<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[exsolar_521的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/exsolar_521</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; exsolar_521]]></copyright><item><title><![CDATA[基于python-opencv给图像添加水印]]></title><link>https://blog.youkuaiyun.com/exsolar_521/article/details/126409542</link><guid>https://blog.youkuaiyun.com/exsolar_521/article/details/126409542</guid><author>exsolar_521</author><pubDate>Thu, 18 Aug 2022 17:15:19 +0800</pubDate><description><![CDATA[基于python-opencv给图像添加水印]]></description><category></category></item><item><title><![CDATA[爱斯维尔-模式识别 Pattern Recognition论文投稿周期]]></title><link>https://blog.youkuaiyun.com/exsolar_521/article/details/126196656</link><guid>https://blog.youkuaiyun.com/exsolar_521/article/details/126196656</guid><author>exsolar_521</author><pubDate>Sat, 06 Aug 2022 16:15:58 +0800</pubDate><description><![CDATA[爱斯维尔模式识别PR投稿心得]]></description><category></category></item><item><title><![CDATA[基于Python-Opencv实现哈哈镜效果]]></title><link>https://blog.youkuaiyun.com/exsolar_521/article/details/125429995</link><guid>https://blog.youkuaiyun.com/exsolar_521/article/details/125429995</guid><author>exsolar_521</author><pubDate>Thu, 23 Jun 2022 16:50:03 +0800</pubDate><description><![CDATA[基于Python-Opencv实现哈哈镜效果，虚拟相机创建、定义3D镜面、坐标重映射]]></description><category></category></item><item><title><![CDATA[python算法集锦1-10]]></title><link>https://blog.youkuaiyun.com/exsolar_521/article/details/122382358</link><guid>https://blog.youkuaiyun.com/exsolar_521/article/details/122382358</guid><author>exsolar_521</author><pubDate>Sat, 08 Jan 2022 16:55:58 +0800</pubDate><description><![CDATA[1.递归实现阶乘
  def fac(N):
    if N==1:
        return 1
    else:
        return N*fac(N-1)
print(fac(3))#6

2.线性搜索与二分搜索实现求平方根
比起线性搜索，二分搜索的计算复杂度更低。
#method1:线性搜索
def sqrt(N):
    '''
    linear saerch
    '''
    for i in range(N):
        if i*i==N:
        ]]></description><category></category></item><item><title><![CDATA[基于Opencv的图像卡通化]]></title><link>https://blog.youkuaiyun.com/exsolar_521/article/details/122348488</link><guid>https://blog.youkuaiyun.com/exsolar_521/article/details/122348488</guid><author>exsolar_521</author><pubDate>Thu, 06 Jan 2022 19:26:47 +0800</pubDate><description><![CDATA[这里写自定义目录标题基于Opencv的图像卡通化铅笔素描效果国画效果抽象效果
基于Opencv的图像卡通化
主要工具是高斯滤波器、细节增强滤波器、双边滤波、拉普拉斯滤波器。
铅笔素描效果
将输入图像灰度化后及逆行高斯滤波，其中由于高斯滤波服从正态分布，核数越大、越模糊。最后一步是将原始灰度图像除以模糊后的灰度图像。这样可以得出两个图像中每个像素之间的变化率。模糊效果越强，每个像素的值相对于其原点的变化就越大，因此，它使我们的铅笔素描更加清晰。其中第一幅图核数为25，第二幅图核数为75。（领会除法运用在此处的]]></description><category></category></item><item><title><![CDATA[pytorch使用过程中的cmd]]></title><link>https://blog.youkuaiyun.com/exsolar_521/article/details/120271471</link><guid>https://blog.youkuaiyun.com/exsolar_521/article/details/120271471</guid><author>exsolar_521</author><pubDate>Mon, 13 Sep 2021 17:31:44 +0800</pubDate><description><![CDATA[pytorch使用过程中的cmd
1.nvidia-smi
证明驱动已装好，并显示GPU的内存、使用情况等信
息。

2.torch.cuda.is_available() #判断当前GPU是否可用


]]></description><category></category></item><item><title><![CDATA[机器学习有关的概率论与信息论基本知识]]></title><link>https://blog.youkuaiyun.com/exsolar_521/article/details/117264783</link><guid>https://blog.youkuaiyun.com/exsolar_521/article/details/117264783</guid><author>exsolar_521</author><pubDate>Fri, 28 May 2021 15:50:43 +0800</pubDate><description><![CDATA[本文内容参考 机器学习相关的概率论和信息论基础知识
概率论 是很多机器学习的算法的构建模型的基础，信息论 可以描述随机事件的信息量也可以计算两种概率分布的差异。
@机器学习有关的概率论和信息论基础
概率论
概率；随机事件；随机变量；
1.某次试验具有偶然性；相同条件下的大量重复实验具有规律性。
2.一个随机试验的可能结果（称为基本事件）的全体组成一个基本空间Ω。
随机变量X是定义在基本空间Ω上的取值为实数的函数，即基本空间Ω中每一个点，也就是每个基本事件都有实轴上的点与之对应。
概率质量函数；概率密度函数；]]></description><category></category></item><item><title><![CDATA[CART分类回归树-Gini系数 基于原理的代码练习]]></title><link>https://blog.youkuaiyun.com/exsolar_521/article/details/108281756</link><guid>https://blog.youkuaiyun.com/exsolar_521/article/details/108281756</guid><author>exsolar_521</author><pubDate>Fri, 28 Aug 2020 20:28:21 +0800</pubDate><description><![CDATA[特征选择，决策树生成，决策树剪枝
特征选择
gini计算系数函数。
按照特征进行dataframe划分函数。
在给定特征的条件概率下对其他特征进行遍历，找到gini系数最小的特征，并返回gini系数值以及按照此特征重新划分后的子空间。
#读数据
data=pd.read_csv('example_data.csv')
#pandas-framework
#  humility   outlook  temp  windy play
# 0      high     sunny   hot  False  ]]></description><category></category></item><item><title><![CDATA[基于numpy的逻辑回归]]></title><link>https://blog.youkuaiyun.com/exsolar_521/article/details/108206644</link><guid>https://blog.youkuaiyun.com/exsolar_521/article/details/108206644</guid><author>exsolar_521</author><pubDate>Mon, 24 Aug 2020 19:45:49 +0800</pubDate><description><![CDATA[交叉熵损失函数；sigmoid激励函数
基于numpy的逻辑回归的程序如下：
import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets.samples_generator import make_classification

class logistic_regression():
    def __init__(self):
        pass
    def sigmoid(self, x):
     .]]></description><category></category></item><item><title><![CDATA[基于numpy的线性回归-python]]></title><link>https://blog.youkuaiyun.com/exsolar_521/article/details/108201269</link><guid>https://blog.youkuaiyun.com/exsolar_521/article/details/108201269</guid><author>exsolar_521</author><pubDate>Mon, 24 Aug 2020 16:06:06 +0800</pubDate><description><![CDATA[class类中包含：
创建数据
参数初始化
计算输出值，损失值，dw,db
预测函数
交叉验证函数
其中用到的数据集为sklearn中的糖尿病数据集
具体代码如下：
import numpy as np
from sklearn.utils import shuffle
from sklearn.datasets import load_diabetes
import matplotlib.pyplot as plt

#基于numpy实现一个简单的线性回归模型
#用class进行简单封装
class lr]]></description><category></category></item><item><title><![CDATA[稀疏认知学习、计算与识别的研究进展-焦李成论文学习笔记]]></title><link>https://blog.youkuaiyun.com/exsolar_521/article/details/108180340</link><guid>https://blog.youkuaiyun.com/exsolar_521/article/details/108180340</guid><author>exsolar_521</author><pubDate>Sun, 23 Aug 2020 11:36:41 +0800</pubDate><description><![CDATA[引言
1.已发现许多自然信号在适当的变换下呈现稀疏性(即大多数变换系数为零或接近于零,仅有少数的变换系数不为零).
2.验证了自然图像经过稀疏编码后,学习得到的基函数可以近似描述V1 区上简单细胞的感受野的响应特性。
3.本文：借鉴生物视觉的稀疏认知机理,学习并完成该机理的数学建模,进而通过得到的稀疏认知计算模型实现目标(如自然图像等)的识别.
生物视觉稀疏认知机理的研究进展
生物视觉稀疏认知机理的生理实验依据
实验结论：: 具有相同的轮廓与形状但细节不同的视觉刺激,所引起
V1 区的活性模式是相似的,即具]]></description><category></category></item><item><title><![CDATA[Matplotlib速成学习笔记]]></title><link>https://blog.youkuaiyun.com/exsolar_521/article/details/108151635</link><guid>https://blog.youkuaiyun.com/exsolar_521/article/details/108151635</guid><author>exsolar_521</author><pubDate>Sat, 22 Aug 2020 17:19:01 +0800</pubDate><description><![CDATA[Matplotlib基本使用画图种类多图合并显示
Matplotlib功能强大，可以画线图;散点图;等高线图;条形图;柱状图;3D 图形,甚至是图形动画等等.
基本使用
1.基本画图
import matplotlib.pyplot as plt
import numpy as np
x=np.linspace(-20,20,100)
y=x**2
plt.figure()
plt.plot(x,y)
plt.show()
#多张图同时显示
plt.figure(num=2,figsize=(10,10),]]></description><category></category></item><item><title><![CDATA[python  threading多线程速成学习]]></title><link>https://blog.youkuaiyun.com/exsolar_521/article/details/108126466</link><guid>https://blog.youkuaiyun.com/exsolar_521/article/details/108126466</guid><author>exsolar_521</author><pubDate>Thu, 20 Aug 2020 21:14:15 +0800</pubDate><description><![CDATA[多线程添加线程join之进程执行的顺序存储进程结果QueueGIL（Global Interpreter Lock)三级目录三级目录
多线程可以加速程序的运算，此笔记为python的多线程模块threading的学习笔记。
添加线程
import threading
threading.active_count()#获取已经激活的线程数
# 1
threading.enumerate()#查看所有的线程信息
# [&lt;_MainThread(MainThread, started 4088)&gt;]
]]></description><category></category></item><item><title><![CDATA[python对一个句子倒序输出]]></title><link>https://blog.youkuaiyun.com/exsolar_521/article/details/108088050</link><guid>https://blog.youkuaiyun.com/exsolar_521/article/details/108088050</guid><author>exsolar_521</author><pubDate>Tue, 18 Aug 2020 21:20:24 +0800</pubDate><description><![CDATA[def spin_words(a):
    lenth = len(a)
    # print(len(a))
    b = []
    c=[]
    for i in range(lenth):
        if a[i] == " ":
            b.append(i)  # 定位出空格所在位置前一个字符位置
    b.append(lenth)
    b=b[::-1]
    # print(b)

    if len(b)==1:
        c=a[::-]]></description><category></category></item><item><title><![CDATA[python3 对一个句子从尾到头输出且对其中长度小于某值的词语进行倒序]]></title><link>https://blog.youkuaiyun.com/exsolar_521/article/details/108087728</link><guid>https://blog.youkuaiyun.com/exsolar_521/article/details/108087728</guid><author>exsolar_521</author><pubDate>Tue, 18 Aug 2020 21:04:30 +0800</pubDate><description><![CDATA[#所有句子整体倒序，对长度小于某值的再倒序
def spin_words(a):
    lenth = len(a)
    # print(len(a))
    b = []
    c=[]
    for i in range(lenth):
        if a[i] == " ":
            b.append(i)  # 定位出空格所在位置前一个字符位置
    b.append(lenth)
    b=b[::-1]
    # print(b)

    if len(]]></description><category></category></item><item><title><![CDATA[python3对一个字符串中长度大于某个值的串倒序，小于某个值不变，最终输出]]></title><link>https://blog.youkuaiyun.com/exsolar_521/article/details/108081184</link><guid>https://blog.youkuaiyun.com/exsolar_521/article/details/108081184</guid><author>exsolar_521</author><pubDate>Tue, 18 Aug 2020 16:42:28 +0800</pubDate><description><![CDATA[a="ecnetnes a si ecnetnes sihT"
lenth=len(a)
print(len(a))
b=[]
c=[]
for i in range(lenth):
    if a[i]==" ":
        b.append(i)#定位出空格所在位置前一个字符位置
b.append(lenth)
print(b)
for j in b:
    if j==b[0]:
        if j&gt;=5:
            temp1=a[:j][::-1]#前闭后开，不]]></description><category></category></item><item><title><![CDATA[Pandas数据可视化显示]]></title><link>https://blog.youkuaiyun.com/exsolar_521/article/details/107989983</link><guid>https://blog.youkuaiyun.com/exsolar_521/article/details/107989983</guid><author>exsolar_521</author><pubDate>Thu, 13 Aug 2020 20:08:12 +0800</pubDate><description><![CDATA[]]></description><category></category></item><item><title><![CDATA[pandas合并之merge]]></title><link>https://blog.youkuaiyun.com/exsolar_521/article/details/107985550</link><guid>https://blog.youkuaiyun.com/exsolar_521/article/details/107985550</guid><author>exsolar_521</author><pubDate>Thu, 13 Aug 2020 19:48:09 +0800</pubDate><description><![CDATA[]]></description><category></category></item><item><title><![CDATA[pandas合并之concat]]></title><link>https://blog.youkuaiyun.com/exsolar_521/article/details/107983761</link><guid>https://blog.youkuaiyun.com/exsolar_521/article/details/107983761</guid><author>exsolar_521</author><pubDate>Thu, 13 Aug 2020 16:48:13 +0800</pubDate><description><![CDATA[]]></description><category></category></item><item><title><![CDATA[pandas处理丢失数据 dropna,fillna,isnull,notnull]]></title><link>https://blog.youkuaiyun.com/exsolar_521/article/details/107981849</link><guid>https://blog.youkuaiyun.com/exsolar_521/article/details/107981849</guid><author>exsolar_521</author><pubDate>Thu, 13 Aug 2020 15:59:23 +0800</pubDate><description><![CDATA[]]></description><category></category></item></channel></rss>