<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[dake13的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/dake13</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; dake13]]></copyright><item><title><![CDATA[Pytorch中的Tensor和tensor]]></title><link>https://blog.youkuaiyun.com/dake13/article/details/86078188</link><guid>https://blog.youkuaiyun.com/dake13/article/details/86078188</guid><author>dake13</author><pubDate>Tue, 08 Jan 2019 15:36:54 +0800</pubDate><description><![CDATA[样例在Pytorch版本“0.4.0”中测试成功。



可参考文章为：https://blog.youkuaiyun.com/tfcy694/article/details/85338745

 


#t.Tensor 与 t.tensor的区别
import torch as t
#括号中可以传入多个参数t.Tensor(1,2,3)或者传入一个参数但参数的维度为1，如:t.Tensor((1))，按照...]]></description><category></category></item><item><title><![CDATA[使用Pytorch对数据集CIFAR-10分类处理]]></title><link>https://blog.youkuaiyun.com/dake13/article/details/85724622</link><guid>https://blog.youkuaiyun.com/dake13/article/details/85724622</guid><author>dake13</author><pubDate>Thu, 03 Jan 2019 22:28:20 +0800</pubDate><description><![CDATA[使用Pytorch对数据集CIFAR-10进行分类，主要是以下几个步骤：

下载并预处理数据集
	定义网络结构
	定义损失函数和优化器
	训练网络并更新参数
	测试网络效果

#数据加载和预处理
#使用CIFAR-10数据进行分类实验
import torch as t
import torchvision as tv
import torchvision.transforms as transf...]]></description><category></category></item><item><title><![CDATA[Pytorch 之squeeze和unsqueeze用法]]></title><link>https://blog.youkuaiyun.com/dake13/article/details/85601643</link><guid>https://blog.youkuaiyun.com/dake13/article/details/85601643</guid><author>dake13</author><pubDate>Wed, 02 Jan 2019 10:51:24 +0800</pubDate><description><![CDATA[Pytorch使用中常会用到torch.squeeze()和torch.unsqueeze()函数：

查找资料相关记录如下：

参考博客：https://blog.youkuaiyun.com/qq_39709535/article/details/81841426

1. torch.squeeze(input, dim = None, out = None): 返回一个tensor，当dim不设值时，去...]]></description><category></category></item><item><title><![CDATA[windows7+caffe(CPU)+Anaconda2 配置]]></title><link>https://blog.youkuaiyun.com/dake13/article/details/84781196</link><guid>https://blog.youkuaiyun.com/dake13/article/details/84781196</guid><author>dake13</author><pubDate>Mon, 03 Dec 2018 23:01:29 +0800</pubDate><description><![CDATA[记录一下学习深度学习框架caffe的Windows安装，电脑上没有GPU所以先装个CPU版本的Caffe跑跑小demo，过段时间看需要可以试试服务器。

具体的配置如下：

1）Anaconda2（注意一定是python2版本的要不然配置的时候总是出错），这个去官网上下就好了；

2）下载caffe-master:https://github.com/Microsoft/caffe

3)VS20...]]></description><category></category></item><item><title><![CDATA[《机器学习实战》——线性回归]]></title><link>https://blog.youkuaiyun.com/dake13/article/details/83820216</link><guid>https://blog.youkuaiyun.com/dake13/article/details/83820216</guid><author>dake13</author><pubDate>Wed, 07 Nov 2018 11:24:32 +0800</pubDate><description><![CDATA[线性回归原理比较简单，其在一维特征时候的方程我们在高中阶段就学习过了，对于多维特征的线性回归，只是在其基础上进行扩展，对于寻找合适参数的过程，可以使用梯度下降的方法来进行，但对于线性回归而言，其实是有数值解的：

                                                                        

其相关代码如下：


import n...]]></description><category></category></item><item><title><![CDATA[scikit-learn 机器学习库学习小计]]></title><link>https://blog.youkuaiyun.com/dake13/article/details/83720477</link><guid>https://blog.youkuaiyun.com/dake13/article/details/83720477</guid><author>dake13</author><pubDate>Sun, 04 Nov 2018 21:28:46 +0800</pubDate><description><![CDATA[scikit-learn是一个非常流行的工具，也是最有名的Python机器学习库。

在此对以前学的知识进行整理，记录在这里。

首先是经典的鸢尾花数据，KNN分类：


from  sklearn  import datasets
import numpy as np
from sklearn.model_selection import train_test_split
from sklear...]]></description><category></category></item><item><title><![CDATA[《机器学习实战》——KNN]]></title><link>https://blog.youkuaiyun.com/dake13/article/details/83617678</link><guid>https://blog.youkuaiyun.com/dake13/article/details/83617678</guid><author>dake13</author><pubDate>Thu, 01 Nov 2018 11:30:54 +0800</pubDate><description><![CDATA[    几个月前学习机器学习的时候，将《机器学习实战》中的算法手动实现了一遍，现在回顾一下，并在此记录，查缺补漏：

本书中的第一个算法是KNN，K近邻算法，该算法模型时监督学习部分，根据K值将数据进行分类，原理其实比较简单，通过不断的找寻各个数据组的中心点来进行分类，下面直接上代码：

 ...]]></description><category></category></item><item><title><![CDATA[Kaggle-House Prices]]></title><link>https://blog.youkuaiyun.com/dake13/article/details/83573906</link><guid>https://blog.youkuaiyun.com/dake13/article/details/83573906</guid><author>dake13</author><pubDate>Wed, 31 Oct 2018 09:34:43 +0800</pubDate><description><![CDATA[前段时间尝试着做了一下kaggle中的House Prices，是一个回归问题，通过对给定的训练集进行分析，来预测测试集中的房屋价格，测试集中的数据主要是房屋特征（features），包活很多比如：卧室的数量，临街否等等共79个，在对其进行处理的过程中，要对数值型的特征进行归一化，而对字符型的特征进行pd.dummies()处理，及将字符用数字0,1,2等来代替，这样才能统筹兼顾对所有的特征进行处...]]></description><category></category></item><item><title><![CDATA[Python Pandas包学习小计]]></title><link>https://blog.youkuaiyun.com/dake13/article/details/83387901</link><guid>https://blog.youkuaiyun.com/dake13/article/details/83387901</guid><author>dake13</author><pubDate>Thu, 25 Oct 2018 22:50:01 +0800</pubDate><description><![CDATA[pandas一般用于读取.csv文件，有些类似于电子表格，使用Python进行数据处理时经常会用到，以前学过一次，总不用容易忘记，再次简单记录。

Pandas基础

#Pandas 基础
import pandas as pd
import numpy as np
np.random.seed(1)
dates = pd.date_range('20181001',periods = 6)
s ...]]></description><category></category></item><item><title><![CDATA[Python 遍历文件夹下的文件]]></title><link>https://blog.youkuaiyun.com/dake13/article/details/83302744</link><guid>https://blog.youkuaiyun.com/dake13/article/details/83302744</guid><author>dake13</author><pubDate>Tue, 23 Oct 2018 10:14:03 +0800</pubDate><description><![CDATA[最近在做一个和图像有关的项目，需要遍历文件夹中的图片，这里可以使用两种方法：

1）使用python的glob模块：


import cv2
import glob as gb
img_path = gb.glob(r'D:\pictures\*.jpg')   #此处为window系统，*.jpg代表全部jpg文件
count = 0
for i in img_path:           ...]]></description><category></category></item><item><title><![CDATA[Python3+Opencv3 答题卡识别]]></title><link>https://blog.youkuaiyun.com/dake13/article/details/83245416</link><guid>https://blog.youkuaiyun.com/dake13/article/details/83245416</guid><author>dake13</author><pubDate>Sun, 21 Oct 2018 21:11:24 +0800</pubDate><description><![CDATA[参考：https://my.oschina.net/DDigimon/blog/1236298?tdsourcetag=s_pctim_aiomsg

 

 

小计：

1)cv2.Canny():

 cv2.Canny（）第一个参数是输入图像，第二和第三个分别是minVal和maxVal。minVal和maxVal。当图像的灰度梯度高于maxVal时被认为是真的边界，那些低于minVal的...]]></description><category></category></item><item><title><![CDATA[深度学习第四课 模型选择、欠拟合和过拟合]]></title><link>https://blog.youkuaiyun.com/dake13/article/details/83142439</link><guid>https://blog.youkuaiyun.com/dake13/article/details/83142439</guid><author>dake13</author><pubDate>Thu, 18 Oct 2018 10:30:44 +0800</pubDate><description><![CDATA[欠拟合和过拟合的概念比较好理解，造成欠拟合和过拟合的因素有多种多样的，两者的共性都是具有较差的泛化能力。本次通过模型选择的方法来显示泛化能力。

使用三阶段多项式来创造样本



import gluonbook as gb
from mxnet import autograd,nd,gluon
from mxnet.gluon import data as gdata,loss as gloss...]]></description><category></category></item><item><title><![CDATA[深度学习第三课 多层感知机]]></title><link>https://blog.youkuaiyun.com/dake13/article/details/83117523</link><guid>https://blog.youkuaiyun.com/dake13/article/details/83117523</guid><author>dake13</author><pubDate>Wed, 17 Oct 2018 22:05:02 +0800</pubDate><description><![CDATA[        多层感知机针对于中间有隐藏层的神经网络结构，对于数据的每一层传递都会相应的多一层[w,b]，这中间使用的传参函数称之为激活函数，如果激活函数是线性的话，那么就没什么意义，无论中间有多少层，其实和没有隐藏层是一样的，所以需要非线性的函数作为激活函数。

        常使用的有sigmoid(),tanh(),Relu()等，sigmoid()函数在比较深的神经网络中容易出现梯度消...]]></description><category></category></item><item><title><![CDATA[深度学习第二课 Softmax回归]]></title><link>https://blog.youkuaiyun.com/dake13/article/details/83069967</link><guid>https://blog.youkuaiyun.com/dake13/article/details/83069967</guid><author>dake13</author><pubDate>Tue, 16 Oct 2018 11:09:14 +0800</pubDate><description><![CDATA[与第一课线性回归（linear regression）不同，softmax回归针对的是多分类的情况，即labels不再仅有0,1两个分类。

softmax通过指数运算将最后的分类转为0~1间的概率，在终于类别概率中，数值大的为预测概率。

与线性回归损失不同，softmax函数计算损失采用的是交叉熵损失（Cross Entropy），原理和公式推导可参考：https://zhuanlan.zhi...]]></description><category></category></item><item><title><![CDATA[深度学习第一课 线性回归]]></title><link>https://blog.youkuaiyun.com/dake13/article/details/83019857</link><guid>https://blog.youkuaiyun.com/dake13/article/details/83019857</guid><author>dake13</author><pubDate>Thu, 11 Oct 2018 22:24:37 +0800</pubDate><description><![CDATA[最近在学习李沐的Mxnet/Gluon深度学习的线性回归部分，线性回归是很基本的一种监督学习，分类问题。

以前学习完一遍吴恩达的《machine learning》，并把《机器学习实战》里面的主要代码都实现一遍，现在有点忘记了，正好开始深度学习，开始线性回归查缺补漏，MXnet框架其实比较小众，但这次学习主要是专注于算法的原理，框架只不过是工具。

这次温故而知新，现将需要的要点材料整理如下：
...]]></description><category></category></item><item><title><![CDATA[Mxnet/Gluon，window7，Anaconda3，环境下的配置安装]]></title><link>https://blog.youkuaiyun.com/dake13/article/details/83007169</link><guid>https://blog.youkuaiyun.com/dake13/article/details/83007169</guid><author>dake13</author><pubDate>Thu, 11 Oct 2018 09:46:45 +0800</pubDate><description><![CDATA[主要参考的一下博客：

进行Mxnet（CPU与GPU）的设置：https://blog.youkuaiyun.com/u010592301/article/details/79857469

git的安装：1）https://www.cnblogs.com/tuhooo/p/7497233.html

  2） https://www.liaoxuefeng.com/wiki/001373951630592...]]></description><category></category></item><item><title><![CDATA[OPencv 霍夫变换]]></title><link>https://blog.youkuaiyun.com/dake13/article/details/82877208</link><guid>https://blog.youkuaiyun.com/dake13/article/details/82877208</guid><author>dake13</author><pubDate>Fri, 28 Sep 2018 10:16:50 +0800</pubDate><description><![CDATA[参考文章：http://www.opencv.org.cn/opencvdoc/2.3.2/html/doc/tutorials/imgproc/imgtrans/hough_lines/hough_lines.html]]></description><category></category></item><item><title><![CDATA[Opencv 腐蚀与膨胀]]></title><link>https://blog.youkuaiyun.com/dake13/article/details/82859765</link><guid>https://blog.youkuaiyun.com/dake13/article/details/82859765</guid><author>dake13</author><pubDate>Wed, 26 Sep 2018 21:32:51 +0800</pubDate><description><![CDATA[这里引用：https://www.jianshu.com/p/05ef50ac89ac

注意的是开运算是先腐蚀再膨胀，闭运算是先膨胀在腐蚀，：



 

更多关于OPenCV-Python的内容可以参见博客：https://blog.youkuaiyun.com/sunny2038/article/category/904451...]]></description><category></category></item><item><title><![CDATA[Python+opencv  图像模糊]]></title><link>https://blog.youkuaiyun.com/dake13/article/details/82794719</link><guid>https://blog.youkuaiyun.com/dake13/article/details/82794719</guid><author>dake13</author><pubDate>Thu, 20 Sep 2018 22:42:15 +0800</pubDate><description><![CDATA[最近在学习OPencv进行图像处理，刚开始看的书是《数字图像处理》(冈萨雷斯matlab）版，后来做一个答题卡的项目需要使用到opencv，对学过的知识进行再次的温习和查缺补漏。

参考链接：http://www.cnblogs.com/Undo-self-blog/p/8436389.html

1）平均模糊 ：取（归一化）卷积框里的平均值代替中心像素的值，用到的语句为：cv2.blur(img...]]></description><category></category></item><item><title><![CDATA[Python基础   切片索引、布尔索引、花式索引]]></title><link>https://blog.youkuaiyun.com/dake13/article/details/81302450</link><guid>https://blog.youkuaiyun.com/dake13/article/details/81302450</guid><author>dake13</author><pubDate>Tue, 31 Jul 2018 14:24:04 +0800</pubDate><description><![CDATA[切片索引、布尔索引、花式索引是数组的三种索引方式，但三者对于原数据的影响是不同的：

1）切片索引


#切片索引  切片是原结构的照片  改变切片中的元素  原结构跟着改变
a = np.arange(15).reshape(5,3)
print(a)
b1 = a[:2,2]
print()
print(b1)
b1[0] = 16
print(a)

结果为：



可见修改b1中的数据，会...]]></description><category></category></item></channel></rss>