原创 數據處理之特徵縮放

1.原因 現在有兩個特徵u1和u2,u1過大會導致其權重過大,想要學習,反向更新下來會很慢,所以進行特徵縮放,將特徵值壓縮到(0,1)或者(-1,1)之間,儘量讓各特徵的權重相差不大。 縮放前: 縮放後: 2.特徵縮放的方法

原创 手撕代碼+劍指offer總結

文章目錄1.華爲手撕代碼總結1.1排序問題1.2鏈表求和1.3樹的前中後序遍歷(遞歸/循環寫法)1.4樹的鏈表化1.5給一個初始飲料瓶數,三個空瓶換一瓶,可以賒一瓶,求最後能喝幾瓶1.6島嶼最大面積問題1.7自己面試手撕的5道算法

原创 matlab GUI基礎操作

實習不讓用python ,天知道我之前都沒學過matlab,是怎麼強迫自己兩天學會m語言基本操作,一個星期整出模型,一個星期有學會GUI界面設計的!!! 果然不逼自己一把,永遠不知道自己是多麼的棒棒噠!!!! 但說真的,GUI好簡

原创 文件的讀取與寫入

文件的讀取 path_csv =open(r"E:\xiaopeng\txt_xbnf\standard.csv",encoding='utf-8') csv_data = pd.read_csv(path_csv) N =

原创 音頻處理

批量讀取文件 path = r"E:\xiaopeng\誤喚醒\Wav" # 添加路徑 filenames = os.listdir(path) # 得到文件夾下的所有文件名稱 for file in filenames:

原创 python環境jieba分詞

對於中文分詞,有jieba和hanlp兩種包,但是hanlp需要java環境,而對於我的關鍵詞提取需求,jieba已然足夠,所以我採用了jieba. 首先安裝:pip install jieba 幾種分詞方法 # encodi

原创 opencv--python(四)haar,直方圖+反向投影,meanshift和Camshift追蹤算法

haar人臉檢測器 OpenCV 已經包含了很多已經訓練好的分類器,其中包括:面部,眼睛,微笑等。我們只需加載需要的 XML 分類器。然後以灰度格式加載輸入圖像或者是視頻。如果檢測到面部,它會返回面部所在的矩形區域 Rect(x,

原创 opencv--python(五)光流法/背景分割(MOG2)/腐蝕膨脹

1. 光流法 光流:由於目標對象或者攝像機的移動造成的圖像對象在連續兩幀圖像中的移動被稱爲光流。它是一個 2D 向量場,可以用來顯示一個點從第一幀圖像到第二 幀圖像之間的移動。 光流是基於一下假設的: 在連續的兩幀圖像之間(目標對象

原创 opencv--python(二)圖像基本操作

獲取並修改像素值 import numpy as np import cv2 img_path = "D:/DL/AI-future/af2019-cv-training-20190312/00/00aed3c6b8f351e5

原创 opencv--python(三)圖像處理之閾值/變換/降噪

顏色空間轉換: 需要cv2.cvtColor(),cv2.inRange() 等。 轉換的方法經常用到的就兩種:BGR↔Gray 和 BGR↔HSV。用到的函數是cv2.cvtColor(input_image,fla

原创 opencv--python(一)圖像和視頻處理之讀取,顯示和保存

1. 圖片的讀取,保存與顯示: 1)調用opencv import numpy as np import cv2 img_path = "D:/DL/AI-future/af2019-cv-training-20190312/00/

原创 Dropout

Dropout說的簡單一點就是: 我們在前向傳播的時候,讓某個神經元的激活值以一定的概率p停止工作,這樣可以使模型泛化性更強,因爲它不會太依賴某些局部的特徵,如圖1所示。 假設我們要訓練這樣一個神經網絡,輸入是x輸出是y,正常的流程是

原创 批量歸一化(BN: Batch Normalization)

BN的地位: 與激活函數層、卷積層、全連接層、池化層一樣,BN(Batch Normalization)也屬於網絡的一層。與激活函數層、卷積層、全連接層、池化層一樣,BN(Batch Normalization)也屬於網絡的一層。

原创 列表,元組和字典

1)列表 list=[] dir(list.()) #顯示自操作方法[ 'append', 'clear', 'copy', 'count', 'extend', 'index', 'insert', 'pop', 'remove',

原创 數據預處理(常用)

1.數據清洗 數據清洗主要是刪除原始數據集中的無關數據、重複數據,平滑噪聲數據,篩選掉與挖掘主題無關的數據,處理缺失值、異常值等。 1)缺失值處理主要有三種方法:刪除記錄、數據插補和不處理。當然這裏數據插補是最使用最多的,包括均值/中