weixin_47798560的博客

原创 图像预处理

原创 pytorch自动求梯度

自动求梯度在深度学习中，我们经常需要对函数求梯度（gradient）。PyTorch提供的autograd包能够根据输入和前向传播过程自动构建计算图，并执行反向传播。本节将介绍如何使用autograd包来进行自动求梯度的有关操作。1.1 概念上一节介绍的Tensor是这个包的核心类，如果将其属性.requires_grad设置为True，它将开始追踪(track)在其上的所有操作（这样就可以利用链式法则进行梯度传播了）。完成计算后，可以调用.backward()来完成所有梯度计算。此Tensor的梯度

原创 pytorch数据操作

pytorch版数据操作在PyTorch中，torch.Tensor是存储和变换数据的主要工具。如果你之前用过NumPy，你会发现Tensor和NumPy的多维数组非常类似。然而，Tensor提供GPU计算和自动求梯度等更多功能，这些使Tensor更加适合深度学习。"tensor"这个单词一般可译作“张量”，张量可以看作是一个多维数组。标量可以看作是0维张量，向量可以看作1维张量，矩阵可以看作是二维张量。1.1 创建Tensor首先介绍Tensor最基本的操作，即Tensor的创建。# 导入

原创 吴恩达深度学习L1W4作业1

知识点：深度神经网络的实现，初始化，正向传播，反向传播1 安装包numpy是Python科学计算的基本包。matplotlib是在Python中常用的绘制图形的库。dnn_utils为此笔记本提供了一些必要的函数。testCases提供了一些测试用例来评估函数的正确性np.random.seed（1）使所有随机函数调用保持一致。 这将有助于我们评估你的作业，请不要改变seed。import numpy as npimport h5pyimport matplotlib.pyplot as

原创 吴恩达深度学习L1W3

吴恩达深度学习L1W3知识点：1层隐藏层的神经网络1 安装包略我直接将函数复制过来# testCases模块!!!!!!!!!!!!!!!import numpy as npdef layer_sizes_test_case(): np.random.seed(1) X_assess = np.random.randn(5, 3) Y_assess = np.random.randn(2, 3) return X_assess, Y_assessdef

原创 吴恩达深度学习L1W2作业2

吴恩达《深度学习》L1W2作业2知识点：用神经网络思想实现逻辑回归

原创 吴恩达深度学习L1W2作业1

第一课 神经网络与深度学习第二周 神经网络基础

原创 CS231图像分类笔记

图像分类数据驱动方法：给计算机很多数据，然后实现学习算法，让计算机学习到每个类的外形。那么，该方法的第一步就是收集已经做好分类标注的图片来作为训练集。Nearest Neighbor分类器import numpy as npclass NearestNeighbor(object): def __init__(self): pass def train(self, X, y): """ X is N x D where each row is an exam

原创 吴恩达机器学习ex8:异常检测和推荐系统

吴恩达机器学习作业八：异常检测和推荐系统在本练习中，您将实现异常检测算法，并将其应用于检测网络上出现故障的服务器。在第二部分中，您将使用协作过滤来构建电影推荐系统。1 Anomaly detection在本练习中，您将实现异常检测算法来检测服务器计算机中的异常行为。这些特性测量每个服务器的吞吐量（mb/s）和响应延迟（ms）。当您的服务器运行时，您收集了m=307个它们的行为示例，因此有一个未标记的数据集{x（1），x（m）}。您怀疑这些示例中的绝大多数都是服务器正常运行的“正常”（非异常）示例，但

原创 吴恩达机器学习ex7:K均值和PCA

吴恩达机器学习作业六：SVM1 K-means Clustering在本练习中，您将实现K-means算法并将其用于图像压缩。首先从一个示例2D数据集开始，这有助于你对K-均值算法的工作原理有一个直观的了解。然后，您将使用K-means算法进行图像压缩，方法是将图像中出现的颜色数减少到仅该图像中最常见的颜色。1.1 Implementing K-meansK-means算法是一种自动聚类相似数据的方法。具体地说，给你一个训练集，并希望将数据分组为几个有凝聚力的“集群”。K-means背后的直觉是

原创 吴恩达机器学习ex6:SVM

吴恩达机器学习作业六：SVM1 Support Vector Machines在本练习的前半部分，您将使用支持向量机（SVM）和各种示例2D数据集。对这些数据集进行实验将帮助您获得支持向量机如何工作以及如何将高斯核用于支持向量机。在下半部分练习中，您将使用支持向量机构建垃圾邮件分类器。import numpy as npimport pandas as pdimport matplotlib.pyplot as pltfrom scipy.io import loadmatfrom skl

原创 吴恩达机器学习ex5:偏差和方差

吴恩达机器学习作业五：偏差和方差在本练习中，您将实现正则化线性回归，并使用它来研究具有不同偏差方差特性的模型。#coding=utf-8import numpy as npimport pandas as pdfrom matplotlib import pyplot as pltfrom scipy.io import loadmatfrom sklearn.metrics import classification_report1 Regularized Linear Regre

原创 吴恩达机器学习ex4:BP神经网络

吴恩达机器学习作业四：BP神经网络1.1 Visualizing the data这与上一个练习中使用的数据集相同。ex3data1.mat中有5000个训练示例，其中每个训练示例是数字的20像素乘20像素灰度图像。每个像素由一个浮点数表示，表示该位置的灰度强度。像素的20乘20网格被“展开”成400维向量。这些训练示例中的每一个都成为我们的数据矩阵X中的一行。这给了我们一个5000×400的矩阵X，其中每一行都是手写数字图像的训练示例。训练集的第二部分是包含训练集标签的5000维向量y。为了使事

原创 吴恩达机器学习ex3:多类分类

吴恩达机器学习作业三：多类分类import numpy as npimport pandas as pdimport matplotlib.pyplot as pltfrom scipy.io import loadmat1.1 Dataset原始数据集的标签 y， y取值为1到10，y = 10表示当前手写字为0，其余1到9即对应1到9。数据集保存在 ex3data1.mat，注意文件格式跟之前不一样，用matlab打开可以看到有X和y两个变量：X的维度是5000×400，表示有500

原创 吴恩达机器学习ex2:逻辑回归

吴恩达机器学习练习二：逻辑回归1. 逻辑回归（logistic regression）在这部分的练习中，你将建立一个逻辑回归模型来预测一个学生是否能进入大学。假设你是一所大学的行政管理人员，你想根据两门考试的结果，来决定每个申请人是否被录取。你有以前申请人的历史数据，可以将其用作逻辑回归训练集。对于每一个训练样本，你有申请人两次测评的分数以及录取的结果。为了完成这个预测任务，我们准备构建一个可以基于两次测试评分来评估录取可能性的分类模型。1.1 数据可视化在开始实现任何学习算法之前，如果可能的话，最

原创 吴恩达机器学习ex1:线性回归

单变量线性回归在本部分的练习中，您将使用一个变量实现线性回归，以预测食品卡车的利润。假设你是一家餐馆的首席执行官，正在考虑不同的城市开设一个新的分店。该连锁店已经在各个城市拥有卡车，而且你有来自城市的利润和人口数据。您希望使用这些数据来帮助您选择将哪个城市扩展到下一个城市。#coding=utf-8import numpy as npimport pandas as pdimport matplotlib.pyplot as plt# read datapath = 'D:\文档\ex

原创 爬取豆瓣

'''爬取豆瓣网站上经典电影的 名字 和剧情简介'''#encoding:utf-8import requestsfrom lxml import etreeclass DoubanSpider(object): def __init__(self): self.url = "https://movie.douban.com/explore#!type=movie&tag=%E7%BB%8F%E5%85%B8" self.heade

原创 爬虫DAY8

www.allitebooks.com1.jsonxml是json的前身。json是轻量级的数据交互格式。json简单理解就是字典或者一个列表。书写格式：1.不能写注释 2.key:value 必须是双引号 3.末尾不能写逗号 4.整个文件有且仅有一个{}或者[][外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-YTsL4204-1606913245157)(C:\Users\吴双双\AppData\Roaming\Typora\typo

原创 爬虫DAY7

beautifulsoup#coding = utf-8from bs4 import BeautifulSouphtml_doc = """<html><head><title id = "one">The Dormouse's story</title></head><body><p class="title"><b>The Dormouse's story</b></p&g

原创 爬虫DAY5

免费代理#encoding:utf-8import requests#1.请求urlurl = "http://www.baidu.com"headers = {"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.198 Safari/537.36"}#免费代理书写形式 {"http":"IP:port"}free_p

原创 数据挖掘--requests库

数据挖掘----requests库安居客网页请求案例import requestsr = requests.get("https://beijing.anjuke.com/?")print(r)#返回text类型数据print(r.text)#返回二进制类型数据print(r.content)import randomimport requests#headers应该是一个字典，通常用于欺骗useragent1 = "Mozilla/5.0 (Windows NT 10.0; W

原创 python多线程爬取

多线程爬取多线程回顾介绍import threadingimport timedef listening(): for i in range(5): print("我在听歌") time.sleep(1)def reading(): for i in range(5): print("我比较喜欢读书") time.sleep(1) if __name__ == "__main__":

原创 爬取腾讯招聘网站

腾讯招聘网站爬取爬虫项目面向对象编程import reimport timeimport requestsimport jsonclass TenxunSpider(object): def __init__(self): self.headers = { "user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko

原创 python入门经典100题

入门经典100题1. 有1、2、3、4个数字，能组成多少个互不相同且无重复数字的三位数？都是多少？_=0for i in range(1,5): for j in range(1,5): for k in range(1,5): if i ==j or i == k or j == k: continue else: print(100*i+10*j+k)

原创 爬虫DAY3

付费代理ip方法一#coding:utf-8import urllib.request#付费的代理发送#1.用户名密码（带着）#通过验证的处理器来发送def money_proxy_use(): #第一种方式来付费 #1.代理ip money_proxy= {"http":"username:[email protected]：8080"} #2.代理的处理器 proxy_handler = urllib.request.ProxyHand

原创 魔法方法

魔法方法简单定制import time as tclass Mytimer():#开始计时 def __init__(self): self.lasted = [] self.prompt = "未开始计时" self.begin = 0 self.end = 0 def __str__(self): return self.prompt def __repr__(self):

原创 格式化

格式化位置参数print("{0} love {1}.{2}".format("I","python","com"))#输出结果为I love python.com关键字参数print("{a} love {b}.{c}".format(a="I",b="python",c="com"))#输出结果为I love python.com位置参数and关键字参数print("{0} love {b}.{c}".format("I",b="python",c="com"))需要注意的是：位

原创 运算符

按位与运算符（&）参加运算的两个数据，按二进制位进行“与”运算。**运算规则：**两位同时为“1”，结果才为“1”，否则为0另，负数按补码形式参加按位与运算。特殊用途：（1）清零。如果想将一个单元清零，即使其全部二进制位为0，只要与一个各位都为零的数值相与，结果为零。（2）取一个数中值定位方法：找一个数，对应X要取的位，该数的对应位为1，其余位为零，此数与X进行“与运算”可以得到X中的指定位。例：设X=10101110，取X的低4位，用 X & 0000 1111 = 00

原创 匿名函数

Lambda函数匿名函数可以在程序中任何需要的地方使用，但是这个函数只能使用一次，即一次性的。语法如下：语法： lambda参数：表达式举个例子看看（1）直接赋给一个变量，然后再调用。代码如下：c = lambda x,y,z:x*y*zprint(c(1,2,3))#输出结果为6（2）在函数后面直接传递实参a = (lambda x :x**2)(7)print(a)#输出结果为49（3）将lambda函数作为参数传递给其他函数比如说结合map、filter、sorted、re

原创 split函数

split函数的用法split()：拆分字符串通过指定分隔符对字符串进行切片，并返回分割后的***字符串列表***。语法：str.split(str="",num = string.count(str))#str--分隔符，默认所有的空字符，包括空格、换行、制表符等#num--分割次数，默认为-1，即分割所有实例：a = '1+2+3+4'print(a.split('+'))...

原创 九九乘法表

九九乘法表代码for j in range(1,10): for i in range(1,i+1): print(str(i)+"*"+str(j)+"="+str(i*j)+" ",end = "") print("\n")运行结果

原创 猜数字游戏

猜数字游戏主要内容随机产生一个数，猜到即获胜（可猜无限次）代码import random#导入产生随机数的模块import time#导入时间模块print("--------------欢迎来到猜数字游戏-------------")time.sleep(1)print("游戏就到开始啦")time.sleep(1)a = random.randint(10,20)#随机产生一个10-20之间的数字for i in range(3): #只有三次猜测机会 #可猜

原创 排序

排序一、选择排序算法思想首先在未排序序列中找到最小（大）元素，存放到排序序列的起始位置，然后，再从剩余未排序元素中继续寻找最小（大）元素，然后放到已排序序列的末尾。以此类推，直到所有元素均排序完毕。代码#选择排序num = [45,23,11,76,33]for j in range(len(num)-1): for i in range(1+j,len(num)): if num[j] > num[i]: num[j],num[i] =

原创 字符串倒序输出

字符串倒序输出1.字符串a = input("请输入...")b = a[::-1]print(b)2.列表方法一a =["h","e","l","l","o",",","w","o","r","l","d"]b = []for i in range(len(a)-1,-1,-1): b.append(a[i])c = ''.join(b)print(c) 方法二a =["h","e","l","l","o",",","w","o","r","l","d"]b

原创 杨辉三角形

杨辉三角形算法实现因整型数值输出位宽限制，本节实现中将杨辉三角**行数限制为10。**该限制并不影响算法实现的完整性和表达性。基本算法每一行的杨辉三角数列，都可以有两个上一行的数列计算出来。(需要借助[0]错位相加)。比如，第四行[1 3 3 1] 是由[0 1 2 1]和[ 1 2 1 0]相加得到。代码a = input("请输入......")n = int(a)def yang(n): # 注意 n 是从 0 开始的 if n == 0: return [

原创 整数反转

学习内容：整数反转：给出一个 32 位的有符号整数，你需要将这个整数中每位上的数字进行反转。**注意：**假设我们的环境只能存储得下 32 位的有符号整数，则其数值范围为 [−231, 231 − 1]。请根据这个假设，如果反转后整数溢出那么就返回 0。思路：1.首先将他转换成一个字符串，判断这个字符串的第一位是不是负号，如果是的话，取倒序，然后加负号。如果不是负数的话，直接取倒序就行。接下来再用一个if判断语句，如果数值在这个范围内的话就输出，否则返回0。代码：class Solution: