- 博客(97)
- 收藏
- 关注
RSS订阅原创 三维数组结构
简单说，每个二维数组内部的一维数组，就是 “宽” 对应的一维数组，比如 [0.1, 2.7, 3.4] 就是其中一个代表 “宽” 的一维数组。在很多机器学习（尤其是计算机视觉相关任务，比如图像分类、目标检测等）场景下，假设把整个三维数组看作是一张 RGB 图片的表示，从数组结构看：**所以，结合你的例子（RGB 图像的通道），可以把 “通道” 理解为。如果延伸到更广义的特征表示（如 CNN 特征图），通道就是。在卷积神经网络（CNN）中，经过卷积层后产生的。所以，宽为 3，高为 2，通道数为 3。
2025-09-27 18:19:59
461
原创 在Jupyter中扩展rise，显示幻灯片模式
3、在py39_env下依次安装jupyter d2l torch torchvision rise （d2l torch torchvision是深度学习pytorch所要用的）1、在我的基础上（之前用安装包安装了Anaconda）卸载Anaconda，在。5、安装并扩展rise，成功启用输出会包含rise/main enabled。6、cmd命令jupyter notebook，打开相关文件。4、将py39_env环境添加到Jupyter内核列表中。2、安装后创建虚拟环境py39_env。
2025-09-27 15:53:21
250
原创 在Jupyter Notebook中使用Python 3.12内核的配置指南
根据提供的引用内容，以下是详细操作步骤：激活目标Python环境在终端执行（替换为你的Python 3.12环境名称）：如引用[3]所示：安装内核依赖在激活的环境中安装必需组件（引用[1][3]）：注册内核到Jupyter（关键步骤）执行内核注册命令（引用[1][3]）：示例：解决依赖冲突（如遇报错）若出现引用[2]的，安装缺失模块：重启Jupyter服务关闭所有Jupyter进程后重新启动：切换内核在Notebook界面操作（引用[1]）：在新Notebook
2025-09-23 00:10:03
427
原创 问题分析与解决：Conda 3.8环境中Jupyter Notebook导入PyTorch报错“No module named ‘torch’“
环境而非您安装PyTorch的目标环境所致。以下我将逐步解释原因并提供可靠的解决方案（基于Anaconda平台）。问题根源在于环境隔离：Jupyter Notebook的内核（kernel）未正确绑定到您安装了PyTorch的Conda环境。根据您的描述，在Conda 3.8环境中已成功安装PyTorch，但在Jupyter Notebook中导入时出现。如果持续存在，可能是环境变量冲突，建议重建Conda环境并重复安装流程。是内核在Jupyter中显示的名称。），则环境安装正确。
2025-09-17 23:38:00
701
原创 要解决pip安装d2l 0.17.6版本时出现的Could not find a version that satisfies the requirement puccinialin错误
要解决pip安装d2l 0.17.6版本时出现的。
2025-09-17 23:12:04
765
原创 解决 pip install d2l 出现 error: subprocess-exited-with-error 错误的方法
通过上述步骤，您应该能解决时出现的错误。核心原因是setuptools 版本不兼容，通过降级到稳定版本（如 69.0.0）即可修复。如果问题仍未解决，请提供完整的错误日志以便进一步诊断（如使用生成详细输出）。加粗样式。
2025-09-17 21:52:30
931
原创 解决pip 无法在指定的索引源中Python 环境兼容的 torch 版本
安装 PyTorch 时，pip 无法在指定的索引源中找到与您的 Python 环境兼容的 torch 版本。这可能是由 Python 版本不兼容、pip 源配置错误或操作系统/架构不匹配造成的。下面我将一步步解释原因并提供可靠的解决方法。通过以上方法，90% 以上用户能解决此错误。如果问题仍然存在，建议提供您的 Python 版本、操作系统和错误日志以便进一步分析。以下是已验证的解决方案，按优先级排序（适用 Windows/Linux/Mac）。，根据您的操作系统、CUDA 版本等生成定制命令。
2025-09-17 19:38:18
3216
原创 将conda环境Python版本从3.6.5升级到3.8的方法
创建新环境示例： 是新环境名称，可自定义自动安装Python 3.8及基础依赖包迁移旧环境包生成旧环境包列表：验证版本
2025-09-17 19:05:16
508
原创 Windows系统下Matplotlib局部字体配置实现中文显示的方法
在Windows系统下，实现Matplotlib局部中文字体显示的核心是通过。目录下（如宋体、黑体、微软雅黑等）。：不影响其他图形元素的默认字体，灵活性高，适合多语言混排场景。参数为特定文本元素指定中文字体。Windows系统自带的中文字体存放在。
2025-08-30 17:12:06
256
原创 plt.rcParams[‘font.sans-serif‘]=[‘SimHei‘] 全局字体配置代码详解
以下内容基于用户提供的引用并结合 matplotlib 官方文档，系统解析该代码的作用、使用场景及注意事项。回答结构清晰，逐步展开。：字体渲染依赖字形映射。Matplotlib 默认使用英文字体库，中文字符的 Unicode 编码（如。：设置 matplotlib 的全局字体配置，使图表中的文本（如标题、标签、图例）能正常显示中文。：若系统中未安装 SimHei 字体，代码会报错或无效。：如果 SimHei 不可用，可改用其他支持中文的字体（如。表示“中”）未被识别时会导致渲染失败。
2025-08-30 17:00:24
753
原创 回归模型中可视化参考线plt.plot([min(y_test), max(y_test)], [min(y_test), max(y_test)])
在回归模型的可视化中，
2025-08-30 16:19:13
350
原创 print(f“XGBoost调优后的MSE：{mse_xgb:.6f}“)的含义和用途
这条代码是一个简洁的评估工具，结合了Python的f-string特性和机器学习评估实践。它帮助用户量化XGBoost模型的回归性能，并为后续优化提供数据支持。如果您在实现中遇到问题（如变量。
2025-08-29 18:52:18
504
原创 best_xgb = xgb.XGBRegressor(**best_params, random_state=42) 的含义及使用指南
这行代码用于创建 XGBoost 回归模型的一个实例，基于最优超参数和固定随机种子初始化模型。下面我将逐步解释其含义、使用方法、可能的报错及解决方案，确保内容真实可靠（基于 XGBoost 官方文档和机器学习最佳实践）。通过以上步骤，您可以高效地使用此代码初始化 XGBoost 回归模型。如果具体场景有更多细节（如数据集或错误日志），可进一步分析。这行代码通常在参数调优后使用，目的是基于最佳参数直接创建模型。: 训练完成后，可保存模型供后续使用。: 使用训练好的模型进行预测和评估。: 通过网格搜索（如。
2025-08-29 17:17:24
554
原创 scoring = ‘neg_mean_squared_error’ 的含义、使用场景及相关知识
是 sklearn 中回归模型评估的实用工具，它通过负数形式统一评分逻辑（更高更好），但其本质仍然是均方误差。使用时应关注转换后的 MSE 值，并结合问题上下文判断模型性能。如果您有具体数据集或模型代码，我可以帮助分析实现示例。
2025-08-28 23:02:11
872
原创 RandomizedSearchCV对XGBoost模型进行随机搜索调参的代码含义、使用方法，以及解决可能存在的问题
RandomizedSearchCV是scikit-learn库中的一种超参数优化方法，它通过随机采样参数组合（而不是像GridSearchCV那样穷举所有组合）来搜索最优超参数。参数空间大（如引用[3]中的多个参数范围）：当超参数数量多时，RandomizedSearchCV效率更高，因为它只评估固定次数的随机组合（通过n_iter控制）。计算资源有限。
2025-08-28 22:46:44
924
原创 ‘reg:squarederror’ 目标函数的含义及使用场景
该函数直接优化均方误差（MSE），使模型输出尽可能接近连续型目标值。的目标函数（损失函数）。是 XGBoost 中用于。
2025-08-28 19:31:06
686
原创 Python中参数网格param_grid的用途及相关操作详解
中指定的所有参数组合，评估每个组合在交叉验证下的模型性能，从而找到最优超参数配置。这在模型调优中至关重要，因为超参数（如。是一个定义超参数搜索空间的字典，主要用于网格搜索（grid search）算法中。等）直接影响模型精度、泛化能力和效率。以下我将逐步解释其用途和相关操作。通过网格搜索自动化参数优化，能显著提升模型性能，尤其在复杂集成模型中。网格搜索通常通过Scikit-learn的。
2025-08-28 18:59:19
1032
原创 更新你的kagglehub包到最新版本
(确认是0.3.13+)如有必要（本地IDE/Jupyter）。完成以上操作后，版本过时的警告就应该消失了。保持依赖库的最新版本是确保代码稳定性和获得最新功能/修复的重要实践。
2025-08-28 17:56:24
542
原创 DBeaver连接SQL Server时添加驱动后仍提示找不到驱动的解决方法
通过以上步骤，大多数“找不到驱动”问题可解决：核心是确保驱动正确添加（步骤1）、服务器协议启用（步骤2），并处理安全兼容性（步骤3）。如果问题持续，请提供具体错误消息以便进一步诊断。DBeaver连接SQL Server依赖外部驱动，因此版本匹配至关重要。
2025-08-24 20:00:50
1323
原创 DBeaver连接SQL Server集成认证问题解决方案
通过上述步骤，90%以上的集成认证问题可得到解决。若仍存在问题，建议检查Windows事件查看器中的详细身份验证日志。设置integratedSecurity=true。运行此代码可验证DLL加载路径。选择JDBC驱动jar。
2025-08-24 19:59:00
804
原创 CREATE VIEW 必须是查询批次中的第一个语句错误解决方法
在SQL Server中，当您尝试创建视图（CREATE VIEW）时，如果该语句不是批处理中的第一条语句，系统会报错：“CREATE VIEW 必须是批处理中仅有的语句"或"必须是查询批次中的第一个语句”。这个错误源于SQL Server的语法规则：CREATE VIEW命令必须作为批处理的起始点，不能与其他语句混在同一批处理中执行。解决方案基于SQL Server的批处理机制和GO语句的使用，参考了用户提供的引用内容。要解决此问题，核心思路是确保CREATE VIEW语句成为独立批处理的起始点。
2025-08-24 17:28:21
504
原创 SSMS 注释查询语句的快捷键
这些快捷键在 SSMS 的默认设置中有效，无需额外配置。如果您使用的是较新版本的 SSMS（如 2016 或更高），快捷键可能保持一致。在 SQL Server Management Studio (SSMS) 中，注释查询语句的快捷键是。如果快捷键无效，请检查 SSMS 的键盘映射设置（通过。（用于添加注释），而取消注释的快捷键是。），确保未自定义覆盖默认设置。
2025-08-24 16:30:15
587
原创 在 SSMS 中查找和打开已保存的查询文件
在 SQL Server Management Studio (SSMS) 中，您可以轻松地查找并打开已保存的查询文件（通常以。SSMS 提供了直观的界面支持直接打开这些文件，无需额外工具。以下是详细步骤和注意事项，帮助您逐步操作。通过以上步骤，您可以在 SSMS 界面中轻松查找和打开查询文件。SSMS 的设计确保了直接性和便捷性，无需复杂操作。
2025-08-24 16:16:42
640
原创 Navicat 无法登录时找回 SQL 文件的方法
引用自站内文档：Navicat 卸载时不会删除用户文档目录中的查询文件，但重装时需手动备份以防路径变更导致丢失。当 Navicat 无法登录时，找回之前保存的 SQL 文件需通过手动访问存储路径实现。（如云盘或外部存储），避免因 Navicat 重装或系统问题导致文件丢失。Navicat 的查询文件（.sql）默认保存在系统的。
2025-08-18 20:40:57
562
原创 在 Python 中使用 json 模块的完整指南
模块是 Python 标准库的一部分，用于处理 JSON 数据格式。JSON 键必须是字符串类型。处理日期等特殊类型需手动转换。
2025-08-17 16:53:35
391
原创 scikit-learn RandomizedSearchCV 使用方法详解
选择一个基础模型（如逻辑回归），并指定超参数的搜索空间。参数分布可以是离散值或连续分布（使用模块）。# 定义超参数分布'C': uniform(0.1, 10), # 连续均匀分布：C ∈ [0.1, 10]'penalty': ['l1', 'l2'], # 离散选择'max_iter': randint(50, 200) # 整数分布：max_iter ∈ [50, 200]
2025-08-17 15:59:51
750
原创 scikit-learn 中的均方误差 (MSE) 和 R² 评分指标
【代码】scikit-learn 中的均方误差 (MSE) 和 R² 评分指标。
2025-08-17 14:13:49
341
原创 如何使用5个时间步长创建移动平均特征
移动平均特征通过平滑时间序列数据来减少噪声，突出长期趋势。指数平滑法是对移动平均的改进，它赋予近期数据更高权重，使久远数据呈指数衰减。
2025-08-16 18:13:40
194
原创 Python 读取 CSV 文件并删除前五列
提示：pandas 方法代码更简洁且支持复杂数据处理，推荐作为首选方案。在 Python 中删除 CSV 文件的前五列有两种常用方法：使用。
2025-08-16 17:45:58
392
原创 删除全缺失列的 Pandas 操作
在 Pandas 中删除所有值均为缺失值（NaN）的列，需使用。仅当整列所有值为 NaN 时才删除（若使用。已被删除，而包含部分有效值的列。则任意缺失值都会触发删除）。指定操作方向为列（默认为。
2025-08-16 17:14:12
243
原创 解决安装特定版本 anaconda-client 的错误
需从 Anaconda 企业私有仓库获取，公开仓库已无此版本。输出会显示所有可用版本（如。
2025-08-15 15:19:22
209
原创 解决安装 scikit-learn==1.3.1 时出现的版本匹配错误
原因解决方案验证方法Python 版本不兼容降级/升级 Python 到 3.8-3.11虚拟环境未激活激活环境后重试终端提示符显示环境名pip 源不可靠添加或更换源检查错误日志是否减少指定版本过时安装最新版如果所有步骤都失败，请提供更多环境信息（如操作系统、Python 版本、pip 版本），我会进一步帮助您。
2025-08-14 22:33:10
893
原创 如何安装 scikit-learn Python 库
scikit-learn 是一个基于 Python 的开源机器学习库，它建立在 NumPy、SciPy 和 Matplotlib 之上，提供了丰富的机器学习算法和工具，适用于数据挖掘、分类、回归等任务。以下是安装 scikit-learn 的详细步骤，分为前提条件、安装方法和验证安装三部分。如果 pip 安装报错（常见于 Windows，提示缺少 NumPy 或 SciPy），请手动安装依赖库。scikit-learn 的安装过程简单高效，一旦完成，您就可以开始探索机器学习算法，如线性回归（模型为。
2025-08-14 22:25:13
1888
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人