墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
200+累计阅读
227平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
import matplotlib.pyplot as plt
import numpy as np
from mpl_toolkits.mplot3d import Axes3D
X = np.arange(-4, 4, 0.25)
print(X)
Y = np.arange(-4, 4, 0.25)
X, Y = np.meshgrid(X, Y)
R = np.sqrt(X**2 + Y**2)
Z = np.sin(R)
fig = plt.figure()
ax = Axes3D(fig)
ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap='rainbow')
plt.show()
Linux下安装FastDFS及生成缩略图
1. 安装编译环境 yum install git gcc gcc-c++ make automake vim wget libevent -y 2. 安装libfastcommon基础库 mkdir /root/fastdfs cd /root/fastdfs git clone https://github.com/happyfish100/libfastcommon.git --depth 1 cd libfastcommon/ ./make.sh && ./make.sh ins
Python | NumPy | 3D 数据可视化 - 散点图
本文介绍如何使用NumPy相关的数据来绘制3D图形以实现数据可视化 Updated: 2022 / 03 / 06
新版股票配资系统源码/股票分析系统技术方案
新版股票配资系统;全套源码支持新股申购功能，包含C#+MySQL开发的后台系统及Spring框架，采用C/S架构。注意：本源码仅限技术学习、功能测试及模拟交易使用，严禁用于非法用途，违者责任自负。
matplotlib基本操作（速成）
matplotlib1.安装2.基本使用 1.安装 直接打开命令行输入 pip install matplotlib 安装即可（速度慢的话可以用清华源） 2.基本使用 import matplotlib.pyplot as plt#引入matplotlib的pyplot模块 import numpy as np a=np.arange(0.0,5.0,0.01)#构造一个0起始，5结束，0.01为间隔的numpy数组 b=5*np.cos(a*np.pi*2)#其中的np.pi是圆周率 plt.plot
SpringBoot+Vue企业级开源聚合支付系统！支持30+款支付平台，只需配置商户证书就能直接使用！
一款开源SAAS支付系统推荐
VT System故障排查指南：从License验证到硬件连接全解析
本文详细解析VT System故障排查全流程，从License验证、Real Bus模式设置到硬件连接与VT6000组网配置。针对VT7900板卡等特殊设备提供专业解决方案，并分享系统级故障的二分法排查技巧，帮助工程师快速定位和解决CANoe环境下的各类硬件识别问题。
Python绘图-14绘制3D图（上）
学习用Python绘制3D图
从零到一：Cadence AC仿真中的运放性能参数深度解析与实战避坑指南
本文深度解析Cadence AC仿真中运放性能参数的精确测量方法，包括开环增益、带宽和相位裕度等关键指标。通过实战案例分享常见设置错误的避坑技巧，帮助工程师提升设计成功率和仿真效率，特别针对全差分运放和工艺角分析提供专业指导。
python里使用正则的findall函数
在前面学习了正则的search()函数，这个函数可以找到一个匹配的字符串返回，但是想找到所有匹配的字符串返回，怎么办呢？其实得使用findall()函数。如下例子：#python 3. 6 #蔡军生 #http://blog.youkuaiyun.com/caimouse/article/details/51749579 # import re text = 'abbaaabbbbaaaaa' patt
卡方分布的前世今生：一个统计概念的演化史
本文追溯了卡方分布从19世纪末的理论雏形到现代统计推断核心工具的发展历程。从Karl Pearson的数学奠基到Ronald Fisher的理论完善，卡方分布在医学研究、社会科学和机器学习等领域展现出广泛应用。文章通过代码示例和性质分析，揭示了这一统计概念如何持续推动数据科学创新。
拉曼光谱入门：10.显微拉曼与共聚焦技术
本文系统阐述了显微拉曼光谱技术与共聚焦原理的融合机制，详细解析了从激光激发、针孔空间滤波到光谱采集的完整光路架构，阐明了共聚焦设计在提升三维空间分辨率、抑制荧光背景及实现微区无损层析方面的核心优势，并探讨了关键光学器件的性能边界与系统技术局限。
Python：Matplotlib 3D 绘图
本文提供了Matplotlib三维绘图的一些示例。
YOLOv11改进 - 卷积Conv | PATConv（Partial Attention Convolution）部分注意力卷积，在减少计算量的同时融合卷积与注意力的优势 | AAAI 2026
本文提出部分注意力卷积（PATConv）机制，并将其集成到YOLOv11中。传统神经网络中，卷积计算密集，注意力机制全局计算冗余，此前的“部分卷积”会丢失未计算通道的特征价值。PATConv通过“通道拆分 - 并行处理 - 结果拼接”的逻辑，给不同通道分配“擅长的任务”，兼顾局部与全局特征。基于此，它还衍生出PAT_ch、PAT_sp和PAT_sf三种细分模块。此外，还提出了动态部分卷积（DPConv），并构建了新的混合网络家族PartialNet。我们将PATConv代码集成到YOLOv11中，实验表明，
mlab：用于3D绘图的Python脚本
章节摘要 本节介绍了mlabAPI，用于将Mayavi用作脚本或交互式会话中的简单绘图。这是对使用Python在Matlab或IDL中进行3D绘图感兴趣的人们的主要切入点。如果您对mlab中公开的所有功能列表感兴趣，请参见MLab参考。 该mayavi.mlab模块，我们称之为MLAB，提供了一种简便的方式在做在脚本或者交互提示与单行可视化数据matplotlibpylab接口，但在使用Mayavi2三维可视化的重点。这使用户能够执行快速3D可视化，同时能够使用Mayavi的强大功能。 May...
OV9734 DATASHEET，完整规格书
OV9734完整规格书，包括电气参数，尺寸规格，寄存器配置表等
win10 跳过U8环境检测的IE WebControls.rar
win10 安装u8的时候 提示IE WebControls 不通过，这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后，重新检测通过。
python 3d绘图旋转_Python和Matplotlib：在Jupyter Noteb中使3D绘图具有交互性
我想出的解决方案是在iframe中使用vis.js实例。 这显示了笔记本中的交互式3D图，该图仍可在nbviewer中使用。 visjs代码是从3D图形页面上的示例代码中借用的一个小笔记本来说明这一点：演示代码本身：from IPython.core.display import display, HTMLimport jsondef plot3D(X, Y, Z, height=600, xla...
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
python 3d绘图旋转_Python：如何围绕z轴旋转曲面并进行三维绘图？
好吧，我想你真的是要求绕一个轴旋转一个二维曲线来创建一个曲面。我有CAD背景，所以我就是这样解释的。我的数学不是最棒的，所以请原谅任何晦涩难懂的术语。不幸的是，你必须完成剩下的数学运算来得到网格的所有点。在以下是您的代码：#import for 3dfrom mpl_toolkits.mplot3d import Axes3Dimport numpy as npimport matplotlib....
python 3d绘图立方体,Python：绘制线框3D长方体
I want to plot 3d cuboid in python.Input :center (3 points for the center)radius (3 radius values, one for each dimension)Ideally it should be a wireframe plot(I need to see whats inside).I am not exa...
python 3d绘图立方体_python：绘制一个线框3D立方体
我遇到了同样的问题，并试图给出如下答案。def cuboid_data(center, size):"""Create a data array for cuboid plotting.============= ================================================Argument Description============= ==========...
python 3d绘图 范围_“绘图，让科学生动起来”：Python-matplotlib绘图（多元函数拟合-3D绘图专题）...
作者简介：85后一名分析化学工作者及科学爱好者，深爱着北京的老北京人，爱好运动，科学，旅行，个人微信公众号《科学是什么东东》，欢迎关注！搭建python-matplotlib绘图平台的四个要素是什么：它们是：python软件主体；pip库管理工具；matplotlib绘图库；文本编辑器。在这一专题中，我们将介绍多元函数的3D图形化和拟合。在理学和工学工作中，或在数学教学中，人们总会遇到多种多样的函...
python极坐标绘图_python科学计算学习二：matplotlib绘图（极坐标 3D绘图等）（3）...
博客地址：http://blog.youkuaiyun.com/ikerpeng/article/details/20523679首先补充以下： 7种颜色 r g b y m c k (红，绿，蓝，黄，品红，青，黑)在科研的过程中，坐标系中的XY不一定就是等尺度的。例如在声波中对Y轴取对数。肆意我们也必须知道这种坐标系如何画出来的。1，对数坐标图有3个函数可以实现这种功能，分别是：semilogx()，sem...
Python 中 Matplotlib 的 3D 绘图：3D 散点图
本段文字主要介绍了如何使用 Python 库 Matplotlib 创建三维散点图，并对图表的颜色、标记和标签进行设置。 首先，代码引入了必要的库，并创建了一个三维子图。然后，作者解释了两种创建散点图数据的方式：一种是将 x、y、z 数据分别存储在三个数组中，另一种是将所有数据存储在一个 NumPy 数组中。 接下来，代码使用 ax.scatter 函数绘制散点图，并设置了颜色、标记和标签。作者还...
python 3d绘图立方体_Python：绘制线框3D长方体
defplot_cuboid(center,size):"""Create a data array for cuboid plotting.============= ================================================Argument Description============= ============================...
Python Matplotlib 经典 3D 绘图类型：从二维到三维的可视化解析
Matplotlib 是 Python 数据可视化的核心工具之一，提供了多种绘图方式，能够满足从简单二维图形到复杂三维图像的需求。本指南全面解析了 Matplotlib 中的经典绘图类型，包括散点图、柱状图、等高线图、图像展示以及三维图形绘制。通过代码示例与运行结果，读者可以快速掌握每种图形的创建方法及其核心参数设置。例如，如何使用散点图展示数据分布，如何通过柱状图比较不同类别的数值，如何利用等高线图表示区域间的高度变化，甚至如何使用三维表面图和等高线展示空间数据。
python 3d绘图立方体_python：绘制线框3D长方体
这是一个长方体的线框图.def plot_cuboid(center, size):"""Create a data array for cuboid plotting.============= ================================================Argument Description============= ==============...
Python3D绘图实战：Matplotlib交互式展示与旋转技巧
本文详细介绍了使用Python和Matplotlib进行3D绘图的实战技巧，包括创建基础3D图形、交互式操作技巧、多种3D图表类型展示以及性能优化方法。通过具体代码示例，帮助读者掌握3D数据可视化的核心技能，特别适合数据分析师和科研人员提升数据展示效果。
python三维绘图工具包_Matplotlib Toolkits：三维绘图工具包matplotlib.mplot3d
Matplotlib mplot3d 工具包简介The mplot3d toolkit adds simple 3D plotting capabilities to matplotlib by supplying an axes object that can create a 2D projection of a 3D scene. The resulting graph will have ...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1375
扫一扫
