自定义博客皮肤VIP专享

*博客头图:

格式为PNG、JPG,宽度*高度大于1920*100像素,不超过2MB,主视觉建议放在右侧,请参照线上博客头图

请上传大于1920*100像素的图片!

博客底图:

图片格式为PNG、JPG,不超过1MB,可上下左右平铺至整个背景

栏目图:

图片格式为PNG、JPG,图片宽度*高度为300*38像素,不超过0.5MB

主标题颜色:

RGB颜色,例如:#AFAFAF

Hover:

RGB颜色,例如:#AFAFAF

副标题颜色:

RGB颜色,例如:#AFAFAF

自定义博客皮肤

-+
  • 博客(7)
  • 收藏
  • 关注

原创 Python的Numpy库介绍与实践

在Numpy官网中介绍:Numpy可以进行大量掩码数组、矩阵的运算,还有大量对数组的快速的操作(包括数学、逻辑、图形操作、排序、采集、I/O、离散傅里叶转换、基础的线性代数、基本的统计操作、随机数仿真等等)到这里,可能有读者会问:“在中不是说Numpy提供了多维数组功能,但它只是一般的数组,不是矩阵,所以才有了Scipy库吗?听我狡辩:numpy是有矩阵类型,但主要是基于数组实现的,功能比较有限。就像Python本来没有数组类型,只有列表,在不讲究的情况下就用列表代替数组了。

2024-08-09 21:25:06 958 1

原创 Python拓展库初识

于是打算出一期关于Python部分拓展库的学习笔记,这篇是对一些库的大概的了解,后续会对其中的库的函数、使用等进行解释。用Theano就可以搭建起高效的神经网络,但这对大部分读者来说门槛还是相当高的,Kear便为此而生,它大大简化了搭建各种神经网络模型的步骤,允许普通用户轻松搭建并求解具有几百个输入节点的深层神经网络,而且定制的自由度非常大。Scipy包含的功能:最优化、线性代数、积分、差值、拟合、特殊函数、快速傅里叶变换、信号处理和图像处理、常微分方程求解、其他科学与工程的常用计算。

2024-08-09 21:15:48 433

原创 数据结构介绍

•链式存储结构::每一个数据元素均使用一个节点来存储,且每个节点的存储空间是单独分配的,因此存储这些结点的空间不一定等级连续的。因此,存储这些数据元素时,只需要存储数据元素,而不需要存储各元素之间的关系。依据数据元素的关键字,通过实现设计好的哈希(或散列)函数计算出一个值,再将其作为数据元素的存储地址。数据的逻辑结构是从数据元素的逻辑关系上抽象出来的,数据的逻辑结构与数据的存储无关,是独立域计算机的。•数据项:构成数据元素的不可分割的最小单位。•数据对象:是性质相同的数据元素的集合,是数据的一个子集。

2024-08-09 21:12:40 414

原创 用Python求解线性规划(Scipy库)

c:上述标准型中的模板向量;bounds:决策向量的下界和上界所组成的n个元素的元组(bounds的默认取值是下界为0,上界为正无穷)。在Python中,有很多库都提供了线性规划的求解方法,比如Scipy和cvxopt。例题某种商品有6个仓库的存货量,8个客户的需求量,单位商品运价表如图。就先不放输出了,那300多行看着操心,下次专门开讲一节如何看这些说明的好了,帮助你们快速入手。注意:该式子只能求最小值,且不等式约束只能是小于等于限制,所以要求最大值或存在大于等于约束时要在处理前转化一下。

2024-08-09 21:10:26 633

原创 Networkx

基于Python.networkx对图的基本操作。包括图的绘制和最小路径的求解

2024-05-05 22:47:24 1825

原创 STM32的串口通信

fill:#333;color:#333;color:#333;fill:none;数据通信按通信方式分类串行通信并行通信按数据传输方向分类单工通信半双工通信全双工通信按数据同步方式分类同步通信异步通信。

2024-02-06 16:41:19 2143 1

原创 STM32的中断

NVIC相关寄存器作用位数寄存器个数备注中断使能寄存器(ISER给中断使能328每个为控制一个中断中断除能寄存器(ICER解除中断328每个位控制1个中断应用程序中断及复位控制寄存器(AIRCR可以进行系统复位、向量复位和清除当前活动的中断请求321位[10:8]控制优先级分组中断优先级存储寄存器(IPR用于控制中断优先级的分组和位数设置,以便进行中断优先级的管理和调度82408个位对应一个中断而STM32只使用高4位。

2024-02-05 21:25:21 1933 2

基于神经网络的图像识别

项目简介: 使用Python语言,Pytorch库,通过构建循环神经网络(RNN)实现手写字体的识别。 功能: 训练和测试一个简单的基于RNN(循环神经网络)的模型来进行MNIST数据集的手写数字分类任务。 导入库: 使用torch和torchvision来处理深度学习相关操作。 numpy和matplotlib用于数据处理和可视化。 数据集加载: 脚本使用torchvision.datasets.MNIST来下载并加载MNIST数据集。这个数据集包含手写数字图像(0-9),通常用于训练机器学习模型。 数据通过DataLoader类进行批处理,方便后续模型训练和测试。 定义RNN模型: 脚本定义了一个简单的RNN模型类RNN_Model。这个模型包括一个RNN层和一个全连接层,用于对输入的图像数据进行分类。 RNN模型接收28x28的图像(MNIST图像尺寸),并将其转换为适合RNN处理的序列数据。 模型训练与验证: 训练过程采用标准的前向传播、损失计算、反向传播和参数更新步骤。 每训练500次迭代后,脚本会在测试集上进行验证,并打印出当前的损失值 结果可视化

2024-08-09

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章?
取消 删除