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