原创 機器學習筆試易錯題

參考:博客鏈接 **注:**模型的特徵數量,暗示模型變複雜;增加樣本數量是爲了解決過擬合,即減少方差。 注:此處的x: yes, no,按下面的思路分別計算,最大的是A 注: γ 越大,高斯核

原创 python pip安裝第三方庫很慢的解決方案

指定豆瓣源或者其他源 pip install Django -i https://pypi.douban.com/simple 庫名 如:安裝jupyter_contrib_nbextensions pip install D

原创 DCGAN基於深度卷積生成對抗網絡的實例 ——CIFAR-10圖像的生成

代碼摘要: 1.讀取數據 2.搭建鑑別網絡和生成網絡 3.初始化網絡的權重值 4.訓練鑑別網絡和生成網絡(時間大概需要幾個小時) root路徑可以自己設置  "分批讀取CIFAR-10圖片並將部分批次保存爲圖片文件" from tor

原创 3.Highway Network& Grid LSTM(李宏毅)

1.Feedforward與Recurrent 在說明Highway Network之前先回顧Feedforward與Feedforward Feedforward 1.經過t層之後得到y,每個f皆不相同 2.這邊的t所指爲La

原创 matlab與C++混合編程 helloworld

按這個鏈接下載安裝https://blog.csdn.net/zhanshen112/article/details/79484031 出現上面的圖,說明安裝成功! 下面就可以運行程序了 編寫helloworld程序,是基於類編寫的 /

原创 Pandas versus Excel 筆記1(創建及讀取Excel)

創建Excel文件 import pandas as pd from openpyxl import Workbook #爲了正常保存excel文件,需導入此包 df=pd.DataFrame({'ID':

原创 通俗理解生成對抗網絡的核心思想

1.先看一個簡單的例子什麼是生成對抗網絡的原理 2.生成網絡的結構——要點 3.應用:生成對抗網絡生成圖像

原创 pytorch編程基礎———張量的常見操作

本文主要講解pytorch主要的張量運算,下面是個人的筆記,個人建議與jupyter notebook一起編寫理解函數效果會更好。 1.張量的構造 2.組織張量中的元素 3.選取張量中的元素 4.張量的擴展與拼接  

原创 matlab 最舒適的背景配色

1, 在matlab命令行中運行prefdir, 獲取matlab.prf文件所在路徑 2, 打開matlab.prf所在路徑, 找到matlab.prf文件, 作備份 3, 在新的matlab.prf中將新的方案直接粘貼進來,可以直接用

原创 安裝python第三方庫

方法一:利用anaconda安裝 1.conda install 包名 2.上述不成功,換下鏡像 換下鏡像,添加鏡像 conda config --show channels conda config --add channels

原创 循環神經網絡的核心思想

循環神經網絡常用於處理信號處理,時間序列處理。 先介紹三種循環網絡結構:單向單層循環網絡結構、多層循環網絡結構、雙向循環結構 要點:H爲隱藏張量,C爲單元狀態張量。本人筆記中已介紹。下面三個圖好好看。 接下來介紹上面網絡結構中的每個神經

原创 圖像的特徵點檢測-Opencv實現

1.基本概念 特徵點: 可以理解爲區別於其它部分或物體的地方。根據特徵應該能準確、唯一地識別出對應目標。 例如在一堆青蘋果中,有幾個紅蘋果。那麼紅色就是可以準確識別出紅蘋果的有效特徵。人眼對特徵的識別通常是在一個局部的小區域或小窗

原创 6.Pointer Network(李宏毅)

提出的動機 Sequence2Sequence(簡稱seq2seq)模型是RNN的一個重要的應用場景,顧名思義,它實現了把一個序列轉換成另外一個序列的功能,並且不要求輸入序列和輸出序列等長。 傳統的seq2seq模型是無法解決輸出

原创 高效管理matlab代碼(不同文件的函數調用,乾貨技巧)

關鍵語句: addpath(genpath('引用的路徑'));將該語句添加的要執行的腳本中 我的路徑 : E:\matlabDM\交大課題組, 代碼有很多,數據,核心函數,腳本文件等等,一開始放到一起還可以,隨着函數、數據

原创 圖像處理閾值-opencv實現

三種閾值 簡單閾值:是固定一個閾值(一個數) 自適應閾值:閾值即取相鄰領域(小鄰域-閾值)(很多閾值) Otsu’s二值化:是自己學習一個閾值(一個數) 簡單閾值 正如它的名字,直接根據給定的閾值進行判斷,大於則爲1,小於則爲0。