Jupyter notebook入门教程
Jupyter notebook入门教程(上)https://blog.csdn.net/red_stone1/article/details/72858962Jupyter notebook入门教程(下)https://blog.csdn.net/red_stone1/article/details/72863749
Kubernetes性能测试实践
概述 随着容器技术的发展,容器服务已经成为行业主流,然而想要在生产环境中成功部署和操作容器,关键还是容器编排技术。市场上有各种各样的容器编排工具,如Docker原生的Swarm、Mesos、Kubernetes等,其中Google开发的Kubernetes因为业界各大巨头的加入和开源社区的全力支撑
使用Fiddler查看APP的请求接口、接口参数和返回值的方法
1、下载Fiddler,然后安装成功后。 2、开启代理的设置 3、查看电脑的ip, 4、建立一个wifi局域网,什么360wifi,猎豹wifi,腾讯wifi都可以,用安装手机接入到这个局域网的wifi,手机上设定代理地址 5、以上几步成功后,在手机上运行你要查看的app 6、则Fiddler上查
安装cnpm出现问题
安装cnpm: 命令行中输入 npm install -g cnpm --registry=http://registry.npm.taobao.org 报:cnpm不是内部命令 解决方法:设置环境变量。
[置顶] 常用目标检测算法loss总结(持续更新)
R-cnn,Fast Rcnn
输入层设置
特征输入分别输出到两个并行的全连接层,即传统意义上的,分类+回归
cls_score层:分类层,输出K+1维的数组,pipip_{i} 表示是分类还是背景的概率
bbox_predict层: 候选框需要调整层,输出4*K维数组,表示属于第K类时应该缩放平移的参数
Loss fuction
loss_cls : 对分类进行评估,采用真实...
机器学习-交叉验证 : python数据集划分
模型选择的两种方法:正则化(典型方法)、交叉验证。这里介绍交叉验证及其python代码实现。交叉验证如果给定样本数据充足,进行模型选择的一种简单方法是随机地将数据集切分为3部分,分为训练集、验证集和测试集。训练集:训练模型验证集:模型的选择测试集:最终对模型的评估在学习到不同复杂度的模型中,选择对验证集有最小预测误差的模型。由于验证集有足够多的数据,用它进行模型选择也是有效的。在许多实际应用中数据...
表情识别--JAFFE数据集1
JAFFE数据集一共有213张图像.选取了10名日本女学生,每个人做出7种表情.7种表情包括: Angry,Disgust,Fear,Happy,Sad,Surprise,Neutral.(愤怒,厌恶,恐惧,高兴,悲伤,惊讶,中性)
裁剪保存人脸
将人脸区域裁剪出,去除多余干扰,然后将获得的人脸区域缩放为48*48大小的图像,存储为.csv格式数据.
#!/usr/bin/pytho...
Caffe2现已并入PyTorch,图像处理的孩子有福了!
近日,GitHub发布一则通知,深度学习框架Caffe现已将代码并入了PyTorch。Caffe(卷积神经网络框架),全称Convolutional Architecture for Fast Feature Embedding。是一种常用的深度学习框架,在视频、图像处理方面应用较多。Caffe2是开源Caffe框架的升级版,在组织运算方面具有更大的灵活性。图片源自知乎用户@王健飞此次Caffe2
一个很皮的实践 Python自动生成表情包
作为一个数据分析师,应该信奉一句话----"一图胜千言"。不过这里要说的并不是数据可视化,而是一款全民向的产品形态----表情包!!!!表情包不仅仅是一种符号,更是一种文化;是促进社交乃至社会发展的动力之一,就像懒。我们坚持认为,一张优秀的表情包,应该是一幅艺术品,是那忽如一夜春风来的灵感爆发,是那嘈嘈切切错杂弹的情思激荡,是那直挂云帆济沧海的壮志豪情,是那一览天下众山小的荣耀胜利,是不可以容忍码
荐号 | 与其焦虑成疾,不如静心学习
我一直在学习、做事,做了一件,又做了一件,为什么和鲁迅先生门前的两棵枣树一样,总是没啥用呢?(From MacTalk) 当处于这种焦虑状态时,你再怎么做事是无法得到你预期的效用的,只会更加深你的焦虑感。而真正能解决问题的,还是你心态的平静以及正确的努力带来的“强大”。 用最有效的方式,学习最有用的知识。推荐以下几个全天候分享人工智能、机器学习、大数据、最新学术等干货的公众号:AI前线
数据挖掘-朴素贝叶斯分类器demo
应一位同学要求,帮忙写个基于他们书本上的例子的朴素贝叶斯分类器,然后就有此成果了。不过内容也是相当朴素,看看就好。这里的朴素贝叶斯如下:P(H|X) = P(X|H)*P(H) / P(X)
而且这里针对的也只是分类属性(相当朴素)数据变换规则如下:age : youth==1, middle_aged=2, senior==3
income : low==1, medium==2, high==...
《机器学习实战笔记--第一部分 分类算法:KNN算法 1》
在监督学习中,我们只需要输入给定的样本集,机器就可以推出指定目标变量的可能结果。监督学习一般使用两种类型的目标变量:标称值和数值型。标称值目标变量只在有限目标中取值,数值型目标变量则从无限的数值中取值。分类算法:第二章:k-近邻算法,使用距离矩阵进行分类; 第三章:决策树; 第四章:讨论使用概率论建立分类器; ...
TCP/IP 11成块数据流和交互数据流
TCP/IP 11成块数据流和交互数据流现阶段使用TCP/IP的协议很多,这些协议又可以根据数据吞吐量来大致分成两大类:(1)交互数据类型,例如telnet,ssh。(2)数据成块类型,例如ftp,这种类型的协议要求TCP能尽量的运载数据,把数据的吞吐量做到最大,并尽可能的提高效率。针对不同的吞吐量,TCP给出了两种不同的策略来进行数据传输。1、交互数据流交互数据流常见的比如说按一下键盘,回显一下...
matplotlib入门及实践
一直对matplotlib都是碰到哪个函数百度哪个,次数多了就有点烦,干脆列个知识清单系统地学习一下。1.快速绘图# -*- coding: utf-8 -*-
import numpy as np
import matplotlib.pyplot as plt
x = np.linspace(0, 10, 1000)#在(0,10)均匀返回1000个点
y = np.sin(x)
z = np...
【机器学习】基础 判别模型生成模型
- 概念区分及代表算法:两者均属于监督模型范畴,最直接的区分依据是,从给定的训练数据,学习到的目标概率分布不同。根据训练数据,生成模型,学习联合概率分布P(X,Y)。然后求出条件概率分布P(Y|X)作为预测模型。公式:P(Y|X)=P(X,Y)/P(X)。代表算法有:朴素贝叶斯,HMM等。通常只有一个模型,输入实例,得到结果。判别模型,学习条件概率分布P(Y|X),或者直接学习判别决策函数f(X)...
周排行