搜索内容

包含标签:机器学习 的文章
  • matlab plot 动态演化
    其他

    matlab plot 动态演化

    time = 0:0.05:2*pi; x = 6*(1-cos(time)); y = sin(time); z = 7*exp(-(time-pi).^2); % 如何把随着时间的演化也体现出来呢? %if you want to animate it 动态轨迹 for i=1:length(x)     plot3(x(i),y(i),z(i),'*r');     ylim([-1 1]);     xlim([0 15]);     zlim([0 8]);     hold on;     pause(0.1); end xlabel('x(meters)'); ylabel('y(meters)'); zlabel('Altitude(meters)'); 还有一种绘制动图的方式: clc; close all; x1=0;s=0.2;%确定起始点和增量 nframes=50;%确定总动画帧数 for k=1:nframes     x1=x1+s;%确定画图时的横坐标终止值x1     x=0:0.
    admin 今天
  • Fatal error in launcher: Unable to create process using ‘“d:\anaconda\envs\pytorch\python.exe“…
    其他

    Fatal error in launcher: Unable to create process using ‘“d:\anaconda\envs\pytorch\python.exe“…

    pip install pytest出现如下错误: Fatal error in launcher: Unable to create process using ‘“d:\anaconda\envs\pytorch\python.exe” “F:\Anaconda\envs\pytorch\Scripts\pip.exe” install pytest’: ??? 解决办法: python -m pip install --upgrade pip 最后pip install pytest安装成功!!!
    admin 今天
  • 遗传算法详解 附python代码实现
    其他

    遗传算法详解 附python代码实现

    遗传算法 看了好久才把遗传算法搞懂,附一个链接这个是我看过有关遗传算法讲解最详细的一篇https://blog.csdn.net/ha_ha_ha233/article/details/91364937 什么是遗传算法 遗传算法是用于解决最优化问题的一种搜索算法。从名字来看,遗传算法借用了生物学里达尔文的进化理论:“适者生存,不适者淘汰”,将该理论以算法的形式表现出来就是遗传算法的过程。 主要过程 初始化一个种群,种群中的个体DNA表示种群中的个体进行交叉变异产生后代根据后代中每个个体适应度进行自然选择、优胜劣汰不断迭代产生最优种群 例子 以求解二元函数为例,体会遗传算法如何解决最优化问题 def F(x,y): return 3*(1-x)**2*np.exp(-(x**2)-(y+1)**2)- 10*(x/5 - x**3 - y**5)*np.exp(-x**2-y**2)- 1/
    admin 今天
  • STM32之时钟RTC
    其他

    STM32之时钟RTC

    STM32之RTC时钟 一、RTC介绍1.RTC实时时钟特征与原理2. RTC组成3.具体流程4. 时钟选择5. 复位过程6. 中断 二、STM32CUBEMX建立项目三、代码编写四、总结五、参考 一、RTC介绍 1.RTC实时时钟特征与原理 RTC (Real Time Clock):实时时钟   实时时钟是一个独立的定时器。RTC模块拥有一组连续计数的计数器,在相应软件配置下,可提供时钟日历的功能。修改计数器的值可以重新设置系统当前的时间和日期。   RTC模块和时钟配置系统(RCC_BDCR寄存器)处于后备区域,即在系统复位或从待机模式唤醒后, RTC的设置和时间维持不变。   系统复位后,对后备寄存器和RTC的访问被禁止,这是为了防止对后备区域(BKP)的意外写操作。执行以下操作将使能对后备寄存器和RTC的访问: 设置寄存器RCC_APB1ENR的PWREN和BKPEN位,使
    admin 今天
  • Datawhale线上组队学习汇总
    其他

    Datawhale线上组队学习汇总

    线上组队学习开源内容汇总 一、组队学习简介 组队学习就是一群志同道合的小伙伴,一起学习讨论,一起克服拖延症,一起组队打boss。没有老师,没有教学,有的是一群热爱学习和渴望改变的人,交流学习,互促共进。 如果您对哪门开源内容感兴趣,请在下方留言区写上课程的名称。我们就邀请该课程设计者开设该课程的组队学习。 (1)组队学习的目的:整理知识结构,打磨自我技能,认识优秀伙伴,挖掘潜在组织成员,和学习者一起成长。 (2)组队学习的方向:每个月第二个周六,组织一次学习活动,主要围绕以下六个方面进行开源内容建设。 01 编程语言与数据结构02 数据挖掘基础算法03 自然语言处理04 计算机视觉05 推荐系统06 强化学习 (3)往期组队学习计划: https://github.com/datawhalechina/team-learning 二、精品开源内容 01 吃瓜教程——西瓜书+南瓜书 内容属
    admin 今天
  • python标准异常查询
    其他

    python标准异常查询

    python标准异常查询 异常名称 描述 这是我在学习try except时总结的python的标准查询,方便自己以后查询,也希望能给大家带来一些帮助。 BaseException 所有异常的基类 SystemExit 解释器请求退出 KeyboardInterrupt 用户中断执行(通常是输入^C) Exception 常规错误的基类 StopIteration 迭代器没有更多的值 GeneratorExit 生成器(generator)发生异常来通知退出 SystemExit Python 解释器请求退出
    admin 今天
  • 论文那些事—Evading Defenses to Transferable Adversarial Examples by Translation-Invariant Attacks
    其他

    论文那些事—Evading Defenses to Transferable Adversarial Examples by Translation-Invariant Attacks

    Evading Defenses to Transferable Adversarial Examples by Translation-Invariant Attacks(TI-FGSM,CVPR2019) 1、摘要 在本文中,我们提出了一种平移不变攻击方法,以产生更多可转移的对抗样本对抗防御模型。通过优化平移图像的整体摄动,生成的对抗示例对被攻击的白盒模型不那么敏感,并且具有更好的可移植性。为了进一步提高攻击的效率,本文证明了我们的方法可以通过将未翻译图像的梯度与预定义的核进行卷积来实现。我们的方法一般适用于任何基于梯度的攻击方法。(将梯度进行卷积处理) 2、方法论 正常训练的模型具有相似的注意力图,而防御的方法诱导下有不同的注意力图。  这忠防御现象是由在不同数据分布下的训练或在分类之前转换输入引起的。对于基于可迁移性的黑盒攻击,通常针对白盒模型为单个输入生成对抗样本。因此生成的对抗样本与给定输入点的白盒模型的判别区域或梯度高度相关,使得很难转移到其他依赖不同区域进行预测的防御模型。因此,对抗样本的可迁移性在很大程度上被防御
    admin 今天
  • plt.xticks()的理解
    其他

    plt.xticks()的理解

    在matplotlib中ticks表示的是刻度,而刻度有两层意思,一个是刻标(locs),一个是刻度标签(tick labels)。在作图时,x轴y轴都是连续的,所以刻标可以随意指定,就是在连续变量上找寻位置,而刻度标签则可以对应替换 xticks(rotation:旋转度数):更改绘制x轴标签方向(与水平方向的逆时针夹角度数) #plt.xticks()返回了两个对象,一个是刻标(locs),另一个是刻度标签 locs, labels = plt.xticks() # 显示x轴的刻标 plt.xticks( arange(6) ) # 显示x轴的刻标以及对应的标签 pltxticks( arange(5), ('Tom', 'Dick', 'Harry', 'Sally', 'Sue') ) 下面这句语句的作用是不显示横坐标 plt.xticks( [] ) 参考资料: plt.xlim() 和 plt.xticks() - 小小喽啰 - 博客园 (cnblogs.com)
    admin 今天
  • python分析中的mode()
    其他

    python分析中的mode()

    mode():此方法用于获得该列“众数” 即本特征下取值最多的那个特征值(因而可能不止一个结果) 如果你想用mode()函数的计算结果填充DataFrame的缺失值,请使用这个方法:df.fillna(df.mode().iloc[0])。 原因在于,每列的mode()结果不止一个,所以我们得到的是一个DataFrame。我们用其第一行进行缺失值填充。 DataFrame.mode(axis=0, numeric_only=False) 此外,根据mode()的参数,我们可以传入axis = 0或1,用于对列或者对行求众数; 还可以对numeric_only进行设置:选择numeric_only=True,即只对数值型的列进行 参考资料: pandas日常使用笔记:iterrows()、mode()需要注意的东西_甘如荠-CSDN博客 Python Pandas dataframe.mode()用法及代码示例 - 纯净天空 (vimsky.com)
    admin 今天
  • fillna()函数的含义
    其他

    fillna()函数的含义

    含义:填充空值 #用常数填充 print (df1.fillna(100)) print ("-----------------------") print (df1) 运行结果:  参考资料: fillna()函数详解_大胡子的博客-CSDN博客_fillna
    admin 今天
  • 计算机视觉论文-2021-12-01
    其他

    计算机视觉论文-2021-12-01

    本专栏是计算机视觉方向论文收集积累,时间:2021年12月1日,来源:paper digest 欢迎关注原创公众号 【计算机视觉联盟】,回复 【西瓜书手推笔记】 可获取我的机器学习纯手推笔记! 直达笔记地址:机器学习手推笔记(GitHub地址) 标题:EA GAN :一种高效的两阶段进化结构搜索算法 作者:应国浩;贺新;高斌;韩波;储小文 类别: cs.简历 [cs.简历LG, cs.NE]突出:为了缓解不稳定的问题,我们提出了一个有效的两阶段进化算法( EA )基于 NAS 框架来发现 GAN ,称为\ text bf { EA GAN }。 标题:基于不可见和保隐私图像域的人体在床姿态估计 作者:曹挺;穆罕默德·阿里·阿明;西蒙·丹曼;拉尔斯·彼得森;戴维·艾哈迈德-阿利斯蒂扎巴尔 类别: cs.简历 [cs.简历LG]突出:自我监督的方法直接从数据中学习功能的有效性的动机,我们提出了一个多模态的条件变分自编码器( MC - VAE )能够从丢失的模式在训练中看到的重建功能。 标题:骨架动作识别的匿名化 作者
    admin 今天
  • " alt="sns.distplot()用法">
    其他

    sns.distplot()用法

    sns.distplot()集合了matplotlib的hist()于sns.kdeplot()功能,增了rugplot分布观测显示与理由scipy库fit拟合参数分布的新颖用途 #参数如下 sns.distplot(a, bins=None, hist=True, kde=True, rug=False, fit=None, hist_kws=None, kde_kws=None, rug_kws=None, fit_kws=None, color=None, vertical=False, norm_hist=False, axlabel=None, label=None, ax=None) 直方图:先分箱,然后计算每个分箱频数的数据分布, 和条形图的区别,条形图有空隙,直方图没有,条形图一般用于类别特征,直方图一般用于数字特征(连续型)多用于y值和数字(连续型)特征的分布画图 import matplotlib.pyplot as plt import numpy as np import pandas as pd impor
    admin 今天
  • 数据预处理之将类别数据数字化的方法 —— LabelEncoder
    其他

    数据预处理之将类别数据数字化的方法 —— LabelEncoder

    LabelEncoder是什么 在数据处理过程中,我们有时需要对不连续的数字或者文本进行数字化处理。在使用 Python 进行数据处理时,用 encoder 来转化 dummy variable(虚拟数据)非常简便,encoder 可以将数据集中的文本转化成0或1的数值。LabelEncoder 是 scikit-learn 包中的两个功能,可以实现上述的转化过程。 数据集中的类别数据 在使用回归模型和机器学习模型时,所有的考察数据都是数值更容易得到好的结果。因为回归和机器学习都是基于数学函数方法的,所以当我们要分析的数据集中出现了类别数据(categorical data),此时的数据是不理想的,因为我们不能用数学的方法处理它们。例如,在处理男和女两个性别数据时,我们用0和1将其代替,再进行分析。由于这种情况的出现,我们需要可以将文字数字化的现成方法。 LabelEncoder 将一列文本数据转化成数值。例如,[red, blue, red, yellow] = [0,2,0,1] 参考资料: 数据预处理之将类别数据数字化的
    admin 今天
  • Sklearn之数据预处理——StandardScaler
    其他

    Sklearn之数据预处理——StandardScaler

    StandardScaler原理 作用:去均值和方差归一化。且是针对每一个特征维度来做的,而不是针对样本。  标准差标准化(standardScale)使得经过处理的数据符合标准正态分布,即均值为0,标准差为1,其转化函数为:               其中μ为所有样本数据的均值,σ为所有样本数据的标准差。  使用sklearn提供的StandardScaler方法 from sklearn.preprocessing import StandardScaler # 标准化工具 import numpy as np x_np = np.array([[1.5, -1., 2.], [2., 0., 0.]]) scaler = StandardScaler() x_train = scaler.fit_transform(x_np) print('矩阵初值为:{}'.format(x_np)) print('该矩阵的均值为:{}\n 该矩阵的标准差为:{}'.format(scaler.mean_,np.sqrt(
    admin 今天
  • 手搓卷积神经网络+mnist手写数字识别
    其他

    手搓卷积神经网络+mnist手写数字识别

    烦,摆烂 输入:28 x 28 x 1 图片 卷积层:8个 3 * 3的卷积核,得到的输出:26x26x8 池化层:4x4x8的最大池化层,得到的输出:13x13x8 将上诉13x13x8的数据展开成全连接层(展平),得到1352个全连接神经元 softmax层:输出10维数据,对应手写数字的10个分类结果 import numpy as np import pandas as pd class Conv3x3: def __init__(self, num_filters): self.num_filters = num_filters self.filters = np.random.randn(num_filters, 3, 3) / 9 def iterate_regions(self, image): h, w = image.shape for i in range(h - 2): for j in r
    admin 今天
  • 分布评价指标分析(切比雪夫距离,KL距离,余弦相似度,平方差和, 巴氏系数)python代码
    其他

    分布评价指标分析(切比雪夫距离,KL距离,余弦相似度,平方差和, 巴氏系数)python代码

    切比雪夫距离 def chebyshev_istance(a_list,b_list): return np.max(np.abs(a_list-b_list)) KL距离 def KLdiv(a_list, b_list): ''' 衡量一个分布相对于另一个分布的差异性;这个指标不能用作距离衡量,因为该指标不具有对称性 概率分布越相近,KL散度越小 ''' return scipy.stats.entropy(a_list,b_list) 余弦相似度 def cosine(a_list, b_list): ''' 计算两个向量列表之间的余弦角来衡量向量列表之间的相似度。 ''' return dot(a_list,b_list)/(norm(a_list)*norm(b_list)) 平方差之和 def sum_
    admin 今天
  • 如何使用 PyTorch 进行半精度训练
    其他

    如何使用 PyTorch 进行半精度训练

    原文链接(可以直接运行代码). 实验: 混合精度训练对比 (GTX 3090 VS TESLA V100-SXM2) 经常有小伙伴问我 TESLA V100 显存 16GB 比 GTX 3090 的 24GB 少了 8GB,价格还一样,为啥要用 V100 呢? 使用精度低于 32 位浮点数的数字格式有很多好处。首先,它们需要 更少的内存,从而能够训练和部署更大的神经网络。其次,它们需要 更少的内存带宽,从而加快数据传输操作。第三,数学运算在降低精度的情况下 运行得更快,尤其是在具有 Tensor Core 支持该精度的 GPU 上。混合精度训练实现了所有这些好处,同时确保与全精度训练相比不会丢失特定于任务的准确性。 使用混合精度训练需要以下两个步骤: 移植模型以使用 FP16 数据类型。添加损失缩放以保留较小的梯度值。 下载数据集 !featurize dataset download 12d
    admin 今天
  • " alt="精确度/召回率/F1值/Micro-F1和Macro-F1的理解">
    其他

    精确度/召回率/F1值/Micro-F1和Macro-F1的理解

    如下图所示,假设有若干张图片,其中12张是狗的图片其余是猫的图片.现在利用程序去识别狗的图片,结果在识别出的8张图片中有5张是狗的图片,3张是猫的图片(属于误报). 图中,实心小圆代表狗的图片,虚心小圆代表猫的图片,圆形区域代表识别结果. 则该程序的精度precision=5/8,召回率recall=5/12。 当一个搜索引擎返回30个页面时,只有20页是相关的,而没有返回40个额外的相关页面,其精确度为20/30 = 2/3,而其召回率为20/60 = 1/3。在这种情况下,精确度是“搜索结果有多大用处”,而召回是“结果如何完整”。 F1值 F1值是精确度和召回率的调和平均值: 精确度和召回率都高时, F1 F1值也会高. F1 F1值在1时达到最佳值(完美的精确度和召回率),最差为0.在二元分类中, F1 F1值是测试准确度的量度。  Micro-F1和Macro-F1 在第一个多标签分类任务中,可以对每个“类”,计算F1,显然我们需要把所有类的F1合并起来考虑。 这里有两种合并方式: 第一种计算出所有类别总的Pre
    admin 今天
  • 数据挖掘week8
    其他

    数据挖掘week8

    推荐算法
    admin 今天
  • 【代码题 考研数据结构】1-1 线性表–基础
    其他

    【代码题 考研数据结构】1-1 线性表–基础

    文章目录 节点结构 头插法创建单链表 尾插法创建单链表 单链表逆置 输出单链表 统计表长 可运行代码 节点结构 typedef struct Node{ int val; struct Node *next; }Node; 头插法创建单链表 //头插
    admin 今天
  • 机器学习基本概念
    其他

    机器学习基本概念

    机器学习基础 1.机器学习的分类 1.1监督学习 定义 给定一组样本(通常由人工标注样本),它可以学会将输入数据映射到已知目标(人工标注标签) 应用 监督学习任务主要为分类与回归 其他一些关于监督学习的变体任务: 序列生成 给定一张图像,预测描述图像的文字 语法树预测 给定一个句子,预测其分解生成的语法树 目标检测 给定一张图像,在图中特定目标用边界框标注出来 图像分割 给定一张图像,在特定物体上画一个像素级的掩模 1.2无监督学习 定义 无监督学习是指在没有目标的情况下寻找数据的有趣变换,即数据无标注,自动学习给定数据的内在模式 应用 降维聚类 1.3自监督学习 定义 自监督学习是监督学习的特例,是没有人工标注的标签的监督学习。其标签是从输入数据中生成的,通常使用启发式算法生成的。 应用 自编码器给定视频中过去的帧来预测下一帧给定文本中前面的词来预测下
    admin 今天
  • VQA中的鲁棒性问题系列研读——2
    其他

    VQA中的鲁棒性问题系列研读——2

    2020-CVPR-Counterfactual Samples Synthesizing for Robust Visual Question Answering 1.文章提出背景: 依旧是基于数据集有语言偏置(language bias)的情况下,模型仅仅捕捉superfacial correlation问题。 我们从数据集的正确率指标来看,确实当前模型的提升空间是很大的,因为即便是在“测试集”上进行选择的ensemble-based方法,它的正确率也就52%,但事实上,这已经是很高的结果了。 现有的这些模型(其实我也只看到没两个模型啊…),采用的往往是附属的仅有语言的模型(auxiliary question-only model)来对VQA模型进行正则化(regularize ),当然,这在VQA-CP数据集上取得了很好的效果。具体的,他们可以分为两大类方法: 1)adversial based mo
    admin 今天
  • pytest
    其他

    pytest

    安装 安装包 pip install pytest pytest : 无法将“pytest”项识别为 cmdlet、函数、脚本文件或可运行程序的名称。请检查名称的拼写,如果包括路径,请确保路径正确,然后再试一次。 所在位置 行:1 字符: 1 设置环境变量 使用 参考:https://pytest.org/en/6.2.x/usage.html # 以“安静”报告模式执行测试功能: pytest -q test_sysexit.py 可以从命令行通过 Python 解释器调用测试: python -m pytest [...] 退出代码 可能的退出代码,运行pytest可能会产生六种不同的退出代码: 退出代码 0 所有测试均已收集并成功通过 退出代码 1 收集并运行了测试,但有些测试失败了 退出代码 2 测试执行被用户中断 退出代码 3 执行测试时发生内部错误 退出代码 4 py
    admin 今天
  • 实时显示GPU的两种方法(灵机一动)
    其他

    实时显示GPU的两种方法(灵机一动)

    实时显示GPU的两种方法(灵机一动) 文章目录 实时显示GPU的两种方法(灵机一动)命令行CMD 实时显示GPUJupyter Notebook 实时显示GPU 最近在跑程序的时候,我在想能不能实时显示我的GPU,而不是每次都在命令行输入一个, nvidia-smi 虽然也能看到我们的GPU显存和GPU利用率,但是我想看到变化之类的,有的人会说了,其实我们可以从我们的任务管理器上看,其实也是,但是利用服务器的时候,利用jupyter跑程序的时候,怎么看呢,似乎看不到任务管理器了。 我思前想去,其实可以利用Python连接我们的命令行,本身来说,我们就是在命令行输入nvidia-smi实时查看的,我看了下我的显卡,1050Ti,4G显存,这就是穷孩子家的电脑么,大大的哭了 对于不同的人,希望显示GPU的地方不同,在这里我给出两段代码,一个实在命令行实时显示,一个是在我们的jup
    admin 今天
  • 研究型论文_基于特征值分布和人工智能的网络入侵检测系统的研究与实现
    其他

    研究型论文_基于特征值分布和人工智能的网络入侵检测系统的研究与实现

    文章目录 基于特征值分布和人工智能的网络入侵检测系统的研究与实现论文摘要论文解决的问题1.系统框架2.数据集样例处理流程3.DSM中定义的一些评分机制4.训练过程模拟(重点来了)总结 基于特征值分布和人工智能的网络入侵检测系统的研究与实现 请结合论文来看。 论文摘要 为维护操作系统的安全性与可靠性,提出了一个具备泛用能力的、基于人工智能模型的网络入侵检测系统框架。该框架主要功能是针对来自互联网里各种形式的网络流量进行检测,并嗅探出可能的入侵攻击及恶意网络连接并将其归类。 该框架首先使用采样、独热编码、特征选择和归一化将网络流量实例进行预处理,获取基本信息与筛选重要特征;然后利用网络连接实例的特征值分布建立评分机制,对数据进行信息再提取;最后,针对不同的网络流量形式,运用不同的基于机器学习或深度学习的模型进行结果判断。 实验中使用三个公开基准数据集KDDCup99,UNSW-NB15 和
    admin 今天
  • 数据挖掘week7
    其他

    数据挖掘week7

    关联规则 一.什么是关联规则 关联规则是一种基于规则的机器学习方法,用于从数据集中寻找物品之间的隐含关系。 可用来寻找购物篮数据之间的联系,方便进行交叉销售;可以进行文本挖掘;也可使用在其他领域比如生物信息学、医疗诊断、地球科学等,发现一些有趣的联系。 二.关联规则的基本概率 (1)关联分析(Association Analysis):在大规模数据集中寻找有趣的关系。 (2)频繁项集(Frequent Item Sets):经常出现在一块的物品的集合,即包含0个或者多个项的集合称为项集。 支持度(Support):数据集中包含该项集的记录所占的比例,是针对项集来说的。 (3)置信度(Confidence):出现某些物品时,另外一些物品必定出现的概率,针对规则而言。 (4)关联规则(Association Rules):暗示两个物品之间可能存在很强的关系。形如A->B的表达式,规则A->B的度量包括支持度和置信
    admin 今天
  • 元宇宙的HTML – USD通用场景描述语言
    其他

    元宇宙的HTML – USD通用场景描述语言

    USD(通用场景描述)是Pixar发明的一种开源文件格式,其起源可以追溯到30年前,随着围绕建立无国界元宇宙的炒作越来越多,这种格式正在得到新的关注。 通用场景描述(USD)被Nvidia Omniverse平台副总裁Richard Kerris在本周GPU技术大会之前的新闻发布会上描述为"3D的HTML"。 Nvidia支持将USD文件格式作为在其Omniverse硬件和软件平台上构建协作元宇宙的关键,通过该平台,企业可以构建和渲染复杂的3D世界、AI模型和动画化身。 USD背后的想法是在多家企业开发的虚拟现实应用程序中共享和重用数十万个3D资产,小组成员在周二的会议上讨论文件格式时表示。 USD允许以协作方式共享3D资产或渲染虚拟世界,并且可以在所谓的元宇宙中将它们连接在一起。从理论上讲,它可以提供钩子来实现桥接,比如说,将Minecraft桥接到Roblox。 文件格式是"一个重要的元素,因为它
    admin 今天
  • NVIDIA GTC主题演讲内容学习<6-end>
    其他

    NVIDIA GTC主题演讲内容学习<6-end>

    这是我们的梅赛德斯Hyperion 8行驶在我们总部附近的城市街道和高速公路上。 您会看到梅赛德斯如何应对并线、人行横道、交叉路口、四叶型立交桥,车辆并线、加塞和避让行人等路况,敬请欣赏。 自动驾驶将彻底改变汽车的驾驶方式并将极大地提高道路安全,车座内舱也将发生革命性变化。 Maxine的技术将重塑我们与汽车的交互方式,有了Maxine,您的车将成为私人管家。 Maxine会准确地向您展示“司机”的想法,使用神经图形重建3D环绕视图,让您可以对自动驾驶充满信心。Maxine会启动代客泊车模式寻找停车位停车。 Maxine拥有我们正在构建的所有惊人的数字人技术,看起来非常聪明。 您会使用什么样的驾驶模式?我的模式有最大续航、超级安静、运动和超级运动您要哪一种?我不想迟到,我选择超级运动模式知道了,已启用超级运动模式 所有这些都将在新的Orin Robotics芯片上运行,未来的汽车将是您的私人AI司机和A
    admin 今天
  • 算法_二叉树_小结
    其他

    算法_二叉树_小结

    文章目录 小结1.二叉树的递归遍历2.二叉树的迭代遍历3.二叉树的层序遍历 小结 1.二叉树的递归遍历 模板: def order(node): if node==None: return # 1.前序遍历 对该节点操作 order(node.left) order(node.right) # 2.中序遍历 order(node.left) 对该节点操作 order(node.right) # 3.后序遍历 order(node.left) order(node.right) 对该节点操作 2.二叉树的迭代遍历 前序遍历 def preorder(root): stack = [] if root: stack.append(root) while stack: # 栈顶元素出栈 node = stack.pop()
    admin 今天
  • Zero shot learning
    其他

    Zero shot learning

    Zero shot learning 主要考察的问题是如何建立语义和视觉特征的关系(视觉特征一般用预训练好的CNN提取特征,不再进行fine-tine) 为了预测从未在训练集上出现的目标种类,仿照人的思维迁移,能根据某些特征描述(他和谁长得像,有点类似于科学家第一次看见鸭嘴兽的感觉),猜测一个从未见过的目标种类。 Zero shot learning:假设斑马是未见过的类别,但根据描述和过去知识的印象即马(和马相似)、老虎(有条纹)、熊猫(颜色)相似进行推理出斑马的具体形态,从而能对新对象进行辨认。 零次学习就是希望能够模仿人类的这个推理过程,使得计算机具有识别新事物的能力 过程 [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-cKclHUwA-1638407670286)(C:\Users\Lan\AppData\Roaming\Typora\typo
    admin 今天
  • 机器学习——决策树
    其他

    机器学习——决策树

    1. 决策树算法思想 1.1 概述 决策树算法:是一种分治算法,目的是构建一个基于属性的树形分类器。 每个非叶结点代表一个特征属性上的测试(分割);每个分支代表这个特征属性在某个值域上的输出;每个叶结点代表一个类别。 使用决策树进行决策的过程就是从根结点开始,测试待分类项中相应的特征属性,并按照其值选择输出分支,直到达到叶结点,将叶结点存放的类别作为决策结果。 1.2 决策树构建 决策树构建:分治思想(递归)。 对于当前结点结束递归的条件: 当前结点样本均属于同一类别,无需划分; 当前属性集为空,无法划分; 所有样本在当前属性集上取值相同,无法划分; 当前结点包含的样本集合为空,无法划分。 算法伪代码: 注:第2~3行对应于递归结束条件1,第5~6行对应于递归结束条件2和3,第11~12行对应于递归条件4。 9~16行的个人理解:对于最佳划分属性
    admin 今天
  • (深入理解)强化学习中on policy和off policy的区别
    其他

    (深入理解)强化学习中on policy和off policy的区别

    前言 这两个东西区别我个人感觉还挺玄学的。看到有很多说法,但是却感觉说的不是一个东西。 就比如有人总是喜欢把off policy分为行为策略和目标策略,说什么行为策略用来探索,目标策略用来学习。但是这个明显是DQN的特征(没学过DQN的有点吃亏哈) 所以,甚至官方描述也是用这样的: On-policy: The agent learned and the agent interacting with the environment is the same. 行为策略和目标策略一样 Off-policy: The agent learned and the agent interacting with the environment is different.行为策略和目标策略不一样 正文 但是个人却感觉并不是这样的, 把DQN划分为这两个策略确实有些道理
    admin 今天
  • 计算机学习网站
    其他

    计算机学习网站

    C语言中文网:C语言程序设计门户网站(入门教程、编程软件)http://c.biancheng.net/Python3 os.path() 模块 | 菜鸟教程Python3 os.path() 模块 Python3 OS 文件/目录方法 os.path 模块主要用于获取文件的属性。 以下是 os.path 模块的几种常用方法: 方法说明 os.path.abspath(path) 返回绝对路径 os.path.basename(path) 返回文件名 os.path.commonprefix(list) 返回list(多个路径)中,所有path共有的最长的路径 os.path.di..https://www.runoob.com/python3/python3-os-path.html
    admin 今天
  • 高压带电显示器局放检测面板式四合一局放在线监测/带电故障显示/无线测温装置
    其他

    高压带电显示器局放检测面板式四合一局放在线监测/带电故障显示/无线测温装置

    配电物联网的建设离不开设备在线监测,高压开关设备作为电网公司的重要财产,其运行状态的好与坏对供电安全可靠具有重要。而在线监测装置是构建配电物联网的重要手段。近日国网及南方电网均对高压成套设备部署局部放电,无线测温等在线监测设备。而一种带电显示、故障显示、无线测温、局放检测四合一的面板式局放在线监测装置出现在诸多设计图纸中,该产品有何优势,工作原理,如何选型配置呢?笔者斗胆简要介绍,以其抛砖引玉。如果你是行业专家希望你以微服私访的心态,对笔者的浅知薄见一笑了之,如果你心怀慈悲又肯不吝赐教本人将感激不尽。 一:图纸设计要求(见下图) 二、什么是局放? 高压带电显示器成套从业者均非常熟悉,关键是这个局放检测装置是喜么玩意?可能大家还不太清楚。那么我们就先从局部放电检测装置说起。局部放电PD(partial discharge)现象,主要指的是封闭式金属高压电气设备(MCSG)。据电网统计,局部放电是造成高压电气设
    admin 今天
  • sklearn naive_bayes
    其他

    sklearn naive_bayes

    文章目录 sklearn naive_bayesrefnote sklearn naive_bayes 朴素贝叶斯 sklearn.naive_bayes.***NB ref sklearn朴素贝叶斯类库使用小结 主要介绍都在这里(2017) python机器学习小记——基于朴素贝叶斯(Native Bayes,NB)模型的分类预测 原理介绍 note 三种贝叶斯分类算法: GaussianNB(高斯朴素贝叶斯) sklearn.naive_bayes.GaussianNB(priors=None) priors:先验概率,list 样本特征的分布大部分是连续值 MultinomialNB(多项式朴素贝叶斯) sklearn.naive_bayes.MultinomialNB(alpha=1.0, fit_prior=True,
    admin 今天
  • 第1节:感知机perceptron原理与numpy复现
    其他

    第1节:感知机perceptron原理与numpy复现

    文章目录 感知机perception感知机原理感知机学习策略 numpy复现 感知机perception 感知机是最古老的分类方法之一.在1957年就已经提出了.虽然今天看他的分类模型泛化能力不强,但是还是值得去深入研究,因为感知机是神经网络的雏形.感知机perception是二分类的线性分类模型,输入是实例的特征向量,输出是+1和-1二值.感知机对于输入空间中将实例划分为正负两个类的超平面,属于判别模型.感知机学习过程就是将数据集进行线性瓜分,导入损失函数,并以梯度下降来对损失函数进行极小化,求得感知机模型.感知机预测就是对训练好的模型进行预测. 感知机原理 假设输入空间是x,x是实例的特征向量,输出空间是y,y的取值范围为{-1,+1} f
    admin 今天
  • 算法_二叉树_翻转二叉树
    其他

    算法_二叉树_翻转二叉树

    文章目录 翻转二叉树1.解法2.总结算法 翻转二叉树 leetcode链接 1.解法 解法思路: 想把二叉树翻转,其实仔细一看,就是把每个二叉树的节点的左右孩子翻转,这样总体效果就是把整个二叉树翻转了。 所以只需要通过一种遍历手段把所有节点都遍历了,然后把每个节点的左右孩子翻转即可。 遍历手段选择: 前序遍历后序遍历层序遍历 这三种方式都可以,但是不要选择中序遍历。我们来考虑下面这棵树: 如果使用中序遍历(1234679) 首先需要先遍历1节点,然后翻转左右孩子,左右孩子都是空节点。然后遍历2节点,翻转左右孩子1和3,树变成了下面这个模样。 然后遍历2的右孩子,注意此时2的右孩子变为了1,但是我们的本意应该是想把3节点的左右孩子翻转,所以使用中序遍历会把某个节点(这个例子中是1节点)的左右孩子翻转两次,还会使得某个节点(这个例子中是3节点)的左右孩子不翻转。所以最好不
    admin 今天
  • 【人脸识别实战二】服务器端设计与实现
    其他

    【人脸识别实战二】服务器端设计与实现

    目录 1、前言 2、网络处理模块 2.1 消息处理流程 2.2 消息数据格式 3、人脸图像处理模块 3.1 人脸检测 3.1.1 MTCNN原理简介 3.1.2 算法集成 3.2 人脸对齐 3.3 人脸识别 3.3.1 FaceNet 3.3.2 InsightFace原理 3.4 算法集成设计与实现 3.4.1 类接口设计 3.4.2 算法集成实现 4、特征数据库管理模块 4.1 业务交互流程 4.2 数据库表设计 4.3 人脸特征存储格式 1、前言     本文是《人脸识别实战》系列文章的第二篇,主要描述服务器端各模块的详细设计,包括网络处理模块的处理流程,图像处理模块中的人脸检测与人脸识别算法的集成,以及数据库管理模块的业务逻辑与数据表的设计与实现。  关注公众号 AIPlayer获取项目源码地址 2、网络处理模块 2.1 消息处理流程     使用Reactor模式实现高并发处理,负责处理客户端网络连接与数据接收及发送。Reactor采用多线程+epoll的处理方式实现
    admin 今天
  • WinEdt教程 表格,图像,公式,段落
    其他

    WinEdt教程 表格,图像,公式,段落

    目录 winedt gather:查看选项卡  dvipdf  dvi ps:格式转化​ GhostView:图形界面程序用于阅读 article没有 mainmatter:计页数开始 段落间隔:空一行  dvi文件格式 百分号使用  美元符号使用:$ :数学公式  大括号使用:\{​  反斜杠:$\backslash$​ 标题结束:\maketitle​ winedt显示行数 winedt 快捷键 Undefined control sequence. \chapter{XX}  windet 中tree ​ 目录索引:\tableofcontents ​页码问题:\mainmatter,决定main par​ item使用 enumeration :枚举item  enumeration 小写a b​ 使用enumerate包形成A,a item 加粗item:/bfseries  subitem 加粗: \sffamily  序号从5 开始:\setcounter{enumi}{5} ​表
    admin 今天
  • 支持向量机设计思想和相关面试题
    其他

    支持向量机设计思想和相关面试题

    支持向量机从idea到优化方法的全流程 支持向量机的key idea?         key idea1: 待分类点在决策边界法向量上的投影大于决策边界到原点的距离,则是正样本         key idea2: 如何求支持向量的间隔                 选取一个正样本X+ 一个负样本X- 求X+ - X-在决策边界法向量上的投影长度                                         key idea3 如何最大化支持向量的间隔?                    key4 如何将带限制条件的函数极值算法 转化为 不带限制条件的函数极值算法  对w求偏导 = 0 w是支持向量得到线性组合  对b求偏导        key idea4:只需知道训练集中两个样本的点乘就行             key idea5  推断一个点 无需知道法向量 w 只要知道 样本点和支持向量的内积  什么是核方法?只需知道非线性变换的点的内积
    admin 今天
  • 爬取汽车网站汽车数据
    其他

    爬取汽车网站汽车数据

    from selenium import webdriver from selenium.webdriver.firefox.options import Options import datetime import openpyxl import re import time import os def get_connect(): firefox_options = Options() # 设置无头 firefox_options.headless = True browser = webdriver.Firefox(firefox_options=firefox_options) browser.get("https://www.dongchedi.com/auto/library/x-x-x-x-x-x-x-x-x-x-x") browser.implicitly_wait(5) return browser def parse_car_data():
    admin 今天
  • 图数据分析到图卷积神经网络
    其他

    图数据分析到图卷积神经网络

    图数据(0,1板块) 目录: 0、引入 1、图数据 1.1 何为图数据 1.2 图相关的理论铺垫 1.2.1 线性代数——从矩阵的乘法到以特征向量为基的线性变换 1.2.2 谱图理论 1.3 图数据应用——谱聚类 第1板块 总结 2、图卷积神经网络综述 3、图卷积神经网络的实践 0.引入——卷积神经网络到图数据 \qquad 卷积神经网络的发展极大促进了深度学习的发展,广泛应用于图像识别和自然语言处理领域,卷积神经网络几乎能做到将很多问题毕其功于一役,以下特点可谓功不可没: 1、利用平移不变性抽取局部的特征——局部不变性 2、通过多层的卷积来实现低级到高级抽象特征的抽取 3、权重共享,降低训练成本
    admin 今天
  • MATLAB神经网络
    其他

    MATLAB神经网络

    神经网络编程入门 - 苍梧 - 博客园 如何利用matlab做BP神经网络分析(利用matlab神经网络工具箱)_It’s All Uphill From Here-CSDN博客_matlab神经网络MATLAB神经网络工具箱入门 - 知乎  
    admin 今天
  • matlab代码重改python代码,对应函数
    其他

    matlab代码重改python代码,对应函数

    (2021)matlab代码重改python代码,对应函数——全!_Troublemaker丶的博客-CSDN博客
    admin 今天
  • 关于python的GUI界面
    其他

    关于python的GUI界面

    在尝试将pytorch图像识别的结果用用户界面的形式展示: 最开始试图用C#写界面(毕竟写界面C#还是非常人性化的),然后通过按钮事件调用python识别,并将结果返回C#(或者将结果写入文档,并用C#重新读取),但不管怎么尝试,搜了好多方式,都无法实现简单的按钮事件调用(搜到的a+b例子也无法复现)。 无奈,搜索了一下,发现python自带的tkinter可以实现用户界面的。记录一下基本用法: root = Tk() 可以理解为初始化好图形界面 root.geometry('1280x640') 定义尺寸 e = StringVar() e_entry = Entry(root, textvariable=e) e_entry.grid(row=6, column=1, padx=10, pady=5) 定义文本框(可编辑) e1 = StringVar() e1_entry = Label(root, textvariable=e1) e1_entry.grid(row=12, column=1, padx=10, pad
    admin 昨天
  • Python还值得学吗?
    其他

    Python还值得学吗?

    作者| 梦想橡皮擦 责编 | 张红月 出品 | CSDN(ID:CSDNnews) 5G时代,直播早已是如日中天,火出了天际。那么,作为天天与编程语言打交道的我们,如果邀请各大编程语言来当主播,你觉得谁的直播间人气会最高? 是榜上有名的热门老将Python、Java、C/C++还是人气新星Go、Rust呢?尽管结果未知,但蟒蛇Python直播间的人气可预料一番,“人生苦短,我学Python”弹幕无疑会刷屏。 凭借入门难度低,人人都能学以及大数据、人工智能、算法的加持,Python的人气早已居高不下。 截图自[CSDN指数](https://www.csdn.net/trends)-Python领域指数 面对眼花缭乱的编程资料、培训班课程,小白该如何由点及面地学习呢?对此,我们不妨来看看CSDN推出的Python技能树,领略一下Python的“过人之处”吧。 什么是Python技能树
    admin 昨天
  • 1.依据最小错误率的贝叶斯决策对观察的结果进行分类MATLAB程序代码
    其他

    1.依据最小错误率的贝叶斯决策对观察的结果进行分类MATLAB程序代码

    一、题目: 假定某个局部区域细胞识别中正常P(w1)和异常P(w2)两类先验概率分别为P(w1)=0.9, P(w2)=0.1现有一系列待观察的细胞,其观察值为:-2.67 -3.55 -1.24 -0.98 -0.79 -2.85 -2.76 -3.73 -3.54 -2.27 -3.45 -3.08 -1.58 -1.49 -0.74 -0.42 -1.12 4.25 -3.99 2.88 -0.98 0.79 1.19 3.07 两类的类条件概率符合正态分布p(x|w1)=(-2,1.5), p(x|w2)=(2,2).依据最小错误率的贝叶斯决策对观察的结果进行分类。 二、学习目标MATLAB程序代码: %1.导入数据 clc clear x=[-2.67 -3.55 -1.24 -0.98 -0.79 -2.85 -2.76 -3.73 -3.54 -2.27 -3.45 -3.08 -1.58 -1.49 -0.74 -0.42 -1.12 4.25 -3.99 2.88 -0.98 0.79
    admin 昨天
  • AI入门记录(2)
    其他

    AI入门记录(2)

    1.排序算法 1.1冒泡排序 从小到大排序,第一轮将最大的泡浮到最后,第二轮将次大的泡浮到倒数第二个,… def bubble_sort(array): for i in range(1,len(array)): for j in range(0,len(array)-i): if array[j]>array[j+1]: array[j],array[j+1]=array[j+1],array[j] return array 1.2选择排序 第一轮目标是找出所有数中的最小数放第一个,第二轮是找出剩余数的最小数放第二个,…那第一轮从位置0开始找后面的数挑衅,我是最小的,遇到比我的就偷偷记下座位号,一轮结束后才和最小的交换位置。 def select_sort(array): for i in range(
    admin 昨天
  • 隐藏与显示macos桌面文件
    其他

    隐藏与显示macos桌面文件

    文章目录 方法1方法2 视频 显示和隐藏macos桌面文件 方法1 安装 $ brew install hudochenkov/sshpass/sshpass 配置 $ vim ~/.zshrc #添加两行(位置随意) alias hide=' defaults write com.apple.finder CreateDesktop -bool false;killall Finder' alias show=' defaults write com.apple.finder CreateDesktop -bool true;killall Finder' 刷新文件 $ source ~/.zshrc $ hide #可以隐藏桌面文件 $ show # 可显示桌面问价 方法2 alfredhttps://github.com/errolyan/alfred
    admin 昨天
  • nn.Conv2d()中dilation参数的作用
    其他

    nn.Conv2d()中dilation参数的作用

    nn.Conv2d()中dilation参数的作用 下面这张图很好的描述了这个参数的作用 优点: 这样每次进行单次计算时覆盖的面积(感受域)增大,最开始时3*3 = 9 然后是5*5 = 25最后是7*7=49,增加了感受域却并未增加计算量,保留了更多的细节信息,对图像还原有明显的提升。
    admin 昨天