<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Zsusan7的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Zsusan7</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Zsusan7]]></copyright><item><title><![CDATA[TensorFlow与Pytorch的转换——2手写数字识别]]></title><link>https://blog.youkuaiyun.com/Zsusan7/article/details/142734421</link><guid>https://blog.youkuaiyun.com/Zsusan7/article/details/142734421</guid><author>Zsusan7</author><pubDate>Mon, 07 Oct 2024 02:13:13 +0800</pubDate><description><![CDATA[【代码】TensorFlow与Pytorch的转换——2手写数字识别。]]></description><category></category></item><item><title><![CDATA[TensorFlow与Pytorch的转换——1简单线性回归]]></title><link>https://blog.youkuaiyun.com/Zsusan7/article/details/142704999</link><guid>https://blog.youkuaiyun.com/Zsusan7/article/details/142704999</guid><author>Zsusan7</author><pubDate>Fri, 04 Oct 2024 17:47:44 +0800</pubDate><description><![CDATA[【代码】TensorFlow与Pytorch的转换。]]></description><category></category></item><item><title><![CDATA[同样方法构建的CNN模型为什么效果千差万别]]></title><link>https://blog.youkuaiyun.com/Zsusan7/article/details/142061563</link><guid>https://blog.youkuaiyun.com/Zsusan7/article/details/142061563</guid><author>Zsusan7</author><pubDate>Mon, 09 Sep 2024 16:00:44 +0800</pubDate><description><![CDATA[CNN（卷积神经网络）更适合计算机视觉领域。下面总结从1998年至今的优秀CNN模型，包括。]]></description><category></category></item><item><title><![CDATA[简单易上手的生成对抗网络]]></title><link>https://blog.youkuaiyun.com/Zsusan7/article/details/141791287</link><guid>https://blog.youkuaiyun.com/Zsusan7/article/details/141791287</guid><author>Zsusan7</author><pubDate>Sun, 01 Sep 2024 22:30:09 +0800</pubDate><description><![CDATA[生成器生成假数据，然后将生成的假数据和真数据都输入判别器，判别器要判断出哪些是真的哪些是假的。判别器第一次判别出来的肯定有很大的误差，然后我们根据误差来优化判别器。现在判别器水平提高了，生成器生成的数据很难再骗过判别器了，所以我们得反过来优化生成器，之后生成器水平提高了，然后反过来继续训练判别器，判别器水平又提高了，再反过来训练生成器，就这样循环往复，直到达到纳什均衡。判断这张图像是真实的还是机器生成的，目的是找出生成器做的假数据。通过机器生成数据，最终目的是骗过判别器。进行学习的深度生成模型，包含的。]]></description><category></category></item><item><title><![CDATA[一篇搞定文件的操作]]></title><link>https://blog.youkuaiyun.com/Zsusan7/article/details/139475192</link><guid>https://blog.youkuaiyun.com/Zsusan7/article/details/139475192</guid><author>Zsusan7</author><pubDate>Thu, 06 Jun 2024 09:38:51 +0800</pubDate><description><![CDATA[offset是相对于某个位置的偏移量，whence指定起始位置（0表示文件开头，1表示当前位置，2表示文件末尾）。open()函数的基本语法为：open(filename, mode)，其中filename是文件名（包含路径），mode是打开模式（如’r’、‘w’、‘a’、'r+‘等）。如果文件已存在，且打开模式为’w’，则会覆盖原有内容。如果需要在文件末尾追加内容，可以使用’a’模式打开文件，然后调用write()方法。使用open()函数打开文件，该函数返回一个文件对象，用于后续的文件操作。]]></description><category></category></item><item><title><![CDATA[numpy操作数据维度]]></title><link>https://blog.youkuaiyun.com/Zsusan7/article/details/138540453</link><guid>https://blog.youkuaiyun.com/Zsusan7/article/details/138540453</guid><author>Zsusan7</author><pubDate>Wed, 08 May 2024 17:51:26 +0800</pubDate><description><![CDATA[添加维度np . stack。]]></description><category></category></item><item><title><![CDATA[sklearn的make_blobs函数]]></title><link>https://blog.youkuaiyun.com/Zsusan7/article/details/138579803</link><guid>https://blog.youkuaiyun.com/Zsusan7/article/details/138579803</guid><author>Zsusan7</author><pubDate>Wed, 08 May 2024 17:37:17 +0800</pubDate><description><![CDATA[make_blobs是一个用于生成随机数据点的实用函数，]]></description><category></category></item><item><title><![CDATA[读取pems04.npz文件]]></title><link>https://blog.youkuaiyun.com/Zsusan7/article/details/138261015</link><guid>https://blog.youkuaiyun.com/Zsusan7/article/details/138261015</guid><author>Zsusan7</author><pubDate>Sat, 27 Apr 2024 23:39:07 +0800</pubDate><description><![CDATA[【代码】读取pems04.npz文件。]]></description><category></category></item><item><title><![CDATA[无监督学习的评价指标（最全集合）]]></title><link>https://blog.youkuaiyun.com/Zsusan7/article/details/138258678</link><guid>https://blog.youkuaiyun.com/Zsusan7/article/details/138258678</guid><author>Zsusan7</author><pubDate>Sat, 27 Apr 2024 23:34:00 +0800</pubDate><description><![CDATA[1.计算a（i） ：样本i到同簇内其他样本的平均距离，代表样本i的簇内相似度。a（i）的值越小，说明样本i越应该被聚类到该簇，簇内相似度越高。2.计算b（i）：样本i到其他簇内的所有样本的平均距离的最小值，代表样本i的簇间不相似度。b（i）值越大，说明样本i越不应该被聚类到其他簇。轮廓系数用于判断聚类结果的紧密度和分离度。轮廓系数综合了样本与其所属簇内的相似度以及最近的其他簇间的不相似度。轮廓系数的取值范围在[-1,1]之间，系数越大，说明聚类效果越好，簇内相似度越高，簇间差异性越大。]]></description><category></category></item><item><title><![CDATA[macro-averaged Precision和B-CUBED Precision的区别]]></title><link>https://blog.youkuaiyun.com/Zsusan7/article/details/138229605</link><guid>https://blog.youkuaiyun.com/Zsusan7/article/details/138229605</guid><author>Zsusan7</author><pubDate>Fri, 26 Apr 2024 20:29:54 +0800</pubDate><description><![CDATA[由于B-cubed Precision的计算涉及到聚类结果和真实标签的对比，而且计算过程相对复杂，这里不提供一个具体的例子。不过，需要注意的是，B-cubed Precision的计算方式使得它能够更好地反映聚类算法在保持样本点相似性和纯度方面的性能。在B-cubed Precision中，首先计算每个样本点的精度，然后对所有样本点的精度取平均值。每个样本点的精度是基于其所属聚类中与其共享相同真实标签的样本点数量来计算的。这种方法能够反映聚类结果中样本点的纯度，即聚类内部样本点的相似度。]]></description><category></category></item><item><title><![CDATA[nn.DataParallel]]></title><link>https://blog.youkuaiyun.com/Zsusan7/article/details/138140438</link><guid>https://blog.youkuaiyun.com/Zsusan7/article/details/138140438</guid><author>Zsusan7</author><pubDate>Tue, 23 Apr 2024 22:44:51 +0800</pubDate><description><![CDATA[nn.DataParallel 是 PyTorch 中的一个模块，用于在多个 GPU 上并行运行模型。当有多个 GPU 并且想要利用它们来加速训练或推理时，这个模块会非常有用。nn.DataParallel 通过对模型中的每个子模块进行复制，并将输入数据分割成多个部分，然后在每个 GPU 上并行处理这些部分来实现并行化。]]></description><category></category></item><item><title><![CDATA[__init__与args]]></title><link>https://blog.youkuaiyun.com/Zsusan7/article/details/138139860</link><guid>https://blog.youkuaiyun.com/Zsusan7/article/details/138139860</guid><author>Zsusan7</author><pubDate>Tue, 23 Apr 2024 22:02:18 +0800</pubDate><description><![CDATA[在Python中，__init__是一个特殊的方法，被称为类的构造函数或初始化方法。它在一个对象被创建时立即调用，用于初始化该对象的属性或执行其他必要的设置。如果使用args作为参数名，它通常是一个元组，用于接收任意数量的位置参数。这在你不确定或想要允许用户传递任意数量的参数时很有用。]]></description><category></category></item><item><title><![CDATA[nn.Sequential与tensorflow的Sequential对比]]></title><link>https://blog.youkuaiyun.com/Zsusan7/article/details/138020514</link><guid>https://blog.youkuaiyun.com/Zsusan7/article/details/138020514</guid><author>Zsusan7</author><pubDate>Sun, 21 Apr 2024 06:36:51 +0800</pubDate><description><![CDATA[nn.Sequential() 是 PyTorch 深度学习框架中的一个类，用于按顺序容器化模块。nn.Sequential 是一个有序的容器，它包含多个网络层，数据会按照在构造函数中传入顺序依次通过每个层。]]></description><category></category></item><item><title><![CDATA[python第三方库安装问题]]></title><link>https://blog.youkuaiyun.com/Zsusan7/article/details/138018743</link><guid>https://blog.youkuaiyun.com/Zsusan7/article/details/138018743</guid><author>Zsusan7</author><pubDate>Sun, 21 Apr 2024 03:16:21 +0800</pubDate><description><![CDATA[【代码】python第三方库安装问题。]]></description><category></category></item><item><title><![CDATA[数据分析报告怎么写]]></title><link>https://blog.youkuaiyun.com/Zsusan7/article/details/133313419</link><guid>https://blog.youkuaiyun.com/Zsusan7/article/details/133313419</guid><author>Zsusan7</author><pubDate>Tue, 26 Sep 2023 16:18:26 +0800</pubDate><description><![CDATA[数据分析报告是整个业务分析过程的成果总结，是评定一条业务线的重要参考依据。在进行数据报告撰写时，要注意报告各部分的完整性，一个完整的数据报告应该包括以下部分：报告背景、报告目的、数据来源及情况、分页图表内容、结果总结、趋势预测及应对策略。制作报告之前，需要了解业务背景，注意其目的是什么？每一张表每一个图都是有用且真实的，每个数据指标的定义都要明晰明了，做到抓住重点、精准分析，通过报告可以了解哪些信息？可以发现哪些问题？如何解决问题？应该采取哪些措施？
同时需要了解受众群体的特性，这样才能体现报告的价值。**]]></description><category></category></item><item><title><![CDATA[利用Python合并txt文件]]></title><link>https://blog.youkuaiyun.com/Zsusan7/article/details/128808021</link><guid>https://blog.youkuaiyun.com/Zsusan7/article/details/128808021</guid><author>Zsusan7</author><pubDate>Mon, 30 Jan 2023 20:03:30 +0800</pubDate><description><![CDATA[利用Python合并txt文件]]></description><category></category></item><item><title><![CDATA[假设磁盘的每个磁道分成9个块]]></title><link>https://blog.youkuaiyun.com/Zsusan7/article/details/127129005</link><guid>https://blog.youkuaiyun.com/Zsusan7/article/details/127129005</guid><author>Zsusan7</author><pubDate>Fri, 30 Sep 2022 21:02:52 +0800</pubDate><description><![CDATA[当磁头转过A块花了3ms，再花2ms时间，将已转到缓冲区的数据转移到内存中，此时磁头已经来到B块的2/3处，接下来可以花1ms时间读取B，再花27ms，才能完整地读完B，最后花2ms处理，从B块到最后一块都是如此处理，所以最后需要花的时间是。由题目所给条件可知，磁盘转速为27ms/转，每个磁道存放9条记录，因此读出1条记录的时间是27/9 = 3ms。1）若顺序存放这些记录顺序读取,处理该文件要多少时间?2）若要顺序读取该文件，记录如何存放处理时间最短?基础知识：磁盘一旦开始转，就不会停。]]></description><category></category></item><item><title><![CDATA[大数据可视化技术——平行坐标图、成对关系图、高级折线图]]></title><link>https://blog.youkuaiyun.com/Zsusan7/article/details/124962103</link><guid>https://blog.youkuaiyun.com/Zsusan7/article/details/124962103</guid><author>Zsusan7</author><pubDate>Wed, 25 May 2022 11:04:25 +0800</pubDate><description><![CDATA[一、平行坐标图
平行坐标图是对于具有多个属性问题的一种可视化方法，下图为平行坐标图的基本样式，数据集的一行数据在平行坐标图中用一条折线表示，纵向是属性值，横向是属性类别（用索引表示）。
pandas.plotting.parallel_coordinates(frame, class_column, cols=None, ax=None, color=None, use_columns=False, xticks=None, colormap=None, axvlines=True, axvlines_kw]]></description><category></category></item><item><title><![CDATA[Topsis模型]]></title><link>https://blog.youkuaiyun.com/Zsusan7/article/details/124961894</link><guid>https://blog.youkuaiyun.com/Zsusan7/article/details/124961894</guid><author>Zsusan7</author><pubDate>Wed, 25 May 2022 10:54:06 +0800</pubDate><description><![CDATA[第一步：指标同向化
import pandas as pd
from pandas import DataFrame
import numpy as np
import math

dates=pd.read_csv(r"C:\Users\相关数据.csv",encoding='gbk')
dates.head()


PH为中间型数据，要将区间型指标转换为极大型指标
PH_list=[]
for i in range(0,len(dates)):
    PH_list.append(abs(dates.]]></description><category></category></item><item><title><![CDATA[卡方检验——离散型特征相关性分析]]></title><link>https://blog.youkuaiyun.com/Zsusan7/article/details/124961714</link><guid>https://blog.youkuaiyun.com/Zsusan7/article/details/124961714</guid><author>Zsusan7</author><pubDate>Wed, 25 May 2022 10:44:31 +0800</pubDate><description><![CDATA[import pandas as pd  #导入读入数据的包
from sklearn.feature_selection import SelectKBest  #卡方检验-&gt;判断离散型特征是否相关
from sklearn.feature_selection import chi2

#读取数据
data = pd.read_csv('./2013年八城市融合数据.csv',encoding='gbk')

x= data[['归属感有无（0：有 1：无）','户口性质（0：农业 1：非农业）',]]></description><category></category></item></channel></rss>