DL-week6

最新推荐文章于 2025-08-15 17:36:33 发布
原创 最新推荐文章于 2025-08-15 17:36:33 发布 · 197 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#DL

本文介绍了Python中的np.random.permutation函数，用于一维或多维数据的随机排列，以及math.floor函数实现向下舍入至整数。同时提到了np.zeros_like用于创建与给定矩阵维度相同的全零矩阵的用法。
要学明白的知识点：
np.random.permutation()

总体来说他是一个随机排列函数,就是将输入的数据进行随机排列,官方文档指出,此函数只能针对一维数据随机排列,对于多维数据只能对第一维度的数据进行随机排列。

math.floor(x)

将x向下舍入到最接近的整数

np.zeros_like(W)

构造一个和W相同维度的0矩阵

实例：
附带要学的知识：
Hejxxx_
关注
台大DL-week2笔记
qq_30067751的博客
12-16 338
用心努力反向传播 语义表达 序列建模 一、反向传播1、前情提要神经网络的模型： y=f(x)=σ(WL...σ(W2σ(W1x+b)))y=f(x)=\sigma(W^L...\sigma(W^2\sigma(W^1x+b))) 不同的W,b对应着不同的模型，重新定义模型为f(x,θ)f(x,\theta) θ={W1,b1,W2,b2,...WL,bL}\theta=\{W^1,b^1,W^
DL-1-week2-Basics of Neural Network Programming
qq_25500357的博客
03-04 633
2 Basics of Neural Network Programming 2.1 Binary Classification 2.2 Logistic Regression 2.3 Logistic Regression cost function 2.4 Gradient Descent 2.5 Derivatives 2.6 More derivatives examples 2.7 ...
hgame2022-week1
网安小菜鸡
01-15 5571
hgame2022-week1 wp(部分）
DL-1-week4-Deep neural network
qq_25500357的博客
03-10 266
4 Deep neural network 4.1 Deep L-layer Neural network 4.2 Forward Propagatin in a Deep Network 4.3 Getting your matrix dimensions right 4.4 Why deep representations? 4.5&4.6 Building blocks of d...
DL-2-week1-Practical aspects of Deep Learning
qq_25500357的博客
07-19 278
[TOC] 1. Practical aspects of Deep Learning
DL-1-week1-Introduction to Deep Learning
qq_25500357的博客
03-04 348
Introduction to Deep Learning What is neural network? Example: Housing Price Prediction ReLu function single neural network A larger neural network is then formed by taking many of these singl...
DL_Week3
Jinx_vt_Lin的博客
08-24 185
数字太大了，log会溢出，计算过程中会出现inf，inf再做其它运算，大部分还是inf，因此需要做一下处理，把浮点数的精度改为1e-5。函数语法：range（start， stop[,step])，从start开始，到stop结束，但不包括stop。random() 方法返回一个随机数，它在半开放区间 [0,1) 范围内，包含 0 但不包含 1。返回数组中元素的算数平均值，如果提供了轴，则沿其计算。A:种下一个随机数种子，以后在使用random（）方法的时候，获得的随机数是相同的。返回的x弧度的正弦值。
DL_week4
Jinx_vt_Lin的博客
08-25 149
Python len() 方法返回对象（字符、列表、元组等）长度或项目个数。// 表示整数除法，返回不大于结果的一个最大的整数。在Python3 operator 模块里，/ 表示浮点数除法，返回浮点结果;
hgame2023-week1
247533的博客
01-12 1714
hgame week1
SheCodes-Week-6-项目
02-15
【标题】SheCodes-Week-6-项目 这个标题指的是SheCodes课程的第六周项目，这是一个编程学习课程，重点在于HTML（HyperText Markup Language）的学习和实践。在SheCodes的课程体系中，学员通常会在每个阶段完成一个...
深度学习--week_1--新手小白入门之路
2401_86786489的博客
07-28 1092
本文利用pytorch实现手写数字识别这一项目，带你从0到1实现卷积神经网络的使用，并帮助你理解卷积神经网络的基本流程。希望本文所述能对你有所帮助，如有不足，还请多多包含。接下来，进入正文。本文数据集使用的是mnist手写数据集，数据集可由网上自由下载，下面是为大家整理好的数据集(如果依照本文使用的话，只需将把数据集那个文件夹data与代码置于同一目录下即可)：通过网盘分享的文件：链接: https://pan.baidu.com/s/1vWxArnDiS8vHvcoh3Xhq0A?
深度学习--week_7-新手小白入门之路
2401_86786489的博客
08-15 575
数据集包括各种疾病的马铃薯植物的高分辨率图像，利用图片进行对马铃薯疾病进行判断。以上便是该次实践的全部内容，全部代码已经呈现，有需要的一段一段复制运行即可，如有问题，可在评论区指出（也可私聊），博主会欣然改正，有疑问或者好的建议也可私信博主，相信你能看到这里，应该会有点收获，如果给你带来了收获，那至少我会感到很荣幸，博主这么久的心血也没有白费（好吧这篇比较水），码字不易，给个三连，球球了。
【Week-G3】手势图像生成（CGAN）- PyTorch
qq_40724911的博客
07-11 877
使用CGAN生成手势图像，程序在pytorcj框架下运行
【Week-P6】VGG16-好莱坞明星识别，设置动态学习率
qq_40724911的博客
01-25 1065
说明：（1）本次学习使用VGG-16模型完成，调用官方接口得到VGG-16预训练模型，然后修改classifier模块的第6层；（2）本次学习调用官方动态学习率接口完成训练；（3）本次学习需要调整调整参数，使test_accuracy的值达到60%或以上（当前训练40个epoch的test_accuracy是16.7%）；（4）本次学习使用的数据集与的数据集是一致的，共有17位好莱坞明星的脸部照片；
遥感监测基于SAR数据的洪水变化检测：Sentinel-1影像阈值分割与多时相合成分析
12-02
内容概要：本文介绍了一项基于SAR（合成开口雷达）数据的洪水变化检测实践任务，重点在于利用Sentinel-1 GRD数据进行灾后监测。文中详细讲解了从数据获取、过滤、合成到变化检测与可视化展示的完整流程。由于SAR数据不受云层和昼夜影响，特别适用于灾害应急响应。通过对比洪水前后两个时间段的SAR影像，采用中值合成去噪、比值法计算变化指数，并通过阈值分割生成二值化的洪涝淹没图，最终在Folium地图中实现叠加可视化。; 适合人群：具备遥感基础知识和Python编程能力，熟悉Google Earth Engine平台操作的科研人员或高年级本科生、研究生；对灾害监测、环境变化分析感兴趣的技术人员；; 使用场景及目标：①掌握SAR数据在洪水等自然灾害监测中的应用方法；②学习如何在Earth Engine中处理Sentinel-1数据并实现变化检测；③构建完整的遥感变化检测分析流程，包括数据预处理、影像合成、阈值分割与结果可视化； 阅读建议：建议读者结合代码实例逐步实践，重点关注filterDate、median合成、divide运算和lt阈值处理等关键步骤的操作逻辑，并注意地理坐标顺序、图层叠加方式等细节问题，确保分析结果准确可靠。
基于Web与物联网的分布式智慧农业环境监测系统源码实现
最新发布
12-02
**项目资料：基于网络与物联网架构的分布式农业环境远程监控系统源代码** 本资料包提供了一套完整的分布式农业环境远程监控系统实现方案，该系统融合了现代网络技术与物联网架构，能够实现对农业生产环境的远程、实时、多节点监测与管理。系统源代码经过全面测试，各项功能运行稳定可靠，可供直接部署或二次开发使用。 该资料适用于计算机科学与技术、人工智能、通信工程、自动化、电子信息工程等相关专业的高校师生、科研人员以及行业技术人员参考学习与实践。对于希望深入理解物联网应用开发、分布式系统设计或智慧农业解决方案的学习者而言，本资料具有较高的参考价值。同时，其完整的项目结构也适用于毕业设计、课程设计、项目实践或作为特定功能模块的开发基础。 使用者可根据自身需求，在现有代码框架上进行功能扩展、算法优化或与其他系统进行集成。我们鼓励基于此代码进行合法的学习、研究与创新应用，并通过技术交流共同促进相关领域的技术发展。 资源来源于网络分享，仅用于学习交流使用，请勿用于商业，如有侵权请联系我删除！
在AI+时代，地方政府如何利用数字化升级路径重构市场占有率？.docx
12-02
在AI+时代，地方政府如何利用数字化升级路径重构市场占有率？
对比传统方案，新一代技术转移SaaS系统如何为科研院所带来颠覆性变革？.docx
12-02
对比传统方案，新一代技术转移SaaS系统如何为科研院所带来颠覆性变革？
如何通过智能化转型方案重塑服务效率与质量，从而重塑开拓全新增长点？.docx
12-02
如何通过智能化转型方案重塑服务效率与质量，从而重塑开拓全新增长点？
Select TO_CHAR(R.Operate_Day, 'YYYY-MM-DD') AS 日期, R.Emp_No 员工编号, R.Emp_Name 员工姓名, SUM(R.Java_Hours) 原始工时, 1 折扣, SUM(R.Java_Hours*R.Discount) 网页工时, (select round(sum((dl.original_minutes * dl.work_time * dl.wt_per) / 100)/60,2) from mes.cnc_ncfile_dlrec dl where dl.emp_no = R.Emp_No and dl.working_step in ('特批工时','特批工时(超差类)','特批工时(周)') and dl.is_delete = 0 and dl.state = 0 and TO_CHAR(dl.download_time,'YYYY-MM-DD') = TO_CHAR(R.Operate_Day, 'YYYY-MM-DD') ) 特批工时,(select round(sum((dl.original_minutes * dl.work_time * dl.wt_per) / 100)/60,2) from mes.cnc_ncfile_dlrec dl where dl.emp_no = R.Emp_No and dl.working_step in ('工时计算异常','漏加工项目') and dl.is_delete = 0 and dl.state = 0 and TO_CHAR(dl.download_time,'YYYY-MM-DD') = TO_CHAR(R.Operate_Day, 'YYYY-MM-DD') )工时申诉 From MES.RPT_DAIY_WORKTIME R Where trunc(R.Operate_Day,'MM') = TO_DATE('2025/08','yyyy/MM') And r.Emp_No In (Select w.Emp_No FROM mes.Wt_Week_Summary w Where w.Week_Id Like '202508_%' group by w.emp_no) Group By R.Operate_Day, R.Emp_No, R.Emp_Name; 这段sql有什么问题
09-10
这段 SQL 语句整体结构是合理的，但存在一些潜在的问题和可以优化的地方，特别是在子查询、日期比较、性能和可读性方面。以下是具体分析和建议： --- ### ✅ **功能简述** 该 SQL 查询的目的是： - 按员工和日期汇总每日工时； - 同时从子查询中获取特批工时和工时申诉数据； - 过滤条件为某月（2025-08）且员工在周汇总表中存在记录。 --- ### ❌ **存在的问题** #### 1. **子查询中日期比较未考虑时间偏移问题** 你之前提到：**`dl.download_time` 小于第二天早上7点时应算作前一天**，但在子查询中仍然使用： ```sql TO_CHAR(dl.download_time,'YYYY-MM-DD') = TO_CHAR(R.Operate_Day, 'YYYY-MM-DD') ``` 这会导致 **时间小于 7:00 的记录被错误地归类到当天**，而不是前一天。 ✅ **建议修改为：** ```sql TO_CHAR( CASE WHEN EXTRACT(HOUR FROM dl.download_time) < 7 THEN dl.download_time - INTERVAL '1 day' ELSE dl.download_time END, 'YYYY-MM-DD' ) = TO_CHAR(R.Operate_Day, 'YYYY-MM-DD') ``` --- #### 2. **子查询中多次访问同一张表，性能较差** 两个子查询都从 `mes.cnc_ncfile_dlrec` 查询数据，只是 `working_step` 条件不同。这种重复访问会降低性能，尤其是数据量大时。 ✅ **建议优化为单次查询 + 分组条件聚合：** ```sql LEFT JOIN ( SELECT emp_no, TO_CHAR( CASE WHEN EXTRACT(HOUR FROM download_time) < 7 THEN download_time - INTERVAL '1 day' ELSE download_time END, 'YYYY-MM-DD' ) AS dl_date, SUM(CASE WHEN working_step IN ('特批工时','特批工时(超差类)','特批工时(周)') THEN (original_minutes * work_time * wt_per) / 100 / 60 ELSE 0 END) AS 特批工时, SUM(CASE WHEN working_step IN ('工时计算异常','漏加工项目') THEN (original_minutes * work_time * wt_per) / 100 / 60 ELSE 0 END) AS 工时申诉 FROM mes.cnc_ncfile_dlrec WHERE is_delete = 0 AND state = 0 GROUP BY emp_no, dl_date ) DL ON DL.emp_no = R.Emp_No AND DL.dl_date = TO_CHAR(R.Operate_Day, 'YYYY-MM-DD') ``` 这样可以避免重复子查询，提高执行效率。 --- #### 3. **`trunc(R.Operate_Day,'MM') = TO_DATE('2025/08','yyyy/MM')` 可能影响索引使用** 虽然语法正确，但使用 `trunc` 函数可能导致无法使用 `R.Operate_Day` 上的索引。 ✅ **建议改写为范围查询：** ```sql R.Operate_Day >= DATE '2025-08-01' AND R.Operate_Day < DATE '2025-09-01' ``` 这样更利于索引命中，提升性能。 --- #### 4. **`r.Emp_No In (Select w.Emp_No ...)` 子查询建议优化** 如果 `mes.Wt_Week_Summary` 表数据量大，建议使用 `INNER JOIN` 替代 `IN` 子查询，更高效且易读。 ✅ **建议写法：** ```sql INNER JOIN ( SELECT DISTINCT Emp_No FROM mes.Wt_Week_Summary WHERE Week_Id LIKE '202508_%' ) W ON R.Emp_No = W.Emp_No ``` --- ### ✅ 总结建议修改点 | 问题 | 建议 | |------|------| | 日期偏移未处理 | 使用 `CASE WHEN EXTRACT(HOUR FROM ...) < 7` 调整日期 | | 子查询重复访问表 | 改为一次 JOIN 查询 + 分组条件聚合 | | `trunc()` 影响索引 | 改为日期范围查询 | | `IN` 子查询效率低 | 改为 `INNER JOIN` | --- ### ✅ 示例优化后 SQL（简化版） ```sql SELECT TO_CHAR(R.Operate_Day, 'YYYY-MM-DD') AS 日期, R.Emp_No 员工编号, R.Emp_Name 员工姓名, SUM(R.Java_Hours) 原始工时, 1 折扣, SUM(R.Java_Hours * R.Discount) 网页工时, COALESCE(DL.特批工时, 0) 特批工时, COALESCE(DL.工时申诉, 0) 工时申诉 FROM MES.RPT_DAIY_WORKTIME R INNER JOIN ( SELECT DISTINCT Emp_No FROM mes.Wt_Week_Summary WHERE Week_Id LIKE '202508_%' ) W ON R.Emp_No = W.Emp_No LEFT JOIN ( SELECT emp_no, TO_CHAR( CASE WHEN EXTRACT(HOUR FROM download_time) < 7 THEN download_time - INTERVAL '1 day' ELSE download_time END, 'YYYY-MM-DD' ) AS dl_date, ROUND(SUM(CASE WHEN working_step IN ('特批工时','特批工时(超差类)','特批工时(周)') THEN (original_minutes * work_time * wt_per) / 100 / 60 ELSE 0 END), 2) AS 特批工时, ROUND(SUM(CASE WHEN working_step IN ('工时计算异常','漏加工项目') THEN (original_minutes * work_time * wt_per) / 100 / 60 ELSE 0 END), 2) AS 工时申诉 FROM mes.cnc_ncfile_dlrec WHERE is_delete = 0 AND state = 0 GROUP BY emp_no, dl_date ) DL ON DL.emp_no = R.Emp_No AND DL.dl_date = TO_CHAR(R.Operate_Day, 'YYYY-MM-DD') WHERE R.Operate_Day >= DATE '2025-08-01' AND R.Operate_Day < DATE '2025-09-01' GROUP BY R.Operate_Day, R.Emp_No, R.Emp_Name, DL.特批工时, DL.工时申诉; ``` ---
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值