<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[CxsGhost的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/CxsGhost</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; CxsGhost]]></copyright><item><title><![CDATA[pyecharts画中国地图（省、市）：如何调整渐变颜色、浏览器中大小、生成的HTML打开是空白无法显示的问题]]></title><link>https://blog.youkuaiyun.com/CxsGhost/article/details/108099166</link><guid>https://blog.youkuaiyun.com/CxsGhost/article/details/108099166</guid><author>CxsGhost</author><pubDate>Wed, 19 Aug 2020 15:01:45 +0800</pubDate><description><![CDATA[最近在做一个数模题，需要中国地图的数据可视化，了解到pyecharts，踩了一些坑，在此记录
—————————————————————————
版本问题
现在网上大多数文章都是用的老版本，比如0.5以下，但pyecharts升级后，变化还是挺大的。我安装的就是最近版，好像是1.8几。
绘图代码（模版）
先以中国地图为例

每个省份和其对应的数值要以元组的形式给到参数里
opts.TitleOpts就是标题文字的各种参数，详细都可以到官方文档查看
想看哪个函数就直接搜，里面参数的讲解很详细
官方文档（中文）]]></description><category></category></item><item><title><![CDATA[Decision Tree、Random Forest、Boosting tree、XGBoost、GBDT详解]]></title><link>https://blog.youkuaiyun.com/CxsGhost/article/details/107408078</link><guid>https://blog.youkuaiyun.com/CxsGhost/article/details/107408078</guid><author>CxsGhost</author><pubDate>Fri, 17 Jul 2020 14:54:41 +0800</pubDate><description><![CDATA[自己学习时看的资料，搬砖：
决策树（Decision tree）:B站优秀带读《统计学习方法》之决策树
随机森林（random forest）:https://zhuanlan.zhihu.com/p/22097796
提升树（boosting tree）：提升树不错，gbdt讲的有点乱就别看了
GBDT：小姐姐，声音好听
XGBoost：公式推导，图文并茂

...]]></description><category></category></item><item><title><![CDATA[图像处理：Canny边缘检测]]></title><link>https://blog.youkuaiyun.com/CxsGhost/article/details/107284929</link><guid>https://blog.youkuaiyun.com/CxsGhost/article/details/107284929</guid><author>CxsGhost</author><pubDate>Sat, 11 Jul 2020 14:58:44 +0800</pubDate><description><![CDATA[Canny边缘检测是一种非常流行的边缘检测算法，是John Canny在1986年提出的。它是一个多阶段的算法，即由多个步骤构成。
1.图像降噪
2.计算图像梯度
3.非极大值抑制
4.阈值筛选
我们就事后诸葛亮，分析下这个步骤的缘由。
首先，图像降噪。我们知道梯度算子可以用于增强图像，本质上是通过增强边缘轮廓来实现的，也就是说是可以检测到边缘的。但是，它们受噪声的影响都很大。那么，我们第一步就是想到要先去除噪声，因为噪声就是灰度变化很大的地方，所以容易被识别为伪边缘。
第二步，计算图像梯度，得到可能边缘。]]></description><category></category></item><item><title><![CDATA[Keras损失函数：categorical_crossentropy和sparse_categorical_crossentropy的区别]]></title><link>https://blog.youkuaiyun.com/CxsGhost/article/details/106095615</link><guid>https://blog.youkuaiyun.com/CxsGhost/article/details/106095615</guid><author>CxsGhost</author><pubDate>Wed, 13 May 2020 12:41:44 +0800</pubDate><description><![CDATA[按照keras之父的书中所写：

如果 labels 是 one-hot 编码，用 categorical_crossentropy
　　one-hot 编码：
　　[[0, 1, 0],
　　 [1, 0, 0],
　　 [0, 0, 1]]
　　 每条每一行是一个label的编码，1所在的位置代表label
如果你的 tagets 是 数字编码 ，用 sparse_categorical_crossentropy
　　数字编码：[2, 0, 1, 5, 19]
　　每个数字就是label

书中写道：这]]></description><category></category></item><item><title><![CDATA[别再买云服务器了，快来白嫖谷歌的GPU（TPU）！！（使用Google Colab notebook 跑机器学习、深度学习模型）]]></title><link>https://blog.youkuaiyun.com/CxsGhost/article/details/106045689</link><guid>https://blog.youkuaiyun.com/CxsGhost/article/details/106045689</guid><author>CxsGhost</author><pubDate>Tue, 12 May 2020 08:55:20 +0800</pubDate><description><![CDATA[前提条件：

要有梯子
用谷歌浏览器
谷歌浏览器是登录着你的谷歌账号的
点击链接

colab：https://colab.research.google.com/notebooks/welcome.ipynb
然后直接一切就绪了，谷歌还是很大方的，内存和硬盘空间都很多
这里面有些简单的介绍，小段的测试代码啥的。。可以直接跳过

这个东西十分类似于jupyter笔记本（实际上就是
然后进入你的谷歌云盘：https://drive.google.com/drive/my-drive
就可以从这创建colab笔]]></description><category></category></item><item><title><![CDATA[详解Keras(tf)报错:"BaseCollectiveExecutor::StartAbort Unknown: Failed to get convolution algorithm"]]></title><link>https://blog.youkuaiyun.com/CxsGhost/article/details/105985955</link><guid>https://blog.youkuaiyun.com/CxsGhost/article/details/105985955</guid><author>CxsGhost</author><pubDate>Fri, 08 May 2020 02:06:34 +0800</pubDate><description><![CDATA[今天用keras内置的VGG16跑模型时遇到了这个报错，在确定不是CUDA等环境版本问题后，矛头指向了是因为显存分配没搞好造成的。（我的电脑只有一块菜卡4G显存）
2020-05-08 00:59:24.206906: E tensorflow/stream_executor/cuda/cuda_dnn.cc:329] Could not create cudnn handle: CUDNN_ST...]]></description><category></category></item><item><title><![CDATA[Pycharm技巧：如何直接创建代码仓库到GitHub，以及误点了commit却没有push的解决办法。]]></title><link>https://blog.youkuaiyun.com/CxsGhost/article/details/105735952</link><guid>https://blog.youkuaiyun.com/CxsGhost/article/details/105735952</guid><author>CxsGhost</author><pubDate>Fri, 24 Apr 2020 17:38:14 +0800</pubDate><description><![CDATA[1.


如何从零开始在pycharm配置Git：https://www.cnblogs.com/lidyan/p/6538877.html


如何直接在pycharm创建仓库到GitHub：https://blog.youkuaiyun.com/beyond_f4/article/details/80626440



2. 点了commit却没push如何解决

第一种，最简单的办法，如果文件少，直接在...]]></description><category></category></item><item><title><![CDATA[理解深度神经网络中的Dropout算法，为何能够防止过拟合]]></title><link>https://blog.youkuaiyun.com/CxsGhost/article/details/105663213</link><guid>https://blog.youkuaiyun.com/CxsGhost/article/details/105663213</guid><author>CxsGhost</author><pubDate>Tue, 21 Apr 2020 17:32:45 +0800</pubDate><description><![CDATA[主要参考：https://blog.youkuaiyun.com/program_developer/article/details/80737724

dropout出现至今似乎还没有像L1, L2正则化一样有数学上的严谨理论证明是如何防止过拟合的
绝大多数文章也都是从理解分析的角度去解释
个人感觉对这个无需过多深究

...]]></description><category></category></item><item><title><![CDATA[备考计算机二级python：回顾Python标准库中一些常用的函数以及关键字]]></title><link>https://blog.youkuaiyun.com/CxsGhost/article/details/105437036</link><guid>https://blog.youkuaiyun.com/CxsGhost/article/details/105437036</guid><author>CxsGhost</author><pubDate>Fri, 10 Apr 2020 17:07:03 +0800</pubDate><description><![CDATA[最近在备考计算机二级python，因为一直在搞ML 、DL什么的，所以每天都在跟numpy啊sklearn什么的打交道，反而是遗忘了很多python原生的东西，翻了翻以前刚学时候的一些笔记文档，小小的总结一下。

放一个很不错的备考网站：https://python123.io/


print（flush=True）打印字符串，flush可以使输出像打印机一样
print（“xxx”,end=“...]]></description><category></category></item><item><title><![CDATA[Python中print() 函数的高级花式玩法，看得我目瞪口呆]]></title><link>https://blog.youkuaiyun.com/CxsGhost/article/details/104840609</link><guid>https://blog.youkuaiyun.com/CxsGhost/article/details/104840609</guid><author>CxsGhost</author><pubDate>Fri, 13 Mar 2020 14:38:46 +0800</pubDate><description><![CDATA[print() 应该是初学者最先接触到的第一个 Python 函数，因为几乎所有的启蒙课程都是从 print(‘Hello world’) 开始的。事实上， print() 也是程序员使用频率最高的函数之一，同时也是很多程序员喜欢的代码调试利器。但是关于 print() 函数，你真的了解吗？
1. 打字机效果
不了解 print() 的 flush 参数，很难实现下图所示的打字机效果：

prin...]]></description><category></category></item><item><title><![CDATA[深度学习：不调TensorFlow，自己写神经网络学习MNIST数据集（1）—基础版（正确率96%~97%）]]></title><link>https://blog.youkuaiyun.com/CxsGhost/article/details/104794125</link><guid>https://blog.youkuaiyun.com/CxsGhost/article/details/104794125</guid><author>CxsGhost</author><pubDate>Thu, 12 Mar 2020 23:34:14 +0800</pubDate><description><![CDATA[嗷嗷

]]></description><category></category></item><item><title><![CDATA[深度学习：不调TensorFlow，自己写神经网络学习MNIST数据集（2）—旋转图像继续强化模型（正确率达98%+）]]></title><link>https://blog.youkuaiyun.com/CxsGhost/article/details/104829332</link><guid>https://blog.youkuaiyun.com/CxsGhost/article/details/104829332</guid><author>CxsGhost</author><pubDate>Thu, 12 Mar 2020 23:33:33 +0800</pubDate><description><![CDATA[之前手写神经网络学习效果已经很不错了，最高正确率略微超越97%。本文文章中我们对数据做进一步处理，从而继续强化模型的能力。同时我们也将进行反向查询，看看神经网络到底学到了什么
之前一篇：
——————————————————————————————————————————————————
我们知道MNIST数据集是“手写体数字”，那么既然是手写，就难免会有歪歪扭扭的可能，而这样的数据输入到我们的神...]]></description><category></category></item><item><title><![CDATA[2020最新安装教程（pycharm）：TensorFlow2.1、Keras、CUDA、CUDNN（超详细！！又简单！！！文字少图片多的傻瓜教程）]]></title><link>https://blog.youkuaiyun.com/CxsGhost/article/details/104717810</link><guid>https://blog.youkuaiyun.com/CxsGhost/article/details/104717810</guid><author>CxsGhost</author><pubDate>Sat, 07 Mar 2020 19:11:19 +0800</pubDate><description><![CDATA[前言：
本文教程是博主结合网上的旧文章以及自己的安装经历所写，安装这三个东西没有任何条件限制，即便你已经安装了Anaconda。我自己的电脑上是早先安装了python解释器，后来又安装了anaconda（此时是有两个解释器），最近又安装的TensorFlow2.1.0，这些只要你自己区分好安装位置，一般都是不会有什么冲突的。

1. 下载CUDA、CUDNN：


打开NVIDIA控制面板 --&...]]></description><category></category></item><item><title><![CDATA[机器学习：朴素贝叶斯代码实现（不调库，基于《统计学习方法》中的简单数据）]]></title><link>https://blog.youkuaiyun.com/CxsGhost/article/details/104601456</link><guid>https://blog.youkuaiyun.com/CxsGhost/article/details/104601456</guid><author>CxsGhost</author><pubDate>Mon, 02 Mar 2020 02:34:55 +0800</pubDate><description><![CDATA[什么是朴素贝叶斯：


《统计学习方法》中，李航老师简洁地介绍了朴素贝叶斯基础的原理和算法
虽然通篇下来也是满满的公式，但基本都是上层的公式，省略了许多底层的推导
例如：极大似然估计法推出朴素贝叶斯法中的先验概率估计公式？
总的来说对新手十分友好，建议入门之选。


“朴素”一词，到底是何意思？
在贝叶斯公式的基础上，朴素贝叶斯方法做了一个强假设，对于一个结果的发生（y）
导致其发生的因素为x (...]]></description><category></category></item><item><title><![CDATA[解决pycharm中，选中代码变成多光标，并且无法复制的问题]]></title><link>https://blog.youkuaiyun.com/CxsGhost/article/details/104603042</link><guid>https://blog.youkuaiyun.com/CxsGhost/article/details/104603042</guid><author>CxsGhost</author><pubDate>Sun, 01 Mar 2020 23:33:35 +0800</pubDate><description><![CDATA[问题描述

选中以后发现好多个光标在闪，并且无法复制
解决方法
shift+alt+insert 切换光标选择模式
详细解释：https://www.jetbrains.com/help/pycharm/working-with-source-code.html#column_selection


...]]></description><category></category></item><item><title><![CDATA[Python刷OJ———蓝桥杯历年（水题）母牛问题]]></title><link>https://blog.youkuaiyun.com/CxsGhost/article/details/104150547</link><guid>https://blog.youkuaiyun.com/CxsGhost/article/details/104150547</guid><author>CxsGhost</author><pubDate>Mon, 03 Feb 2020 01:29:27 +0800</pubDate><description><![CDATA[题干：

思路：
首先这个题n小于55，数据真的小，普通的递归可以解决
不妨把牛分为四个等级：
f1：小牛一级
f2：小牛二级
f3：小牛三级
f4：成年母牛
设F(N)表示第N年牛的数量, fx(N)表示第N年三级小牛的数量
（1）那么显然，F(N) = F(N - 1) + f4(N - 1) + f3(N - 1)  ,这是因为f3牛下一年就要生产了,所以增加数量是原本有的f4加上f3的数量...]]></description><category></category></item><item><title><![CDATA[机器学习：感知机算法（不调库，纯Python代码）]]></title><link>https://blog.youkuaiyun.com/CxsGhost/article/details/104094480</link><guid>https://blog.youkuaiyun.com/CxsGhost/article/details/104094480</guid><author>CxsGhost</author><pubDate>Mon, 27 Jan 2020 19:29:38 +0800</pubDate><description><![CDATA[什么是感知机
公式文字我也就不复现了，网上简直多如牛毛
（1）推荐看李航博士的《统计学习方法》
（2）或：https://www.jianshu.com/p/c91087e6e1ea（篇幅略小，简单了解）
第二篇文章篇幅较小，但基本介绍清楚了感知机的原始形式，想要进一步了解感知机的对偶形式，可自行搜索资料
以上两个推荐中，都是以两特征数据来分类的，也就是数据点和超平面可以在二维坐标系中呈现
于是我...]]></description><category></category></item><item><title><![CDATA[Python刷OJ———UVa：1594 Ducci Sequence]]></title><link>https://blog.youkuaiyun.com/CxsGhost/article/details/104090746</link><guid>https://blog.youkuaiyun.com/CxsGhost/article/details/104090746</guid><author>CxsGhost</author><pubDate>Mon, 27 Jan 2020 02:28:53 +0800</pubDate><description><![CDATA[题干
A Ducci sequence is a sequence of n-tuples of integers. Given an n-tuple of integers (a1, a2, · · · , an),
the next n-tuple in the sequence is formed by taking the absolute differences of neighbori...]]></description><category></category></item><item><title><![CDATA[Python刷OJ———UVa：156 Ananagrams]]></title><link>https://blog.youkuaiyun.com/CxsGhost/article/details/104083374</link><guid>https://blog.youkuaiyun.com/CxsGhost/article/details/104083374</guid><author>CxsGhost</author><pubDate>Sat, 25 Jan 2020 15:43:38 +0800</pubDate><description><![CDATA[题干：
Most crossword puzzle fans are used to anagrams — groups of words with the same letters in different
orders — for example OPTS, SPOT, STOP, POTS and POST. Some words however do not have this
attri...]]></description><category></category></item><item><title><![CDATA[Python刷OJ———UVa :136 Ugly Numbers]]></title><link>https://blog.youkuaiyun.com/CxsGhost/article/details/103993524</link><guid>https://blog.youkuaiyun.com/CxsGhost/article/details/103993524</guid><author>CxsGhost</author><pubDate>Wed, 15 Jan 2020 22:43:14 +0800</pubDate><description><![CDATA[题干：
Most crossword puzzle fans are used to anagrams — groups of words with the same letters in different
orders — for example OPTS, SPOT, STOP, POTS and POST. Some words however do not have this
attri...]]></description><category></category></item></channel></rss>