yangmaoda的博客

原创 Pytorch中实例化模型和调用模型时传的参数

在PyTorch中，这个机制是通过__call__方法实现的。当你调用一个nn.Module的实例时，实际上是调用了它的__call__方法，而这个方法会自动调用你在子类中定义的forward方法。这个模型是用的是outputs = model(images, traditional_features)，此时传入的参数是forward里的参数。这个模型时用的是model = FusionIQAModel(num_outputs=1)，此时传入的参数是__init__方法中的参数，而我在。

原创 布尔掩码的应用

掌握如何使用布尔掩码和高级索引是提高Python编程效率和编写更简洁代码的关键。以下是一些提示帮助你掌握这种思想：掩码通常用于索引、赋值、以及函数应用等多种场景。这是一种强大的特性，允许你对数组进行条件选择和操作。

原创 【MIT】Missing Semester 第二节课笔记

【MIT】Missing Semester 第二节课笔记（一）

原创 【MIT】Missing Semester 第一节课笔记

【MIT】Missing Semester 第一节课笔记。

原创 在Python上使用modbus协议与虚拟设备通讯

记录python使用modbus TCP协议与虚拟设备通讯的操作流程

原创 智慧教室day01 环境搭建教程 IAR的安装和ZStack的安装

IAR和ZStack软件的安装

翻译 2022数学建模美赛E题翻译

原创 总结各种神经网络的用处

总结各种神经网络的用处深度神经网络DNN卷积神经网络CNN生成对抗网络GAN循环神经网络RNN深度神经网络DNN深度神经网络是深度学习的基础，也是最普通的神经网络模型，由一层输入层，多层隐藏层，一层输出层构成，一般用于普通的数据预测。参考链接：https://zhuanlan.zhihu.com/p/29815081卷积神经网络CNN卷积神经网络是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，可以应用于 语音识别 、图像处理和图像识别等领域。参考链接：https://z

原创 随机梯度下降简易版

import numpy as npimport matplotlib.pyplot as plta=0.01LEN = 100X = np.arange(0, LEN)# rand从-5到+5np.random.seed(1)rand = (np.random.random(LEN) * 2 - 1) * 5Y = X * 3 + rand# X、Y分布如下图所示# X、Y 连接X = X.reshape(LEN, 1)Y = Y.reshape(LEN, 1)all

原创 c++实现鼠标连点器

#include<bits/stdc++.h>#include<windows.h>using namespace std;int main(){ double n=0; printf("按“F2”执行，按“F4”停止，按“ESC”退出") ; printf("\n默认0.05秒点击一次,最快0.001秒\n"); printf("请输入点击间隔时长:"); cin>>n; n=n*1000; if(n==0) { n=50;} wh

原创 Opencv——数据扩增

今日做yolov5项目时发现数据集中存在部分特征图片比较少，而yolov5内置的数据增强又比较单调，所以用程序对数据进行一步扩增，使一张变成六张注：文件名称会从1001开始计数，这里可以修改cnt变量改变，该程序仅为一个基础版，所以只扩增图片，不扩增相应的标签文件，如果有需要会再写相应的标签扩增程序（短期内应该是不会写了，看需求吧）。import osimport randomimport numpy as npimport cv2folder_path = ' ' #想要扩增的图片路径

原创 通过极简方案构建手写数字识别模型_2

通过极简方案构建手写数字识别模型在房价预测深度学习任务中，我们使用了单层且没有非线性变换的模型，取得了理想的预测效果。在手写数字识别中，我们依然使用这个模型预测输入的图形数字值。其中，模型的输入为784维（28×28）数据，输出为1维数据，如 图6 所示。输入像素的位置排布信息对理解图像内容非常重要（如将原始尺寸为28×28图像的像素按照7×112的尺寸排布，那么其中的数字将不可识别），因此网络的输入设计为28×28的尺寸，而不是1×784，以便于模型能够正确处理像素之间的空间信息。说明：事实上，

原创 通过极简方案构建手写数字识别模型_1

import paddlefrom paddle.nn import Linearimport paddle.nn.functional as Fimport osimport numpy as npimport matplotlib.pyplot as plttrain_dataset = paddle.vision.datasets.MNIST(mode='train')train_data0 = np.array(train_dataset[0][0])train_label_0 =

原创 主成分分析练习（PCA）

主成分分析练习（PCA）原始数据：程序：import numpy as npdef pca(data): row = np.size(data, 0) #行 col = np.size(data, 1) #列 avg = np.zeros([1, col]) for i in range(col): avg[0, i] = np.mean(data[:, i]) for i in range(col): data[:, i]

原创 python改进欧拉法

原式：改进欧拉法公式：单纯的比着公式打程序，与欧拉法进行对比，发现改进欧拉法的精度高了不少import numpy as npfrom matplotlib import pyplot as pltdef f(x,y): return y-2*x/yh=0.1x=[x/10 for x in range(0,11)]n=np.size(x)y=np.zeros([1,20])t=np.zeros([1,n])y[0,0]=1for i in range(n):

原创 np.pad()函数进行padding操作

import numpy as npA= np.arange(95,99).reshape(2,2)Aarray([[95, 96], [97, 98]])np.pad(A,((3,2),(2,3)),'constant',constant_values=(0,0))array([[ 0, 0, 0, 0, 0, 0, 0], [ 0, 0, 0, 0, 0, 0, 0], [ 0, 0, 0, 0, 0, 0,

原创 np.hstack()和np.vstack()用于堆叠矩阵

import numpy as npx=np.array([[3,4,5],[1,3,4]])y=np.array([[1,1,1],[2,2,2]])np.hstack((x,y))array([[3, 4, 5, 1, 1, 1], [1, 3, 4, 2, 2, 2]])np.vstack((x,y))array([[3, 4, 5], [1, 3, 4], [1, 1, 1], [2, 2, 2]])

原创 梯度下降法拟合曲线

import randomimport numpy as npx=[[2104,3],[1600,3],[2400,3],[1416,2],[3000,4]]t=[400,330,369,232,540]n=len(x)c=[]h=[]ti=[]y=[]e=[]alpha=0.01for i in range(3): c.append(random.random())for i in range(5): x[i].append(1)for i in range(

原创 如何用pycharm将.ui文件转换为.py文件(内含出错解决方法）

1.打开pycharm，接着点击File→Setting→Tools→External Tools，点击红圈处的加号添加外部工具。2.为了方便辨认，就将名字起名为PyUIC(名字起什么都可以）；program选择python.exe；Arguments输入-m PyQt5.uic.pyuic FileNameFileNameFileName -oFileNameWithoutExtensionFileNameWithoutExtensionFileNameWithoutExtension .py