原创 OPNET 測試實例

在網上找了好久OPNET的測試小實例,發現大部分跑不出來結果,經過一番“折騰”,終於走通了流程,下面一起看看吧! 打開OPNET,選擇New-->project-->輸入項目名稱,場景名稱(一個Project可以包含多個場景) 選擇創建新

原创 python:Numpy常用操作(五):數據讀取

準備數據 import numpy as np np.random.seed(100) nd11=np.random.random([10]) print(nd11) 實驗結果: (1)從指定位置讀取 print(nd11[3])#

原创 python:Theano 基礎

import theano from theano import tensor as T #初始化張量 x=T.scalar(name='input',dtype='float32') w=T.scalar(name='input',d

原创 CNN卷積中卷積層,卷積核,通道概念及卷積過程詳解

1.卷積層,卷積核,通道概念及作用 卷積層:又稱濾波器(filter)或者內核(kernel),TensorFlow文檔中稱之爲濾波器(filter)。用於對輸入的圖像結構進行特徵提取。 卷積核:同上卷積層。 通道:指濾波器的個數。輸出的

原创 python:Numpy常用操作(四):從磁盤中讀取及arange函數

一:將隨機生成的數據寫入磁盤,並從磁盤中讀取: import numpy as np nd9=np.random.random([5,5])#從文件中加載 np.savetxt(X=nd9,fname='./test2.txt') nd

原创 Linux[cat][more][less]

cat [文件名]:顯示文件內容 cat [fileName1] [fileName2]>[fileName]:將fileName1 fileName2 合併輸出重定向到fileName文件 more :與cat功能相同但是可以多頁顯示(

原创 深度神經網絡(DNN):卷積神經網絡(CNN)之激活函數大全

卷積神經網絡中激活函數,理論上可以是線性函數:例 但是在模型中一般選用非線性的激活函數。 (1)sigmoid函數: (2)雙曲正切函數: (3)硬限幅函數 (4)斜面函數 (5)修正線性單元函數(ReLU) (6)滲漏修正線性

原创 Linux mkdir sudo su rm rmdir cd命令

1.su/sudo su - :切換到root模式,需要輸入root密碼 如果命令出錯,並且爲第一次進入到root模式需要使用命令 sodu passwd root su [用戶名稱]:切換到相應的用戶 2.mkdir mkdir ./t

原创 python練手項目(一):圖片添加文字信息

代碼如下所示: from PIL import Image,ImageDraw,ImageFont def addNumber(image,number): im=Image.open(image) draw=Image

原创 劍指offer【python】第二題 將一個字符串中的每個空格替換成“20”

請實現一個函數,將一個字符串中的每個空格替換成“%20”。例如,當字符串爲We Are Happy.則經過替換之後的字符串爲We%20Are%20Happy。   # -*- coding:utf-8 -*- class Solutio

原创 使用numpy實現網絡

import numpy as np #N 是批量的大小;D_in是指輸入的維度;D_out是輸出的維度;H是隱藏的維度 N,D_in,H,D_out=64,1000,100,10 #創建隨機輸入和輸出數據 x=np.random.r

原创 python上手項目之統計英文文本單詞出現的次數

from collections import Counter import string punctuations=string.punctuation+string.whitespace#標記符號和空格 def wordNumb

原创 git與github的連接互通之git push github

1.百度搜索github官網,使用自己的郵箱創建github賬號 2.進入github中並創建自己的項目 3.創建成功後打開自己的github項目,並複製鏈接 4.打開本地的git base 並添加遠程服務地址(study是爲遠程服

原创 python:Numpy常用操作(二):利用random創建ndarray

一:生成0-1之間的隨機數 import numpy as np nd3=np.random.random([3,3])#生成0-1之間的隨機數 print(nd3) print(type(nd3)) 實驗結果: 二:生成標準正態隨機

原创 橫向聯邦學習(Horizontal Federated Learning)VS 縱向聯邦學習(Vertical Federated Learning)

1.橫向聯邦學習:適用於參與者的數據特徵維度重疊較多的情形: 目的:增加訓練數據的數據量 例如甲醫院有患者:A,B,C;乙醫院有患者C,D,F這六位患者,甲乙醫院都有患者的身高,體重,血壓,心跳等信息,那麼進行聯邦學習一個判斷患者健康狀況