Np

首页 > TAG信息列表 > Np

深度学习：优化算法

1 梯度下降为什么梯度下降算法可以优化目标函数？考虑一类连续可微实值函数$f: \mathbb{R} \rightarrow \mathbb{R}$，利用泰勒展开，我们可以得到 \[f(x + \epsilon) = f(x) + \epsilon f'(x) + \mathcal{O}(\epsilon^2). \]\[f(x - \eta f'(x)) = f(x) - \eta f'^2(x) + \mathcal

Matplotlib画图常用命令

1. 后处理Epoch结果：代码及图 import sdf_helper as sh import numpy as np import matplotlib.pyplot as plt from matplotlib.ticker import MultipleLocator as ml from matplotlib.ticker import ScalarFormatter as sf import matplotlib.ticker as ticker import matplotlib

AdaBoost：自适应提升算法的原理及其实现

AdaBoost：通过改变训练样本权重来学习多个弱分类器并线性组合成强分类器的Boosting算法。 Boosting方法要解答的两个关键问题：一是在训练过程中如何改变训练样本的权重或者概率分布，二是如何将多个弱分类器组合成一个强分类器。 AdaBoost的做法：一是提高前一轮被弱分类器分类错误

动手实现深度学习(4): 神经网络的backward实现

传送门： https://www.cnblogs.com/greentomlee/p/12314064.html github: https://github.com/Leezhen2014/python_deep_learning 在第二篇中介绍了用数值微分的形式计算神经网络的梯度，数值微分的形式比较简单也容易实现，但是计算上比较耗时。本章会介绍一种能够较为高效的计算

动手实现深度学习（7）：基于计算图的Affine层的实现

传送门： https://www.cnblogs.com/greentomlee/p/12314064.html github: Leezhen2014: https://github.com/Leezhen2014/python_deep_learning 我们已经可以实现一些简单的节点（比如，加法，乘法等），以及激活函数；并且已经知道了 backward() 函数的实现的方法：只要计算偏导数即可，将

python操作Excel的5种常用方式

Python对Excel的读写主要有xlrd、xlwt、xlutils、openpyxl、xlsxwriter几种。 1.xlrd主要是用来读取excel文件 import xlrd import numpy as np data = xlrd.open_workbook('用户2用电1号主变.xls') # 打开第一张表 table = data.sheets()[0] # 获取表的行数 nrows = table.nrows

神经网络——浅浅的做个笔记

有四个激活函数 import matplotlib.pyplot as plt import numpy as np x = np.linspace(-10,10) y_sigmoid = 1/(1+np.exp(-x)) y_tanh = (np.exp(x)-np.exp(-x))/(np.exp(x)+np.exp(-x)) fig = plt.figure() #plot sigmoid ax = fig.add_subplot(221) ax.plot(x,y_sigmoid) a

NumPy科学计算库学习_003_创建NumPy数组的IO操作

1、导入库 import numpy as np 2、生成一个数组 arr_io_1 = np.random.randint(0,10,(2,3)) arr_io_2 = np.random.randint(0,10,3) print("【arr_io_1】\n",arr_io_1) print("【arr_io_2】\n",arr_io_2) 【arr_io_1】 [[4 9 8] [4 6 2]] 【arr_io_2】 [9 6 2] 3、将一个

《Poisson Image Editing》论文理解与复现

1. 导读本报告的主要内容是阅读《Poisson Image Editing》论文之后对原理进行理解并利用python复现论文中的每个功能。 2. 引言图像融合是图像处理的一个基本问题，目的是将源图像中一个物体或者一个区域嵌入到目标图像生成一个新的图像。在对图像进行合成的过程中，为了使合成后的

matplotlib 图表组成元素

在一个图像输出窗口中，底层是一个 Figure 实例，我们通常称之为画布，包含了一些可见和不可见的元素。在画布上作出图形，这些图形是 Axes 实例，Axes 实例几乎包含了我们需要用到的 matplotlib 组成元素，例如坐标轴、刻度、标签、线和标记等。 import matplotlib.pyplot as plt import num

DKK 模型

Qsymm Python import numpy as np import sympy import qsymm # Spatial inversion pU = np.array([ [1.0, 0.0, 0.0], [0.0, 1.0, 0.0], [0.0, 0.0, 1.0] ]) pS = qsymm.inversion(3, U=pU) # Time reversal trU = np.array([ [0.0, 0.0, -1.0, 0.0],

Python数据分析易错知识点归纳（三）：Pandas

三、pandas 不带括号的基本属性 df.index df.columns 注意可以直接赋值，如： df.columns = ['A', 'B', 'C'] df.values df.shape 返回元组 df.size 总个数 df.dtypes # 返回布尔值，表示对象是否为空 df.empty 设置不隐藏 pd.set_option('display.max_columns', 1000) pd.set_

计算机算法设计与分析第一章总结

1.1算法与程序　　算法的性质：输入、输出、确定性、有限性。　　程序是算法用某种程序设计语言的具体实现，可以不满足算法的有限性。 1.2算法复杂性分析　　算法复杂性是算法运行所需要的计算机资源的量，需要时间资源的量称为时间复杂性，需要空间资源的量称为空间复杂性。　　一般

Numpy 的广播机制高效计算矩阵之间两两距离

利用numpy可以很方便的计算两个二维数组之间的距离。二维数组之间的距离定义为：X的维度为(m, c),Y的维度为(m,c),Z为X到Y的距离数组,维度为(m,n)。且Z[0,0]是X[0]到Y[0]的距离。Z(a,b)为X[a]到Y[b]的距离。例如：计算 m*2 的矩阵与 n * 2 的矩阵中，m*2 的每一行到 n*2 的

Python实现PCA(Principal Component Analysis)

1.基本原理 PCA是机器学习和统计学领域一类特征降维算法。由于样本数据往往会有很多的特征，这会带来以下挑战：样本的维度超过3维则无法可视化；维度过高可能会存在特征冗余，不利于模型训练，等等；而PCA的目的就是在降低特征维度的同时，最大程度地保证原始信息的完整。 2.案例点击查

2 计算模型与复杂性类 | 密码协议课程笔记

1 计算模型1：图灵机 1.1 图灵机的定义图灵机是一个简洁的计算模型。我们可以将图灵机视为拥有一个无限长、可以双向移动的工作带的有限自动机。在初始阶段，工作带开始的几个格里包含输入，其余的为空白。在计算过程中的每个时刻，机器观察到它当前的控制状态以及它读写头所指位置的符

【实验记录】matplotlib的使用

我现在觉得似乎matplotlib画出来的图更方便，更好看。而其是和ggplot2不一样的绘图的思路，所以我还是蛮想学习一下的。我必须要有所进步才行。 Figure fig = plt.figure() #没有坐标轴的空的图片 fig ,ax = plt.subplots() #一张图片 #这个一般比较常用 fig ,axs = plt.subplots(

使用 NumPy 进行数据处理——数据科学第 185 天

使用 NumPy 进行数据预处理——数据科学第 185 天 Source: https://numpy.org/ 上次，我们查看了安装 NumPy 包并探索了使用 NumPy 的数组的基础知识。 — 是的，上次是第 184 天，但我在发表文章时打错了字。 [ 使用 NumPy 进行数据处理——数据科学第 146 天是的，已经有一段时间了。

2-SAT

$\text{k-SAT}$：有 $n$ 个变量，$k$ 种取值；$m$ 个 $\text{bool}$ 条件，每个条件至多涉及两个变量；求 $n$ 个变量的一组取值，使得它满足这 $m$ 个条件。当 $k > 2$ 的时候，这是一个 $\text{NP}$ 问题，且是第一个 $\text{NP}$ 问题。 $\text{P}$ 问题：有一种与输入规模成多项式关系的算法，其

np.squeeze

np.squeeze：从数组的形状中删除维度为 $1$ 的维度。 np.squeeze(arr, axis) 参数： arr：输入数组 axis：整数或整数元组，用于选择形状中一维维度的子集。示例： import numpy as np x = np.arange(9).reshape(1, 3, 3) print(x) y = np.squeeze(x) print(y) print(x.shape, y.shap

pywinauto app自动化的实践

from pywinauto import Application app = Application(backend='uia').start("notepad") # print(app.windows()) # # 无标题 - 记事本 dlg = app.YourDialogTitle # print(dlg) np=app["无标题 - 记事本"] np['Edit'].type_keys("九零五五五五

五、神经网络训练——数据预处理

1.均值减法它对数据中每个独立特征减去平均值，从几何上可以理解为在每个维度上都将数据云的中心都迁移到原点。在numpy中，该操作可以通过代码X -= np.mean(X, axis=0)实现。而对于图像，更常用的是对所有像素都减去一个值，可以用X -= np.mean(X)实现，也可以在3个颜色通道上分别操作。

numpy

暑假的小存货~ numpy库 numpy库最重要的对象是新定义n维数组 $ndarray$ 创建 $numpy.array()$ import numpy as np a = np.array([1,2,3]) type(a) #<class 'numpy.ndarray'> $np.zeros((n,m))$ np.zeros((2,3)) array([[0., 0., 0.], [0., 0., 0.]]) \(np.one

手写卷积单元-python

一个文本卷积模块 def cnn(): import numpy as np result = [] n, dim = 10, 30 kernels = [np.random.randint(0,2,(i, dim)) for i in range(3,6)] # 生成3个长度不同的一维卷积核 data = np.random.random((n, dim)) # 生成数据，np.random.random生成

跟我学Python图像处理丨基于灰度三维图的图像顶帽运算和黑帽运算

摘要：本篇文章结合灰度三维图像讲解图像顶帽运算和图像黑猫运算，通过Python调用OpenCV函数实现。本文分享自华为云社区《[Python图像处理] 十三.基于灰度三维图的图像顶帽运算和黑帽运算》，作者： eastmount。本篇文章继续深入，结合灰度三维图像讲解图像顶帽运算和图像黑猫运算，通过Pyt