![](https://img-blog.csdnimg.cn/20201014180756916.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
python
文章平均质量分 73
F_D_Z
这个作者很懒,什么都没留下…
展开
-
【Python】数据可视化之核密度
KDEPlot(Kernel Density Estimate Plot,核密度估计图)是seaborn库中一个用于数据可视化的函数,它基于核密度估计(KDE)这一非参数统计方法来估计数据的概率密度函数。KDEPlot能够直观地展示数据的分布特征,对于单变量和双变量数据均适用。原创 2024-09-04 12:20:50 · 976 阅读 · 0 评论 -
【解决办法】最新0.13.2Seaborn未以关键字参数传递数据,报错kdeplot() takes from 0 to 1 positional arguments but 2 were given
KDEPlot(Kernel Density Estimate Plot,核密度估计图)是seaborn库中一个用于数据可视化的函数,它基于核密度估计(KDE)这一非参数统计方法来估计数据的概率密度函数。KDEPlot能够直观地展示数据的分布特征,对于单变量和双变量数据均适用。原创 2024-09-04 10:25:25 · 163 阅读 · 0 评论 -
【Python】数据可视化之分类图
分簇散点图Swarmplot,是一种用于展示分类变量和数值变量之间关系的数据可视化图表类型,特别适用于探索多个分类级别下数据的分布情况,简单说就是数据点不重叠的分类散点图swarmplot()作为可视化的工具,不仅能够单独使用来展现数据的分类特征,还常作为箱形图(Boxplot)或小提琴图(Violin Plot)的补充手段。这种表示方式不仅展示了数据的中心趋势(如中位数附近的密集区域),还揭示了数据的整体形状、对称性、多峰性以及可能的异常值区域,从而提供了比箱形图更为丰富和细致的数据分布信息。原创 2024-09-03 17:50:14 · 1532 阅读 · 0 评论 -
【Python】企业排名、地域分布与词云分析可视化
生成的可视化数据显示,世界五百强企业的营业收入呈现出显著的差异,这种差异不仅体现了行业内巨头企业与新兴或中小型产业代表之间的鲜明对比,还深刻揭示了不同经济领域之间市场规模的差异性。紧随其后的是由香港、上海、深圳和杭州构成的第二梯队,这些城市同样凭借其强大的经济实力、完善的产业体系和创新能力,吸引了大量五百强企业的入驻,形成了较为密集的企业集群。:Pyecharts支持多种常用的图表类型,包括但不限于折线图、柱状图、散点图、饼图、地图、热力图、雷达图、箱形图、K线图等,能够满足不同场景下的数据可视化需求。原创 2024-09-02 17:53:28 · 1475 阅读 · 0 评论 -
【Python】家庭用电数据的时序分析
数据集包含了一个家庭6个月的用电数据,收集于2007年1月至2007年6月。这些数据包括全球有功功率、全球无功功率、电压、全球强度、分项计量1(厨房)、分项计量2(洗衣房)和分项计量3(电热水器和空调)等信息。该数据集共有260,640个测量值。列名说明Date日期Time时间该家庭所消耗的总有功功率(千瓦)该家庭消耗的总无功功率(千瓦)Voltage向家庭输送电力的电压(伏特)输送到家庭的平均电流强度(安培)厨房消耗的有功功率(千瓦)洗衣房所消耗的有功功率(千瓦)原创 2024-08-31 15:58:19 · 1216 阅读 · 0 评论 -
【计算机视觉】Pixel逐像素分类&Mask掩码分类理解摘要
目标检测和实例分割是计算机视觉的基本任务。目标检测的传统方法中通常利用边界框技术进行对象定位,然后利用逐像素分类为这些本地化实例分配类。但是当处理同一类的重叠对象时,或者在每个图像的对象数量不同的情况下,这些方法通常会出现问题。Faster R-CNN、Mask R-CNN等经典方法虽然有效,但由于其固定大小的输出空间,它们通常预测每个图像的边界框和类的固定数量,这可能与图像中实例的实际数量不匹配,特别是当不同图像的实例数量不同时。并且它们可能无法充分处理相同类的对象重叠的情况,从而导致分类不一致。原创 2024-08-26 17:17:55 · 843 阅读 · 0 评论 -
【Pytorch】生成对抗网络实战
GAN框架是基于两个模型的竞争,generator生成器和discriminator鉴别器。生成器生成假图像,鉴别器尝试从假图像中识别真实的图像。作为这种竞争的结果,生成器将生成更好看的假图像,而鉴别器将更好地识别它们。定义生成器模型# 获取参数# 定义反卷积层1# 定义批归一化层1# 定义反卷积层2# 定义批归一化层2# 定义反卷积层3# 定义批归一化层3# 定义反卷积层4# 定义批归一化层4# 定义反卷积层5# 前向传播# 反卷积层1# 反卷积层2# 反卷积层3。原创 2024-08-26 10:48:25 · 2347 阅读 · 0 评论 -
【Python】家庭用电数据分析Prophet预测
数据集包含了一个家庭6个月的用电数据,收集于2007年1月至2007年6月。这些数据包括全球有功功率、全球无功功率、电压、全球强度、分项计量1(厨房)、分项计量2(洗衣房)和分项计量3(电热水器和空调)等信息。该数据集共有260,640个测量值。列名说明Date日期Time时间该家庭所消耗的总有功功率(千瓦)该家庭消耗的总无功功率(千瓦)Voltage向家庭输送电力的电压(伏特)输送到家庭的平均电流强度(安培)厨房消耗的有功功率(千瓦)洗衣房所消耗的有功功率(千瓦)原创 2024-08-24 15:15:07 · 1046 阅读 · 0 评论 -
详尽 | Deeplabv3+结构理解
input image输入层,可以为任意大小。输入后进行卷积运算,到最后一个卷积层输出得到该层的feature maps特征映射,其大小也是任意的。Spatial Pyramid Pooling layer SPP层。以最左侧16X256-d为例,16表示将从前面卷积得到的特征映射分成16份,256表示channel通道数,即SPP对每一层都分成16份,进行池化操作,一般进行max pooling最大池化。中间右侧同理,即将特征映射分别分成4X256和1X256。原创 2024-08-19 09:04:27 · 2313 阅读 · 0 评论 -
验证损失判断过拟合情况
通过监测验证损失的变化可以判断模型是否过拟合或欠拟合。当验证损失持续下降时,模型可能仍处于训练的阶段,可以继续增加训练轮数。当验证损失开始上升时,模型很可能已经过拟合,此时应该停止训练或者进行一些正则化操作,以防止模型过度学习训练集。验证损失是模型在验证集上计算得到的目标函数的值,它反映了模型在未见过的数据上的性能。通常情况下,验证损失越小,模型的性能越好。调优模型时,可以根据验证损失的变化来选择最佳模型。通常选择验证损失最小的模型作为最终模型,因为它具有最好的泛化能力。原创 2024-08-01 08:00:00 · 165 阅读 · 0 评论 -
简明 | 下采样与上采样理解摘要
对图像进行1/n下采样,原图像分辨率为H*W,下采样分辨率变为(H/n)*(W/n)对图像进行n上采样,原图像分辨率为H*W,下采样分辨率变为(nH)*(nW)转置卷积是卷积的一种,可使图片恢复成卷积前的尺寸,但是对应像素点的数值改变。主要通过是池化层或卷积层进行下采样。过滤无关信息,保留关键信息。反向提取特征,还原关键信息。上采样不是下采样的逆操作。原创 2024-08-16 09:53:58 · 236 阅读 · 0 评论 -
数据集相关类代码回顾理解 | sns.distplot\%matplotlib inline\sns.scatterplot
例如,如果 path2data 是 /home/user/data,prefix 是 image_,imgName[id_] 是 001.jpg,那么 fullPath2img 的值将是 /home/user/data/Training400/image_001.jpg。使用os.path.join函数,智能地处理不同操作系统中的路径分隔符问题,将多个字符串拼接成一个完整的文件路径。imgName[id_] 表示文件名的后缀,其中 id_ 是一个索引,用于从 imgName 列表中获取对应的文件名。原创 2024-08-04 09:00:00 · 285 阅读 · 0 评论 -
数据集相关类代码回顾理解 | pd.read_excel\%matplotlib inline\sns.scatterplot
通过这个命令可以使得Matplotlib 的图形直接显示在 Notebook 的单元格中,而不是在新窗口中打开。这个命令通常放在 Notebook 的第一个单元格中,以确保后续的所有 Matplotlib 图形都能正确显示。使用 seaborn 库创建一个散点图scatter plot,其中 x 轴和 y 轴分别对应 labels_df DataFrame 中的 'Fovea_X' 和 'Fovea_Y' 列,而 hue 参数则用于根据 AorN 列的值对散点进行颜色编码。或者安装老版本的包。原创 2024-08-03 18:30:40 · 430 阅读 · 0 评论 -
【PyTorch】神经风格迁移项目
定义函数,获取模型中指定层的特征# 创建一个空字典,用于存储特征# 遍历模型的所有子层# 将输入数据传入子层,得到输出数据# 如果子层的名称在指定的层列表中# 将输出数据存储到字典中,键为子层的名称# 返回字典# 定义函数,于计算gram矩阵# 获取输入张量的维度# 将输入张量展平# 计算gram矩阵# 定义函数,获取内容损失# 获取目标特征# 获取预测特征# 计算均方误差损失# 定义函数,获取风格损失# 初始化损失为0loss = 0。原创 2024-08-03 12:24:59 · 555 阅读 · 0 评论 -
基于conda包的环境创建、激活、管理与删除
Conda 是一个开源的包管理和环境管理系统。很多不同的项目可能需要使用不同的环境。例如某个项目需要使用pytorch1.6,另一个项目需要使用pytorch1.8,那么conda包就可以创建两个虚拟环境,分别配置不同的资源,需要使用哪些资源就去相应的环境工作即可。原创 2024-07-10 15:08:18 · 442 阅读 · 0 评论 -
【PyTorch】多对象分割项目
对象分割任务的目标是找到图像中目标对象的边界。实际应用例如自动驾驶汽车和医学成像分析。这里将使用PyTorch开发一个深度学习模型来完成多对象分割任务。多对象分割的主要目标是自动勾勒出图像中多个目标对象的边界。对象的边界通常由与图像大小相同的分割掩码定义,在分割掩码中属于目标对象的所有像素基于预定义的标记被标记为相同。原创 2024-08-01 14:00:31 · 934 阅读 · 0 评论 -
损失函数和调度器相关类代码回顾理解 |nn.CrossEntropyLoss\CosineAnnealingLR
创建学习率调度器,T_max表示周期长度,eta_min表示最小学习率。余弦退火学习率调整策略是一种常用的学习率调整策略,它会在训练过程中逐渐减小学习率,直到达到一个最小值。这里的学习率将从优化器设定值lr=1e-4开始,逐渐向最小值eta_min=1e-5减小,并在2*T_max=4次迭代中返回到原始设定值。reduction 参数用于指定如何对损失进行归约,有三个可能的值:"none"、"mean" 和 "sum"。由于分批处理数据,因此将返回每批数据的损失值之和。原创 2024-08-01 12:06:44 · 283 阅读 · 0 评论 -
模型相关类代码回顾理解 | BatchNorm2d\fc.in_features\nn.Linear\torchsummary
model_resnet18是需要打印的模型,(3, 224, 224)是输入数据的形状,表示输入数据有3个通道,大小为224x224。resnet18模型输入数据形状一般为(3, 224, 224),这意味着如果原始图像大小为96*96,也需要将其调整为224*224,与resnet 18模型训练时的大小相同。通常用于在迁移学习中,将预训练的ResNet-18模型的全连接层替换为新的全连接层,以适应新的任务和数据集。,使用可学习的缩放和平移参数,并跟踪整个训练过程中的统计数据。原创 2024-07-31 14:25:37 · 298 阅读 · 0 评论 -
数据集相关类代码回顾理解 | DataLoader\datasets.xxx
较大的batch_size可以提供更准确的梯度估计,但可能会导致训练速度较慢。较小的batch_size可以提高训练速度,但可能会导致梯度估计的准确性降低。创建训练数据集的加载器,batch_size为32,表示每次迭代时使用的样本数量,shuffle为True,表示每次迭代时都会打乱训练数据集,提高泛化能力。torchvision包中FashionMNIST,由60,000个示例的训练集和10,000个示例的测试集组成。每个示例都是28x28灰度图像,与来自10个类别的标签相关联,可以用于多类图像分类。原创 2024-07-31 11:01:59 · 283 阅读 · 0 评论 -
数据集相关类代码回顾理解 | np.mean\transforms.Normalize\transforms.Compose\xxx.transform
transforms.ToTensor()的作用是将PIL图像或NumPy数组转换为PyTorch张量,并且将图像的像素值从[0, 255]范围缩放到[0.0, 1.0]范围,即在[0.0, 1.0]范围内对像素值进行归一化。函数,作用是将图像的每个像素值减去均值,然后再除以标准差,从而将像素值缩放到均值为0,标准差为1的范围。的R通道均值的均值。同理m[1]、m[2]分别可以计算所有样本G、B通道均值的均值,这样得到的实际上是一个最终均值,同理可以得到最终标准差,为标准化做准备。到 [0, 1] 范围,原创 2024-07-30 13:25:31 · 1475 阅读 · 0 评论 -
数据集相关类代码回顾理解 | utils.make_grid\list comprehension\np.transpose
使用 NumPy 库的 transpose 函数来改变数组的维度顺序,例如将图像的维度从(C,H,W)转换为(H,W,C)。经常需要改变图像维度是因为许多深度学习库(如 PyTorch 和 TensorFlow)期望图像数据的维度顺序为 (C,H,W),而许多图像处理库(如 OpenCV 和 PIL)则使用 (H,W,C) 作为默认的维度顺序。x_grid:四维图像张量,形状为 (N, C, H, W),其中 N图像数量,C通道数,H 高度,W宽度。nrow=4:网格中的行数为4,默认值为 8。原创 2024-07-29 19:21:03 · 204 阅读 · 0 评论 -
数据集相关类代码回顾理解 | StratifiedShuffleSplit\transforms.ToTensor\Counter
transforms.ToTensor()的作用是将PIL图像或NumPy数组转换为PyTorch张量,并且将图像的像素值从[0, 255]范围缩放到[0.0, 1.0]范围,即在[0.0, 1.0]范围内对像素值进行归一化。StratifiedShuffleSplit是scikit-learn库中的一个类,用于创建训练集和测试集的划分,同时保持每个类别中的样本比例一致。用于统计图像标签,即每类标签图像数量,Counter是用于计数的子类字典。先根据每个类别的样本数量将数据集划分为尽可能相等的子集(分层)原创 2024-07-29 16:54:35 · 565 阅读 · 0 评论