cowardintheworld的博客

原创 放图仓库-Tsai

..

原创 哨兵2号（Sentinel-2）的下载及处理

摘要哨兵2号的使用主要包括下载和简单的处理。哨兵2号的下载（建议使用Google chrome）下载网址（欧空局的Copernicus Open Access Hub）：https://scihub.copernicus.eu/dhus/#/home1.需要申请注册一个账号如果登陆不了，可能需要去邮箱验证一下。哨兵2号的处理Ⅰ.Sen2Cor的处理1.win+R 输入cmd2.输入路径 改成 Sen2Cor的文件夹，然后输入 L2A_Process.bat --helpd:cd

原创 优快云文章语法规则

这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入欢迎使用Markdown编辑器你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Mar

原创 放图仓库-3(功能图像)

苏天教育分数图import matplotlib.pyplot as pltimport numpy as npx = ["2019","2020","2021"]#x = [1,2,3]y = [209,203,206.5]plt.figure(figsize=(8,4),dpi=300)plt.bar(x,y)plt.ylim(0,300)plt.xticks(x)plt.text(-0.07,211,"209",size=15)plt.text(0.92,211

原创 torch.相关函数

torch.nonzero()Docstring:nonzero(input, *, out=None, as_tuple=False) -> LongTensor or tuple of LongTensors涉及的参数主要是输入和 as_tuple，其实就是是否返回到一个元组，默认不是元组。看下面的例子就懂了。"""as_tuple=False的默认情况""">>> torch.nonzero(torch.tensor([1, 1, 1, 0, 1])) ten

原创 13_集成学习和随机森林(Ensemble Learning and Random Forests)

13_集成学习和随机森林(Ensemble Learning and Random Forests)集成学习的思想是机器学习领域解决问题的一种重要思想。我们将从集成之前已经学习过的算法出发，进而引入集成学习的经典算法：随机森林。我们将看到集成学习的威力。在这一章，我们还会对其他集成学习的思想，如AdaBoost, Gradient Boosting, Stacking等算法进行介绍。 …13-1 什么是集成学习13-2 Soft Voting Classifierlogistic r

原创 12_决策树(Decision tree)

12_决策树(Decision tree)在这一章，我们将学习另外一个大名鼎鼎的机器学习算法：决策树。决策树本身非常简单，背后并没有复杂的数学模型，但使用好决策树也有很多技巧。我们将深入了解什么是熵模型，什么是基尼系数，怎样使用决策树解决分类问题，怎样获得分类的概率，怎样用决策树解决回归问题，以及使用决策树的注意事项。 …...

原创 11_支持向量机SVM（Support vector machine）

11_支持向量机SVM（Support vector machine）在这一章，我们将深入学习大名鼎鼎的支撑向量机SVM。我们将从线性SVM开始，理解SVM的思路，进而深入理解SVM解决非线性问题的方式——核函数。我们将重点学习两个最重要的核函数：多项式核和径向基函数核。我们更会使用真实的数据集实验，看到SVM的优缺点。最后，我们还将探讨使用SVM解决回归问题的思路。 …11-1 什么是SVM11-2 SVM背后的最优化问题11-3 Soft Margin SVM 和 SVM正

原创 10_评价分类结果(Evaluate classification)

第10章 评价分类结果对机器学习分类算法结果的评估，是一个公认的复杂问题。在这一章，我们将来阐述这个问题为什么复杂。我们如何更好地看待我们的机器学习算法给出的结果。学习诸如混淆矩阵，准确率，精确率，召回率，F1，以及ROC等诸多评价分类结果的指标。通过这一章的学习，大家将更好地理解自己的机器学习算法给出的结果，从而在实际应用…10-1 准确度的陷阱和混淆矩阵10-2 精准率和召回率10-3 实现混淆矩阵，精准率和召回率10-4 F1 Score10-5 精准率和召回

原创 9_逻辑回归(Logistic Regression)

9_逻辑回归(Logistic Regression)据统计，逻辑回归是机器学习领域最常用的分类算法，没有之一！在这一章，我们将逐渐揭开逻辑回归的神秘面纱，了解如何应用线性回归的思路，来解决分类问题。我们将综合之前所学习的很多内容，一点一点来完善我们的逻辑回归模型。我们还将继续深入分类问题，学习对分类结果概率的估计，以及决策边界等重要概念。 …9-1 什么是逻辑回归16，17年的统计数据表明Logistic Regression的普适性。9-2 逻辑回归的损失函数9-3

原创 放图仓库-2(函数图像)

激活函数Sigmoid绘图代码#Sigmoid()函数import numpy as npimport matplotlib.pyplot as plty = [1/(1+np.exp((-i))) for i in np.linspace(-10,10,101)]plt.figure(figsize=(8,5),dpi=500)plt.plot(np.linspace(-10,10,101),y)plt.grid(alpha=.5)plt.text(-7,0.7,"f(x) = S

原创 8_多项式回归及模型泛化(Polynomial Regression and Model Generalization)

8_多项式回归及模型泛化(Polynomial Regression and Model Generalization)在这一章，我们将接触非线性问题。我们将学习多项式回归的思想，使用线性回归的思路来解决非线性问题。进一步，我们将引申出或许是机器学习领域最重要的一个问题：模型泛化问题。我们将深入探讨什么是欠拟合，什么是过拟合，怎样检测欠拟合和过拟合。什么是交叉验证，什么是模型正则化。听起来拗口的Ridge和Lasso都是什么鬼…8-1 什么是多项式回归8-2 scikit-learn中的多项

原创 7_主成分分析法（Principal Component Analysis）

7_主成分分析法（Principal Component Analysis）通常教材会使用非常多的数学概念来讲解PCA，在这个课程中，我们将另辟蹊径，绕开繁重的数学概念，使用梯度下降法的姊妹方法：梯度上升法来求解PCA问题，进而深刻理解PCA的基本原理，如何使用PCA进行数据的降维。我们还将给出多个PCA的应用场景，不仅让大家亲手实践出PCA降维的巨大威力，也让大家看到PCA在降噪，人脸识别等…7-1 什么是PCA第一步:将样例的均值归为0(demean)7-2 使用梯

原创 6_梯度下降法（Gradient Descent）

6_梯度下降法（Gradient Descent）梯度下降法是在机器学习领域的一个重要的搜索策略。在这一章，我们将详细讲解梯度下降法的基本原理，一步一步改进梯度下降算法，让大家理解梯度下降法中各种参数，尤其是学习率的意义。同时，我们还将引申出随机梯度下降法和小批量梯度下降法两个方法，让大家对梯度下降法家族有一个全方位的认识。…6-1 什么是梯度下降法导数代表 theta单位变化时,J相应的变化导数可以代表方向,对应J增大的方向并不是所有函数都有唯一的极值点（多元多次函数

原创 5_线性回归(Linear Regression)

5-1 简单线性回归5-2 最小二乘法5-3 简单线性回归的实现

原创 4-kNN-k近邻算法（k-Nearest Neighbors）

4-kNN-k近邻算法（k-Nearest Neighbors）4-1 kNN算法基础4-2 scikit-learn中的机器学习算法封装

原创 3_Jupyter Notebook, numpy和matplotlib

第3章 Jupyter Notebook, numpy和matplotlib工欲善其事，必先利其器。在本章，我们将学习和机器学习相关的基础工具的使用：Jupyter Notebook, numpy和matplotlib。3-1 Jupyter Notebook基础 3-2 Jupyter Notebook中的魔法命令了解基本的操作之后可以通过红框的设置隐藏一些工具功能，来扩大显示代码的区域。基本操作（鼠标点在代码区域的坐标）参考文档https://blog.youkuaiyun.com/enter89/

原创 AutoCAD的卸载后重新安装，删除注册表的详细过程

第1步：直接卸载CAD第2步：win+R 输入 regedit第3步：在注册表编辑器里HKEY_CLASSES_ROOT????installer????products依次点击products下的文件里（tips：可以随便点一个，然后用键盘上下键翻阅）找到有关AUTOCAD或欧特克auto相关产品的安装项，删掉第4步：检查HKEY_CURRENT_USER和HKEY_LOCAL_MACHINE下的文件库为了保险起见，我们可以再检查一下AUTOCAD相关的软件配置项，HKEY_CURRENT

原创 裁剪tif影像

对于提取功能里面的掩膜生成的图像是许多个文件，要将他们变成一个tif文件

原创 Arcgis和Cass实现断面展高程点

Arcgis部分：生成点的高程和坐标信息①编辑器→构造点→通过距离生成点tips：将点shapefile的点图层设置为唯一可编辑图层②选好点之后，通过带有高程值的tif图层，加入高程属性列，再加入X,Y的属性列③将数据导出成TXT的文本处理txt文件①将Arcgis生成的txt文件用Excel打开（如果找不到打开方式，可以先打开excel，找到txt文件的方式来打开）将上图变为下图（可以del B列，复制C→G列，D→C列，E→D列，G→E列）②将表中的数据不含名称列

原创 Provide your license server administrator with the following information: Error Code = -15

原因：因为刚安装完或者长时间闲置后，license server administrator会关闭服务。解决方案：Windows键里搜索license server administrator 然后启动服务就好。参考链接[1]http://zhihu.geoscene.cn/question/10821

原创 1-2_机器学习梗概

第1章 欢迎来到 Python3 玩转机器学习什么是机器学习？最早的机器学习应用：垃圾邮件分辨传统的计算机解决问题思路：编写规则,定义“垃圾邮件”,让计算机执行对于很多问题,规则很难定义规则在不断变化课程内容第2章 机器学习基础2-1机器学习世界的数据鸢尾花数据集数据集介绍：https://en.wikipedia.org/wiki/Iris_flower_data_setThe dataset contains a set of 150 records under fiv

原创 放图仓库-1

原创 多个经典网络在fashion_mnist数据集上的应用

fashion_mnist数据集由Han Xiao，Kashif Rasul，Roland Vollgraf制作的数据集paper name：Fashion-MNIST: a Novel Image Dataset for Benchmarking Machine Learning Algorithmspaper address： https://arxiv.org/abs/1708.07747GitHub地址：https://github.com/zalandoresearch/fashion-m

原创 Python matplotlib画图出现No handles with labels found to put in legend

Python matplotlib画图出现No handles with labels found to put in legend这种错误是代表无法在图中显示标签，有两种可能。第一种：plt.scatter() 中缺乏label = “xx”或者第二种：plt.scatter（），plt.figure() 顺序错误第一种：plt.scatter() 中缺乏label = “xx”plt.legend()就是为了展示标签，前面函数中没有定义，自然无法显示import numpy a