60天python训练营打卡day16

最新推荐文章于 2025-12-18 19:16:42 发布
原创 最新推荐文章于 2025-12-18 19:16:42 发布 · 172 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#python #开发语言

学习目标：

  • 60天python训练营打卡

学习内容：

DAY 16 数组的常见操作和形状
因为前天说了shap，这里涉及到数据形状尺寸问题，所以需要在这一节说清楚，后续的神经网络我们将要和他天天打交道。
知识点：
1.numpy数组的创建：简单创建、随机创建、遍历、运算
2.numpy数组的索引：一维、二维、三维
3.SHAP值的深入理解

学习时间：

2025.05.30

@浙大疏锦行

tan90�=
关注
Python训练营打卡Day14-SHAP图的绘制
m0_60783025的博客
07-26 704
SHAP（SHapley Additive exPlanations）图是用于解释机器学习模型预测结果的强大工具。尝试确定一下shap各个绘图函数对于每一个参数的尺寸要求，如shap.force_plot力图中的数据需要满足什么形状？三、确定分类问题和回归问题的数据如何才能满足尺寸，分类采取信贷数据集，回归采取单车数据集。②SHAP 特征重要性蜂巢图 (Summary Plot - Violin)SHAP 特征重要性条形图 (Summary Plot - Bar)⑤ SHAP 特征重要性决策图。
Python打卡训练营学习记录Day15
05-04
### 知识点概述 #### 1. Python语言基础 - Python作为一种高级编程语言，...- 了解打卡训练营的运作模式和学习理念。 - 实践有效的时间管理和学习计划制定。 - 学习资源的搜集与利用，包括网络资源、图书和社区支持。
Python训练营打卡Day47-CBAM注意力
m0_60783025的博客
08-29 367
SE 通道注意力的局限：仅关注 “哪些通道重要”，未考虑 “重要信息在空间中的位置”。CBAM 的突破：通道注意力（Channel Attention）：分析 “哪些通道的特征更关键”（如图像中的颜色、纹理通道）。空间注意力（Spatial Attention）：定位 “关键特征在图像中的具体位置”（如物体所在区域）。它的核心目标是通过学习的方式，自动获取特征图在通道和空间维度上的重要性，进而对特征图进行自适应调整，增强重要特征，抑制不重要特征，提升模型的特征表达能力和性能。
Python训练营打卡Day45-注意力热图可视化
m0_60783025的博客
08-27 269
这个注意力热图是通过构子机制： register_forward_hook 捕获最后一个卷积层（conv3）的输出特征图。可视化部分同理，在训练完成后通过钩子函数取出权重or梯度，即可进行特征图的可视化、Grad-CAM可视化、注意力热图可视化。1. 通道权重计算：对特征图的每个通道进行全局平均池化，得到通道重要性权重。2. 热力图生成：将高权重通道的特征图缩放至原始图像尺寸，与原图叠加显示。①通道1可能关注整体轮廓，通道2关注纹理细节，通道3关注颜色分布。高关注区域（红色）：模型认为对分类最重要的区域。
Python训练营打卡Day44-通道注意力(SE注意力)
m0_60783025的博客
08-26 928
其中注意力机制是一种让模型学会「选择性关注重要信息」的特征提取器，就像人类视觉会自动忽略背景，聚焦于图片中的主体（如猫、汽车）。transformer中的叫做自注意力机制，他是一种自己学习自己的机制，他可以自动学习到图片中的主体，并忽略背景。我们现在说的很多模块，比如通道注意力、空间注意力、通道注意力等等，都是基于自注意力机制的。从数学角度看，注意力机制是对输入特征进行加权求和，输出=∑(输入特征×注意力权重)，其中注意力权重是学习到的。所以他和卷积很像，因为卷积也是一种加权求和。
MobaXterm 高效运维实战：从入门到进阶的 Linux 运维 “瑞士军刀” 用法
hy行者勇哥的博客
12-18 532
MobaXterm 作为 Linux 运维的 “全能工具包”，不仅集成了 SSH 终端、SFTP 文件传输、X11 图形转发等基础功能，更隐藏着批量执行、宏命令、会话分组等高级特性，能轻松解决新手常遇到的 “重复操作繁琐”“多服务器切换麻烦”“文件传输低效” 等痛点。本文用 “运维指挥中心” 的通俗比喻，拆解 MobaXterm 的核心架构，针对 Linux 运维中的高频问题，分享可直接上手的高级技巧与自动化脚本案例，帮助新手快速从 “手动跑腿” 升级为 “高效指挥”，大幅提升运维效率。
[Python实战] 解决Outlook同步中的字符编码问题：表情符号也能正确处理了！
每日出拳老爷子的博客
12-16 198
摘要：本文分享了在使用Python同步Outlook会议信息时遇到的GBK编码问题解决方案。当处理包含表情符号（如📧）的会议内容时，Flask返回JSON会报"'gbk' codec can't encode"错误。作者通过封装ensure_utf8函数对文本进行UTF-8编码处理，同时建议设置Flask响应头编码为UTF-8和调整控制台输出编码，有效解决了特殊字符导致的编码异常问题。文章提供了从问题分析到完整解决方案的实践过程，适用于处理Python中的Unicode编码问题。
《Python实战小课：爬虫工具场景——开启数据抓取之旅》导读
2501_93253814的博客
12-15 2272
本文介绍了Python爬虫技术在三大场景中的应用：行业资讯爬取、学术文献摘要获取和电商评价收集。针对行业资讯，详细解析了从网页请求到数据存储的全流程；在学术文献方面，重点阐述了如何构建搜索请求和提取关键信息；对于电商评价，则说明了数据定位和清洗方法。文章还探讨了爬虫优化策略及反爬机制应对方案，为数据获取工作提供了实用指南。通过系统学习这些技术，读者可以提升数据采集能力，为商业决策、学术研究和市场分析提供有力支持。
Windows11系统安装Isaac Sim和Isaac Lab记录
weixin_65198494的博客
12-13 494
本文介绍了在Windows 11系统上安装IsaacSim和IsaacLab的完整流程。硬件配置为RTX4060显卡、32GB内存，软件环境包括NVIDIA驱动591.44、CUDA12.8、PyTorch2.7.0和Python3.11。安装IsaacSim5.1的主要步骤包括：更新GPU驱动、安装CUDA、创建conda虚拟环境、开启长路径支持、更新pip后安装IsaacSim pip包。IsaacLab安装则需要克隆GitHub仓库，通过安装脚本完成。最后通过运行验证脚本确认安装成功。
《Python 数据序列化与反序列化全景解析：从基础到最佳实践》
windowshht的博客
12-17 996
本文全面解析Python数据序列化与反序列化技术，涵盖JSON、Pickle、CSV、YAML等常见格式，并深入探讨自定义序列化、异步处理、分布式系统应用等高级主题。通过实战案例展示Web API交互、机器学习模型保存、自动化配置管理等场景的最佳实践，同时展望Protocol Buffers等前沿技术。文章既适合初学者掌握基础，也为资深开发者提供性能优化与安全合规的进阶指导，是Python数据处理领域的实用指南。
【FastAPI】FastAPI依赖注入完全指南
weixin_63434398的博客
12-18 1705
本文全面介绍FastAPI的依赖注入机制，主要包含两大注入方式：原生自动注入和Depends自定义注入。原生注入支持Request/Response等框架对象以及路径/查询参数等自动解析，而Depends则用于自定义依赖项注入。文章详细讲解依赖注入的核心思想、实现方式、生命周期管理、高级技巧，并通过完整认证系统案例展示实战应用。最后剖析Depends底层原理，并与Spring框架进行对比，帮助开发者彻底掌握FastAPI这一核心特性，实现代码解耦和高效开发。
Ubuntu 24.04 安装common-extensions
sinat_15561283的博客
12-17 298
👉 这就解释了为什么 apt 一直“找不到”这不是你配置错，也不是你操作错，是。只要能看到帮助信息，就说明。✅ colcon 被。在 24.04 上，
Pandas库入门
注释写满人生
12-14 903
摘要：本文介绍了Python中Pandas库的核心数据类型Series和DataFrame。Series是一维带标签数组，可通过列表、字典、ndarray等多种方式创建，支持类似ndarray和字典的操作方法。DataFrame是二维表格型数据结构，可由二维ndarray、字典等多种形式创建，具有行列索引功能。文章详细展示了两种类型的创建方法、基本操作和属性，包括索引访问、运算对齐、name属性设置等，并通过代码示例演示了实际应用场景。Pandas的这些数据结构为数据分析和处理提供了高效灵活的工具。
DeepSeek v3.2 正式发布，对标 GPT-5
Sammyyyyy的博客
12-15 2176
DeepSeek 前几天发布了 V3.2 的正式版公告。标准版的DeepSeek - V3.2适用于日常场景，而DeepSeek - V3.2 - Speciale 则具备较强的指令跟随、数学证明和逻辑验证能力。
旋转矩阵与欧拉角转换数学公式与代码详解
Tipriest的博客
12-15 901
本文介绍了欧拉角与四元数之间的转换方法，重点针对Z-Y-X顺序（yaw-pitch-roll）的航空/机器人学常用约定。首先通过数学推导给出了欧拉角转四元数的公式，并详细说明了四元数转欧拉角的计算过程，特别处理了万向节锁情况下的数值稳定性问题。随后提供了C++和Python的实现代码示例，确保不依赖第三方库即可使用。所有转换均采用右手坐标系，输入输出单位为弧度，适用于需要精确姿态表示的应用场景。
课程表-python-扑拓排序
最新发布
m0_74164311的博客
12-18 176
构建有向图：课程为节点，先修关系为有向边。对于每一对先修关系[cur, pre]，表示必须先修完pre才能修cur，因此在图中有一条从pre指向cur的有向边。统计每个节点的入度：即指向该节点的边数。对于先修关系[cur, pre]，cur的入度加1，因为pre指向cur。使用邻接表（adj）来存储每个节点的后继节点。即对于每个pre，它指向的所有cur。初始化一个队列（或双端队列）q，将所有入度为0的节点（即没有先修要求的课程）加入队列。
Python中的直接赋值、浅拷贝与深拷贝：常见错误案例与深入理解
weixin_44151034的博客
12-15 616
这里我们先一句话总结上面错误的原因，然后我们会深入刨析这种错误的解决办法。b = a # 没有新建对象，b储存的对象[1,2,3]的地址这里的b = a的时候，b储存的是a指向的元素[1,2,3]的地址，故两者指向的是同一个列表对象。所以或b[0] = 100会直接修改原列表的内容，导致a和b都发生变化。而b = a[:] # 或 list(a) / a.copy() 使用了浅拷贝b[0] = 100# 或b = a而b = a[:]时，是对a进行了一下浅拷贝。a[:]
BeeAI 框架学习记录
phantom_111的博客
12-13 930
最近一个月又被隔壁项目组借调过去，去搞优先级更高的服务了，不过好在笔者心态好，毕竟接触的越多学习的越多，学习的越多积累的就越多。不过借调到隔壁组的坏处是本职工作 + 借调的双份任务都需要保质保量的完成，导致笔者没有更多的时间学习感兴趣的新知识，刚好周末寒潮来袭，宅在家里学习感兴趣的新知识就是一个很不错的选择了。啦啦啦，终于在周末的寒潮中宅在家里学习了 BeeAI Framework，今日份学习就先到这里结束吧。项目提供了快速上手的模板，包含了多个实用的示例，让笔者能够快速理解框架的核心概念和使用方式。
Day 35
m0_70488789的博客
12-15 839
self.fc1 = nn.Linear(4, 10) # 输入层到隐藏层self.fc2 = nn.Linear(10, 3) # 隐藏层到输出层self.fc1 = nn.Linear(4, 10) # 输入层到隐藏层self.fc2 = nn.Linear(10, 3) # 隐藏层到输出层class MLP(nn.Module): # 定义一个多层感知机（MLP）模型，继承父类nn.Moduledefinit(self): # 初始化函数init() # 调用父类的初始化函数。
Python批量转换16位图像至8位教程
资源摘要信息:"该资源主要介绍如何使用Python语言实现将16位图像转换为8位图像的功能，并支持批量处理。16位图像通常用于科学计算和医学图像，提供了比8位图像更广阔的动态范围，但处理起来通常更复杂。8位图像在...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值