- 博客(46)
- 收藏
- 关注
RSS订阅原创 2024-12-29 学习人工智能的Day36 YOLOv5小项目：车牌识别
本项目主要是使用yolov5对车牌目标进行定位，再使用paddleocr对目标框内的图像进行文字识别。 本项目是一个基于yolov5的车牌定位与识别系统，旨在通过深度学习技术实现对车牌的快速定位和准确识别。项目采用yolov5n作为训练框架，专门针对车牌目标进行检测。通过训练，模型能够识别车牌是否存在，并确定其位置。随后，系统会根据车牌位置切割图片，并使用裁剪后的图片进行OCR文字识别。项目中主要挑战包括优化模型以减少内存使用、提高识别准确率以及处理中文字符乱码问题。
2024-12-29 00:45:25
1181
原创 2024-12-14 学习人工智能的Day35 卷积神经网络.阶段项目
基于CNN实现扑克牌花色的小颗粒度分类 该项目旨在通过卷积神经网络（CNN）实现扑克的小颗粒度分类，主要针对扑克的不同花色进行细粒度的视觉识别与分类。花色种类繁多，且差异较小，因此传统的图像分类方法难以满足精确识别的需求。通过引入深度学习中的CNN模型，本项目将构建一个专门用于扑克花色的小颗粒度分类的网络架构，充分利用卷积层的局部特征提取能力以及深层网络的高阶特征融合能力。项目将包括数据预处理、特征提取、模型训练与评估等步骤，使用扑克图像数据集进行模型训练，并通过精细的特征学习提升分类精度。
2024-12-14 17:40:07
1151
原创 2024-12-3 学习人工智能的Day34 CNN的入门
定义: 卷积神经网络（Convolutional Neural Network, CNN）是一种用于处理具有网格状拓扑结构数据的深度学习模型，特别适合处理图像、视频等数据。起源与发展: CNN 最初是为解决计算机视觉问题设计的，并逐渐扩展到自然语言处理、医学影像分析等领域。核心思想: 使用卷积操作提取局部特征，通过层叠结构逐层提取更高维的抽象特征。定义: 一个神经元在输入数据上感知的区域范围。作用: 决定网络对输入数据的敏感程度。
2024-12-04 18:39:38
1042
原创 2024-11-29 学习人工智能的Day33 BP算法和神经网络小实验
它结合前向传播和反向传播，通过链式求导计算每个权重和偏置的梯度，并更新这些参数以最小化损失函数。：BP 算法是深度学习的基础，通过前向传播和反向传播实现参数的自动优化，适用于多种类型的神经网络。需要关注的是，当进行循环反向传播时，优化器中的梯度会不断的叠加，所以需要对梯度进行清空。：优化算法选择需视任务和模型而定，SGD 适合小数据集，Adam 是通用选择。：正则化是深度学习防止过拟合的重要工具，常与其他方法结合使用。：迁移学习有效减少训练时间，适合小数据集和资源受限的场景。的梯度可分解为每层的导数相乘。
2024-11-29 19:05:21
1414
原创 2024-11-27 学习人工智能的Day32 神经网络与反向传播
神经网络神经网络（Neural Networks）是一种模拟人脑神经元网络结构的计算模型，用于处理复杂的模式识别、分类和预测等任务。人工神经元是神经网络的基础构建单元，模仿了神武神经元的工作原理，核心功能是接收输入信号，经过加权求和和非线性激活函数处理后输出结果。先说一下参数的初始化，对于线性回归模型来说，在进行正向传播时，不能缺失的值有构成前向传播方程的偏置和权重这两个值，而对于输入层来说，就是传入y = w*x+b中的x，而为了方便传播，在输入层中就会将传入的x引入这个方程来进行定义的线性变换，但是输出
2024-11-27 20:06:01
908
原创 2024-11-25 学习人工智能的Day30 自动微分与手动构建线性回归模型
通过以上代码，展示了从数据处理、模型定义、训练过程到结果的完整实现。训练时通过反向传播和优化器不断调整参数，逐步减小误差。最后是整个手动构建的代码"""使用 sklearn 的 make_regression 方法来构建一个模拟的回归数据集。make_regression 方法的参数解释:- n_samples: 生成的样本数量，决定了数据集的规模。- n_features: 生成的特征数量，决定了数据维度。- noise: 添加到目标变量的噪声标准差，用于模拟真实世界数据的不完美。
2024-11-25 19:54:44
290
原创 2024-11-21 学习人工智能的Day29 初见深度学习
想之前学的Opencv一样，torch也有指定的操作数据格式，之前Opevncv中，大多是数据都是被转为了ndarray来进行处理，而这里的torch这是会将数据封装成张量（Tensor）进行计算，所谓张量就是元素为相同类型的多维矩阵，张量是可以在GPU上加速运行的，人话说就是GPU运算比CPU快，也是为什么要安装GPU版的原因。 Pytorch中有三种数据类型：浮点数、整数、布尔。其中、浮点和整数又分为了8位、16位、32位、64位。
2024-11-21 20:02:21
1001
原创 2024-11-18 学习人工智能的Day28 线性回归
线性回归模型假设目标变量y与自变量X之间存在线性关系。yβ0β1X1β2X2βnXnϵyβ0β1X1β2X2βnXnϵy是目标变量。是自变量。β_0, β_1,β_n 是回归系数，需要通过数据估计。ε 是误差项，表示模型无法解释的随机变异。
2024-11-18 19:02:23
815
原创 2024-11-14学习人工智能的Day27 贝叶斯和决策树分类器
今天接触的是机器学习的分类学习中的朴素贝叶斯和决策树分类。今天讲的东西不多，主要时间还是被花在了两个算法的原理上，但是我觉得不应该在应用课上去花多时间去讲它的原理，最多讲一下过程，重点应该是介绍算法产出的结果。emmm，所以我自己只想去看结果，hhhh但是还是需要介绍一下贝叶斯，所以ai一手。
2024-11-14 22:46:57
1002
原创 2024-11-13 学习人工智能的Day26 sklearn(2)
VarianceThreshold(低方差过滤特征选择):类似于之前openCV中的threshold函数，只是此在创建实例工具时在参数中设置用于筛选的阈值。因为目前来说基本所有的工具的操作方式大致相同，都是引用后进行调用。emm，根据AI的回答：在使用fit后，方法本身并不返回固定值，只是更新模型的属性，而在此方法中，这些属性包括了特征方差等信息。
2024-11-13 23:45:32
718
原创 2024-11-12 学习人工智能的Day25 scikit-learn库初见
简单的引用世界数据集和玩具数据集方式#下面是在获取数据集后常用的值featureDESCRtargetfilename。
2024-11-12 20:14:32
819
原创 2024-11-9 学习人工智能的Day24 openCV（6）使用face_recognition实现的人脸识别
【代码】2024-11-9 学习人工智能的Day24 openCV（6）使用face_recognition实现的人脸识别。
2024-11-09 16:49:29
148
原创 2024-11-6 学习人工智能的Day23 openCV（5）
PySimpleGUI 是一个用于简化 GUI 编程的 Python 包，它封装了多种底层 GUI 框架（如 tkinter、Qt、WxPython 等），提供了简单易用的 API。PySimpleGUI 包含了大量的控件（也称为小部件或组件），这些控件可以帮助你快速构建用户界面。是一个用于连接 MySQL 数据库的纯 Python 实现。它允许 Python 程序与 MySQL 数据库进行交互，执行 SQL 查询，并处理结果集。1 准备工作：创建人脸表。
2024-11-06 19:02:06
444
原创 2024-11-5 学习人工智能的Day22 openCV（4）
是一个非常流行的 Python 库，专门用于人脸识别任务。它基于 dlib 库和 HOG（Histogram of Oriented Gradients）特征以及深度学习模型，提供了简单易用的接口来进行人脸检测、面部特征点定位和人脸识别。库由 Adam Geitgey 开发，旨在简化人脸识别任务，使其更加容易上手。主要功能人脸检测检测图像中的人脸位置。支持使用 HOG 特征或 CNN（卷积神经网络）进行人脸检测。面部特征点定位检测人脸上的关键特征点（如眼睛、鼻子、嘴巴等）。人脸识别。
2024-11-05 16:33:59
1036
原创 2024-11-1 学习人工智能的Day20 openCV（2）
在计算机视觉和图像处理领域，图像预处理是一个重要的步骤，它能够提高后续处理（如特征提取、目标检测等）的准确性和效率。
2024-11-01 17:01:29
1492
原创 2024-10-31 学习人工智能的Day19 openCV（1）
OpenCV其实就是一堆C和C++语言的源代码文件,这些源代码文件中实现了许多常用的计算机视觉算法。是 OpenCV 库中的一个函数，用于创建一个命名窗口，以便在该窗口中显示图像或进行其他图形操作。这个函数在处理图像和视频时非常有用，尤其是在开发基于图像处理的应用程序时。：OpenCV 是计算机视觉领域的标准库之一，广泛应用于图像识别、物体检测、人脸识别、手势识别等。：在机器人导航、环境感知和交互中，OpenCV 用于处理传感器数据和视觉信息。：在医学影像分析中，OpenCV 用于图像增强、分割和特征提取。
2024-10-31 18:49:17
1304
原创 2024-10-30 学习人工智能的Day18
一个.py 文件就是一个模块模块是含有一系列数据函数类等的程序作用把相关功能的函数等放在一起有利于管理，有利于多人合作开发模块的分类内置模块（在python3 程序内部，可以直接使用）标准库模块(在python3 安装完后就可以使用的 )第三方模块（需要下载安装后才能使用）自定义模块(用户自己编写)模块名如果要给别的程序导入，则模块名必须是 标识符实例小张写了一个模块，内部有两个函数，两个字符串... 此处省略 200字此函数用来求和。
2024-10-30 18:36:04
1347
原创 2024-10-29 学习人工智能的Day17 数据结构基础
数据结构是计算机科学中的一个核心概念，它是指数据的组织、管理和存储方式，以及数据元素之间的关系。数据结构通常用于允许高效的数据插入、删除和搜索操作。：数组、链表、栈、队列等。：树、二叉树、堆、图等。：哈希表。：B树、B+树等。
2024-10-29 18:37:01
1026
原创 2024-10-28 学习人工智能的Day16 Pandas(3)
Pandas 之所以能够实现了数据可视化，主要利用了 Matplotlib 库的 plot() 方法，它对 plot() 方法做了简单的封装，因此您可以直接调用该接口；Pandas 之所以能够实现了数据可视化，主要利用了 Matplotlib 库的 plot() 方法，它对 plot() 方法做了简单的封装，因此您可以直接调用该接口；| engine | 它是一个可选参数，用于指定要使用的引擎，可以是 openpyxl 或 xlsxwriter。
2024-10-28 18:33:13
847
原创 2024-10-25 学习人工智能的Day15 Pandas(2)
注意：numpy的方差默认为总体方差，pandas默认为样本方差σ2N1i1∑NXi−μ2s2N−11i1∑NXi−X2分母为n-1的样本方差的期望等于总体的方差，因此样本方差是总体方差的无偏估计。
2024-10-25 17:18:17
1577
原创 2024-10-24 学习人工智能的Day14 pandas(1)
DataFrame 一个表格型的数据结构，既有行标签（index），又有列标签（columns），它也被称异构数据表，所谓异构，指的是表格中每列的数据类型可以不同，比如可以是字符串、整型或者浮点型等。同 Series 一样，DataFrame 自带行标签索引，默认为“隐式索引”即从 0 开始依次递增，行标签与 DataFrame 中的数据项一一对应当然你也可以用“显式索引”的方式来设置行标签。**案例：**对于 one 列而言，此处虽然显示了行索引 ‘d’，但由于没有与其对应的值，所以它的值为 NaN。
2024-10-24 18:23:32
1573
原创 2024-10-13 学习人工智能的Day13
Matplotlib 库：是一款用于数据可视化的 Python 软件包，支持跨平台运行，它能够根据 NumPy ndarray 数组来绘制 2D 图像，它使用简单、代码清晰易懂Figure：指整个图形，您可以把它理解成一张画布，它包括了所有的元素，比如标题、轴线等Axes：绘制 2D 图像的实际区域，也称为轴域区，或者绘图区Axis：指坐标系中的垂直轴与水平轴，包含轴的长度大小（图中轴长为 7）、轴标签（指 x 轴，y轴）和刻度标签。
2024-10-23 18:19:39
868
原创 2024-10-22 学习人工智能的Day12
nditer 是 NumPy 中的一个强大的迭代器对象，用于高效地遍历多维数组。nditer 提供了多种选项和控制参数，使得数组的迭代更加灵活和高效。nditer 提供了多种控制参数，用于控制迭代的行为。1.order 参数order 参数用于指定数组的遍历顺序。默认情况下，nditer 按照 C 风格（行优先）遍历数组。2.flags 参数flags 参数用于指定迭代器的额外行为。3.op_flags 参数op_flags 参数用于指定操作数的行为。
2024-10-22 18:35:44
1128
原创 2024-10-21 学习人工智能的Day11
这要求维数相同，且各维度的长度相同，如果不相同，可以通过广播机制，这种机制的核心是对形状较小的数组，在横向或纵向上进行一定次数的重复，使其与形状较大的数组拥有相同的维度。注意：形状 (2, 3, 2)中的参数个数相乘要等于数组中元素的个数，如：数组[1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12]有12个元素，形状(2,3,2)的参数相乘：2x3x2=12。数组中的每个元素都占有大小相同的内存块，您可以使用索引或切片的方式获取数组中的每个元素。但更适合用于创建数字数组。
2024-10-21 18:55:16
1229
原创 2024-10-17 学习人工智能的Day9
类是创建对象的 ”模板”。数据成员：表明事物的特征。相当于变量方法成员：表明事物的功能。相当于函数通过class关键字定义类。class 类名 (继承列表):实例属性(类内的变量) 定义实例方法(类内的函数method) 定义类变量(class variable) 定义类方法(@classmethod) 定义静态方法(@staticmethod) 定义class Dog: # 定义一个Dog类pass。
2024-10-17 19:44:12
1060
原创 2024-10-16 学习人工智能的Day8
内存分配：内存分配原理与改变拷贝类型的元素结果类似，在函数体中无声明的修改不可变值类似于numbers或者tuple这种，不会对原数据造成影响，只在函数作用域内生效，退出函数则删除指针。换行书写函数内部定义，在函数内部定义操作，最后函数自带返回，无定义返回值返回为None，有定义则返回为定义的返回表达式输出的值。返回值：在函数体内始终自带一个return，可以不定义，不定义输出None，可以定义，定义后输出为定义表达式。只做作用域本函数域，但是在最后会被直接删除，可变则作用域全局域，
2024-10-16 21:07:01
555
原创 2024-10-15 学习人工智能的Day7
另一种的逻辑运算符的话就只介绍三种与(and)、或(or)、非(not)，其难点主要是逻辑理解，就拿and来说，and的两边各传一个判断语句，而第一个语句被带入隐式bool()进行bool检测，根据该bool值进行下一步判断，如果值为1，则输出第二个语句运行的结果，为0则输出第一个语句运行的结果，注意的是，第二个语句并不会进行bool检测而是作为输出结果，另外两个逻辑运算符的逻辑也类似，而还有对于二进制的运算的逻辑运算符，例如按位与，按位异或等， 另外还有取余，幂运算，整除等和比较运算符等。
2024-10-15 20:18:12
776
原创 线性代数基础3 向量
向量1.定义向量可以用多种方式定义，以下是几种常见的定义：几何定义：向量是一个有方向和大小的量，通常用箭头表示。向量的起点称为原点，终点称为向量的端点。代数定义：向量是一个有序的数组，通常表示为列向量或行向量。例如，一个 n 维列向量可以表示为：v=(v1v2⋮vn)v=\begin{pmatrix}v_{1}\\v_{2}\\⋮\\v_{n}\end{pmatrix}v=v1v2⋮vn一个 n 维行向量可以表示为：v=(v1v2…vn)v=\begin{pmatrix
2024-10-14 17:12:44
1003
原创 线性代数基础2 矩阵
矩阵1.矩阵定义1.1 矩阵的定义矩阵是由一组数按照矩形排列而成的数表。矩阵通常用大写字母表示，例如 AA、BB 等。矩阵中的每个数称为矩阵的元素或元。一个 m×n的矩阵 AA 可以表示为：A=(a1na12…a1na21a22…a2n⋮am1am2…amn)A=\begin{pmatrix} a_{1n} & a_{12} & \ldots & a_{1n} \\ a_{21} & a_{22} & \ldots & a_{2n} \\ &am
2024-10-12 18:50:15
731
原创 线性代数基础1 行列式
行列式1.什么是行列式行列式是一个数学概念，主要用于线性代数中，它是一个可以从方阵（即行数和列数相等的矩阵）形成的一个标量（即一个单一的数值）。2.二阶行列式假设有一个二元一次方程：{3x+4y=57x+9y=11\begin{cases}3x+4y=5\\7x+9y=11\end{cases}{3x+4y=57x+9y=11对x求解得出：x=5×9−4×113×9−4×7x=\dfrac{5\times 9-4\times 11}{3\times 9-4\times 7}x=3×
2024-10-12 18:47:39
793
原创 概率论基础2
连续型随机变量是取值可以是某个区间内任意实数的随机变量。与离散型随机变量不同，连续型随机变量的取值是连续的，不可数的。连续型随机变量的概率分布通常由概率密度函数（Probability Density Function, PDF）描述。例子 统计了99年的降水量，其中降水量在670-770的有1年(频率：0.01)，降水量在770-870的有8年(频率：0.081)，降水量在870-970的有9年，降水量在970-1070的有19年，降水量在1070-1170的有20年，
2024-10-11 18:59:44
1253
原创 概率论基础1
随机变量是一个从样本空间（所有可能结果的集合）到实数集的函数。样本空间中的每个结果都对应于随机变量的一个值。随机变量的值可以是离散的，也可以是连续的。随机变量通常用大写字母表示，如 X、Y 或 Z。随机变量和事件的联系定义事件事件可以定义为随机变量取特定值的集合。一般用{X=?}表示。例如，如果随机变量 X 表示掷骰子的结果，那么事件 "掷得奇数" 可以表示为 {X=1} 或 {X=3}或 {X=5}。使用随机变量描述事件随机变量的值可以定义复杂的事件。
2024-10-10 19:24:43
1355
原创 人工智能的高数基础5 多元函数
设函数 f(x,y) 在点 (a,b) 的某个去心邻域内有定义。如果对于任意给定的正数 ϵ，总存在正数 δ，使得当。
2024-10-09 16:53:49
696
原创 人工智能的高数基础4 定积分与不定积分
不定积分1.定义如果函数 F(x) 满足 F′(x)=f(x)，则称 F(x) 是 f(x) 的一个原函数。不定积分∫f(x) dx\int f(x) dx∫f(x) dx表示 f(x) 的所有原函数，通常写成：∫f(x) dx=F(x)+C\int f(x) dx=F(x)+C∫f(x) dx=F(x)+C其中，C是积分常数，表示原函数的不确定性。 f(x)是被积函数，dx表示对 x 的积分变量。不定积分的结果是一个函数簇，而不是一个具体的数值。其几何含义是一组平行的曲线簇。2.基
2024-10-08 20:05:49
547
原创 人工智能的高数基础3 微分
微分是函数在某个变化过程中的改变量的线性主要部分。若函数y=f(x)在点x处有导数f'(x)存在，则y因x的变化量△x所引起的改变量可以表示为，其中o(△x)是△x的高阶无穷小，即当△x趋于0时，o(△x)相对于△x趋于0的速度更快。因此，微分dy可以近似地表示为，它描述了函数值y随自变量x变化而变化的线性部分。
2024-10-08 19:36:49
1184
原创 人工智能的高数基础2 导数
连续性一个函数 f(x) 在点 x=a 处连续，如果满足以下条件：或者这意味着当 x 接近 a 时，函数值 f(x)也接近 f(a)。换句话说，函数在点 x=a处没有跳跃或断裂。可导性一个函数 f(x) 在点 x=a处可导，如果它在该点处的导数存在，即：这意味着函数在点 x=a 处的变化率是有限的，并且有一个确定的值。所以从连续和可导定义看出，可导的条件比连续的条件更严格。
2024-10-08 19:09:51
1623
原创 人工智能的高数基础1 函数与极限
1.1 定义函数f 是从一个集合 D（称为定义域，D包含于实数集R）到另一个集合 Y（称为值域）的映射。对于定义域中的每一个元素 x，函数f都指定了一个唯一的元素 y 在值域中，记作其中x叫做自变量，y叫做因变量，f叫做映射规则，f(x)表示一个函数值。函数的两要素是指函数的定义域和值域。定义域是函数中所有可能的输入值的集合。换句话说，定义域是使得函数有意义的所有 xx 值的集合。值域是函数中所有可能的输出值的集合。换句话说，值域是函数 f(x)f(x) 在定义域内所有可能的 yy 值的集合。确定定义域和值
2024-10-08 18:32:20
1099
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