时间和频率上的信息。它在信号处理、图像处理、数据压缩等领域有广泛的应用。例如,在图像压缩中,小波分解可以将图像分解成不同频率的子图像,从而实现对图像的有损或无损压缩。

2024-04-06

小波特征分解+自动化处理波形数据+波的可视化

小波特征分解+自动化处理波形数据+波的可视化。介绍了信号上的一些处理也就是对波的一些处理如地震波,电磁波,地磁波、声波等一系列问题的处理及信号提取加分解。以上的三大部分单拿出一个都可以去干别的,如文件自动化处理、信号处理和可视化图表,合起来用就可以将n个数据分解并保存到图片当中,威力无穷。前期准备工作之数据自动读取;前期准备工作之信号分解(小波分解);前期准备工作之数据可视化(波形图展示);总代码合并展示

2024-04-06

pytorch学习日记(从小白到入门的全代码过程和md笔记)

记录了本博主学习pytorch中的tensorboard的使用、SummaryWriter查看日记杂志、torchvision的介绍和使用、torchvision 中数据集的下载、torchvision 中的测试数据集的加载、nn.Module详解、神经网络--卷积层的构建、神经网络--池化层的构建、神经网络--非线性激活的使用、神经网络--线性层的使用、搭建小网络和sequential的使用、损失函数的介绍和使用、反向传播的作用和使用、优化器的作用和使用、现有网络模型的使用及修改、模型的保存及加载、完整模型的训练和测试过程以及最后实现一个pytorch官网中的CIFAR10数据集为例的小案例为例的笔记代码全过程,复制即可运行。希望能帮助到大家,日后这个也可以作为一个pytorch基础方法的字典用来查看自己忘掉的方法使用和功能。

2024-01-19

冒泡排序、归并排序、快速排序的笔记包含代码

帮助大家更好的了解到常用的三大排序,冒泡排序、归并排序及快速排序。 冒泡排序: 冒泡排序是一种简单的排序算法,它重复地遍历要排序的列表,比较每对相邻的项,并在必要时交换它们的位置,直到没有任何一对数字需要交换为止。 归并排序: 归并排序是一种分治算法,它将一个大的列表分成两个较小的子列表,然后递归地对子列表进行排序,最后将排序好的子列表合并成一个大的排序好的列表。 快速排序: 快速排序是一种常用的排序算法,它使用分治策略来把一个序列分为两个子序列,然后递归地对子序列进行排序。与归并排序不同的是,快速排序对于子序列的排序是并行的,因此它的实现可以比归并排序更加高效。 希望大家能从中了解并学习到排序的知识

2023-12-06

yolov8(即用)资源包.zip

使用概要:下载完资源包后,按照里面的说明文档进行前六步。记住!!下载相对应的环境时也就是第六步要在ultralytics-main文件下打开终端环境运行那行代码。之后就可以训练我们的模型了也就是最后一步。我已经创建好了文件demo1运行即可。 注:在pycharm中打开项目时一定是ultralytics-main文件夹,不能包含在其他文件夹里否则相对路径时可能会报错。 内容概要:只在帮助朋友们更快的开始训练自己的项目。

2023-12-06

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