<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[蓝色蛋黄包的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/haha0332</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; haha0332]]></copyright><item><title><![CDATA[np.random.choice和random.choice的用法]]></title><link>https://blog.youkuaiyun.com/haha0332/article/details/115518985</link><guid>https://blog.youkuaiyun.com/haha0332/article/details/115518985</guid><author>haha0332</author><pubDate>Thu, 08 Apr 2021 14:21:03 +0800</pubDate><description><![CDATA[numpy.random.choice(a, size=None, replace=True, p=None)


用途：从a(一维数据)中随机抽取数字，返回指定大小(size)的数组replace:True表示可以取相同数字，False表示不可以取相同数字数组p：与数组a相对应，表示取数组a中每个元素的概率，默认为选取每个元素的概率相同。


案例：


import numpy as np

pa = [0.3, 0.2, 0.1, 0.1, 0.3]
pa=np.array(pa)

a = np.r]]></description><category></category></item><item><title><![CDATA[【神经网络】6. 卷积神经网络]]></title><link>https://blog.youkuaiyun.com/haha0332/article/details/115187207</link><guid>https://blog.youkuaiyun.com/haha0332/article/details/115187207</guid><author>haha0332</author><pubDate>Wed, 24 Mar 2021 21:47:54 +0800</pubDate><description><![CDATA[在实际的图像识别中，通常都是RGB三通道的彩色图，用常规的神经网络会出现待优化参数过多容易导致模型过拟合。
	为了减少待优化参数，我们会先对图片进行特征提取，将提取的特征送入全连接网络进行识别

卷积（convolutional）计算可以认为是一种有效的图像特征提取的方法：


	一般会用一个正方形的卷积核，按指定的步长，在输入特征图上滑动
	
	
	遍历输入特征图中的每个点，每一个步长上，卷积核会与输入特征图出现重合区域
	
	
	​​​​重合区域对应的元素相乘，求和，再加偏置项得到输出特征的一个像素点
]]></description><category></category></item><item><title><![CDATA[【神经网络】4. 搭建神经网络中常用概念和函数]]></title><link>https://blog.youkuaiyun.com/haha0332/article/details/115062731</link><guid>https://blog.youkuaiyun.com/haha0332/article/details/115062731</guid><author>haha0332</author><pubDate>Mon, 22 Mar 2021 23:01:49 +0800</pubDate><description><![CDATA[1. 张量是什么？


张量（Tensor）：多维数组（列表）

阶：张量的维数




0阶张量叫做标量，1阶张量叫做向量，2阶张量叫做矩阵，...

张量可以表示0阶到n阶的数组（列表），判断张量是几阶，主要看方括号有几个

Tensorflow的数据类型：tf.int，tf.float，tf.bool，tf.string等


如何创建一个张量（Tensor）？

tf.constant(张量内容，dtype=数据类型(可选))

例如：a=tf.constant([1,5],dtype=tf.int]]></description><category></category></item><item><title><![CDATA[【神经网络】5. 使用keras搭建神经网路]]></title><link>https://blog.youkuaiyun.com/haha0332/article/details/115086633</link><guid>https://blog.youkuaiyun.com/haha0332/article/details/115086633</guid><author>haha0332</author><pubDate>Mon, 22 Mar 2021 20:10:59 +0800</pubDate><description><![CDATA[Tensorflow 的API：keras搭建神经网络


将kearas方法搭建神经网络分为六步：



Sequential()

可以认为是一个容器，这个容器里封装了一个网络结构


]]></description><category></category></item><item><title><![CDATA[【神经网络】3. 编写一个简单的神经网络]]></title><link>https://blog.youkuaiyun.com/haha0332/article/details/115075362</link><guid>https://blog.youkuaiyun.com/haha0332/article/details/115075362</guid><author>haha0332</author><pubDate>Mon, 22 Mar 2021 15:03:06 +0800</pubDate><description><![CDATA[本文的目的：是从编程上去理解一个神经网络项目需要由几个方面组成，并且以鸢尾花分类项目为例，用python在tensorflow 2下进行神经网络搭建并测试

一个基本的神经网络项目可以从以下几个方面进行编写：



首先导入所需的模块


# 导入所需模块
import tensorflow as tf
from sklearn import datasets
from matplotlib import pyplot as plt
import numpy as np

1. 准备数据

1.1 数据集读]]></description><category></category></item><item><title><![CDATA[【神经网络】2. 神经网络设计过程]]></title><link>https://blog.youkuaiyun.com/haha0332/article/details/114997427</link><guid>https://blog.youkuaiyun.com/haha0332/article/details/114997427</guid><author>haha0332</author><pubDate>Fri, 19 Mar 2021 10:50:04 +0800</pubDate><description><![CDATA[应用神经网络的基本过程




神经网络搭建和使用基本过程如下：

准备数据：采集大量“特征/标签”数据（使用神经网络之前需要准备的数据）搭建网络：搭建神经网络结构优化参数：训练网络获取最佳参数（反转）应用网络：将网络保存为模型，输入新数据，输出分类或预测结果（前传）（神经网络已经搭建好了，可以应用了）


其中，对于神经网络的设计过程最关键的就是搭建网络和优化参数，后续对神经网络的设计过程将以这两步骤为主。

神经网络设计过程

鸢尾花的分类过程：

将特征 [花萼长、花萼宽、花瓣长、花瓣宽] 输入神经网]]></description><category></category></item><item><title><![CDATA[【神经网络】1. 快速了解神经网络]]></title><link>https://blog.youkuaiyun.com/haha0332/article/details/114646592</link><guid>https://blog.youkuaiyun.com/haha0332/article/details/114646592</guid><author>haha0332</author><pubDate>Wed, 10 Mar 2021 21:46:03 +0800</pubDate><description><![CDATA[概述

常规的神经网络我们可以知道包括：输入层，隐藏层，输出层

如：

输入层是1*2矩阵X；
	隐藏层为1*50的矩阵H；
	输出层为1*4的矩阵Y
	参数W1为2*50的矩阵
	参数W2为50*4的矩阵
传播过程为：H=X*W1+b1；Y=H*W2+b2

激活层

需要注意：一系列线性方程的运算最终都可以用一个线性方程表示。也就是说，上述两个式子联立后可以用一个线性方程表达。对于两次神经网络是这样，就算网络深度加到100层，也依然是这样。这样的话神经网络就失去了意义。因此引入了激活层

常用的激活函]]></description><category></category></item><item><title><![CDATA[Python中常用又容易忘记的语句]]></title><link>https://blog.youkuaiyun.com/haha0332/article/details/113597528</link><guid>https://blog.youkuaiyun.com/haha0332/article/details/113597528</guid><author>haha0332</author><pubDate>Wed, 03 Feb 2021 12:54:35 +0800</pubDate><description><![CDATA[1. 快速调用Anaconder中的Jupyter Notebook

cmd环境下输入：jupyter lab


]]></description><category></category></item><item><title><![CDATA[windows 系统上安装 tensorflow]]></title><link>https://blog.youkuaiyun.com/haha0332/article/details/113197816</link><guid>https://blog.youkuaiyun.com/haha0332/article/details/113197816</guid><author>haha0332</author><pubDate>Tue, 26 Jan 2021 21:56:29 +0800</pubDate><description><![CDATA[首先保证已经安装有Anaconda和Python

1. 打开Anaconda prompt



2. 在Anaconda Promt依次输入：

python 版本查看可以先输入python --version


conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
 
conda config --set show_channel_urls yes
 
conda create -n.]]></description><category></category></item><item><title><![CDATA[【强化学习】Sarsa（lambda）]]></title><link>https://blog.youkuaiyun.com/haha0332/article/details/113132401</link><guid>https://blog.youkuaiyun.com/haha0332/article/details/113132401</guid><author>haha0332</author><pubDate>Mon, 25 Jan 2021 19:02:19 +0800</pubDate><description><![CDATA[【强化学习】相关基本概念
	【强化学习】 Q-Learning
	【强化学习】 Q-Learning 案例分析
	【强化学习】 Sarsa
	【强化学习】 Sarsa（lambda）
代码以及学习过程来源：莫烦Python教学（十分感谢莫烦大佬的教学视频）

...]]></description><category></category></item><item><title><![CDATA[【强化学习】Sarsa]]></title><link>https://blog.youkuaiyun.com/haha0332/article/details/113082523</link><guid>https://blog.youkuaiyun.com/haha0332/article/details/113082523</guid><author>haha0332</author><pubDate>Sun, 24 Jan 2021 13:59:02 +0800</pubDate><description><![CDATA[【强化学习】相关基本概念
	【强化学习】 Q-Learning


Sarsa概述

首先可以回顾一下之前说的Q-Learning算法，Sarsa算法与Q-Learning算法很相似，



Q-Learing中Q(s1,a2)现实值：

Q的现实值是该行为对该状态下的奖励+衰减值乘以下一阶段状态中预估的最大行为反馈的奖励
	Q-Learning 在这一步只是估计了一下下一步的行为动作反馈值，实际上并不一定选择该行为
	离线学习（off-policy）
Sarsa中Q(s1,a2)现实值：

Q的现实值是.]]></description><category></category></item><item><title><![CDATA[【强化学习】Q-Learning 案例分析]]></title><link>https://blog.youkuaiyun.com/haha0332/article/details/113048610</link><guid>https://blog.youkuaiyun.com/haha0332/article/details/113048610</guid><author>haha0332</author><pubDate>Sat, 23 Jan 2021 23:02:20 +0800</pubDate><description><![CDATA[前期知识可查看：

【强化学习】相关基本概念
	【强化学习】 Q-Learning
代码以及学习过程来源：莫烦Python教学（十分感谢莫烦大佬的教学视频）


案例介绍

寻路案例：（强烈建议学习上述前期知识里的【强化学习】 Q-Learning尤其是看懂前面的小案例）

红色为可移动的寻路个体
	黑色为惩罚位置【奖励= -1】
	黄色为目标位置【奖励= +1】
	其他区域为常规状态【奖励= 0】
寻路个体其实位置如图中所示的左上角，目标是移动到黄色位置，采用Q-Learning算法，能够让个体自主探..]]></description><category></category></item><item><title><![CDATA[【强化学习】 Q-Learning]]></title><link>https://blog.youkuaiyun.com/haha0332/article/details/112967024</link><guid>https://blog.youkuaiyun.com/haha0332/article/details/112967024</guid><author>haha0332</author><pubDate>Fri, 22 Jan 2021 14:48:42 +0800</pubDate><description><![CDATA[强化学习的过程是智能体从与环境的交互中不断学习以完成特定目标

QLearning是强化学习算法中value-based的算法，

，Q即为Q（s,a）就是在某一时刻的 s 状态下(s∈S)，采取 动作a (a∈A)动作能够获得收益的期望，环境会根据agent的动作反馈相应的回报reward r，所以算法的主要思想就是将State与Action构建成一张Q-table来存储Q值，然后根据Q值来选取能够获得最大的收益的动作。








...]]></description><category></category></item><item><title><![CDATA[​​​​​​​【机器学习】朴素贝叶斯（Naive Bayes）]]></title><link>https://blog.youkuaiyun.com/haha0332/article/details/112575122</link><guid>https://blog.youkuaiyun.com/haha0332/article/details/112575122</guid><author>haha0332</author><pubDate>Wed, 13 Jan 2021 20:15:54 +0800</pubDate><description><![CDATA[1. 概述

贝叶斯分类算法是统计学的一种概率分类方法，朴素贝叶斯分类是贝叶斯分类中最简单的一种。

分类原理：利用贝叶斯公式根据某特征的先验概率计算出其后验概率，然后选择具有最大后验概率的类作为该特征所属的类。

之所以称之为”朴素”，是因为贝叶斯分类只做最原始、最简单的假设：所有的特征之间是统计独立的。

相关概念：

（1）条件概率

条件概率(Condittional probability)，就是指在事件B发生的情况下，事件A发生的概率，用P(A|B)来表示。

表达如下：



（2）...]]></description><category></category></item><item><title><![CDATA[【机器学习】决策树（Decision Tree）]]></title><link>https://blog.youkuaiyun.com/haha0332/article/details/112515098</link><guid>https://blog.youkuaiyun.com/haha0332/article/details/112515098</guid><author>haha0332</author><pubDate>Tue, 12 Jan 2021 23:14:52 +0800</pubDate><description><![CDATA[一、概述

决策树（Decision Tree）是有监督学习中的一种算法，并且是一种基本的分类与回归的方法。

决策树有两种：分类树和回归树。（这里主要讨论分类树）

相关概念：

根节点：没有进边，有出边
	中间节点：既有进边也有出边，但进边有且仅有一条，出边也可以有很多条
	叶节点：只有进边，没有出边，进边有且仅有一条。每个叶节点都是一个类别标签
	父节点和子节点在两个相连的节点中，更靠近根节点的是父节点，另一个则是子节点。两者是相对的

...]]></description><category></category></item><item><title><![CDATA[Python中graphviz.backend.ExecutableNotFound: failed to execute问题解决方法]]></title><link>https://blog.youkuaiyun.com/haha0332/article/details/112511993</link><guid>https://blog.youkuaiyun.com/haha0332/article/details/112511993</guid><author>haha0332</author><pubDate>Tue, 12 Jan 2021 11:20:03 +0800</pubDate><description><![CDATA[在window系统中运行graphviz报错graphviz.backend.ExecutableNotFound: failed to execute

经过网上查找资料解决，遇到的一些需要注意的问题如下：

1. 去官网下载graphviz安装包，可安装在Anaconda目录下便于寻找，如下：



2. 设置环境变量，电脑-属性-高级系统设置-高级-环境变量



3. cmd环境下

运行dot - version，出现以下界面表示可行了：



如果不行有两种方法建议尝试：

（1）将cmd运行路]]></description><category></category></item><item><title><![CDATA[在编程中学习Python——Pandas库中常用对象]]></title><link>https://blog.youkuaiyun.com/haha0332/article/details/112341545</link><guid>https://blog.youkuaiyun.com/haha0332/article/details/112341545</guid><author>haha0332</author><pubDate>Thu, 07 Jan 2021 22:43:29 +0800</pubDate><description><![CDATA[首先需要创建pandas库的实例对象


import pandas as pd

1.DataFrame对象

DataFrame是Pandas中一种基础数据结构，可以看作特殊的Python字典，

创建过程如下：

现有一个字典数据：


a={'at':[1,2,3],'ab':[11,22,33]}



将a转程DataFrame数据


a=pd.DataFrame(a)



2. Series对象

Series对象是一个带索引数据构成的以为数组

创建过程如下：


b=[4,5,6]..]]></description><category></category></item><item><title><![CDATA[【机器学习】k近邻算法（KNN）]]></title><link>https://blog.youkuaiyun.com/haha0332/article/details/112322847</link><guid>https://blog.youkuaiyun.com/haha0332/article/details/112322847</guid><author>haha0332</author><pubDate>Thu, 07 Jan 2021 17:45:59 +0800</pubDate><description><![CDATA[机器学习——k近邻算法（KNN）


1. 概述

k-近邻算法（k-Nearest Neighbour algorithm），又称为KNN算法，是数据挖掘技术中原理最简单的算法。KNN的工作原理：给定一个已知标签类别的训练数据集，输入没有标签的新数据后，在训练数据集中找到与新数据最邻近的k个实例，如果这k个实例的多数属于某个类别，那么新数据就属于这个类别。

可以简单理解为：由那些离X最近的k个点来投票决定X归为哪一类。

以一个案例来说明，每条数据都有多种特征，和最后的类型，那我们就可以根据新电影的特.]]></description><category></category></item><item><title><![CDATA[【Python】图形界面开发——PySide2库]]></title><link>https://blog.youkuaiyun.com/haha0332/article/details/112202964</link><guid>https://blog.youkuaiyun.com/haha0332/article/details/112202964</guid><author>haha0332</author><pubDate>Mon, 04 Jan 2021 21:32:11 +0800</pubDate><description><![CDATA[1. 简介与安装

基于Qt 的Python库（PySide2（Qt亲儿子，自己开发的库）、PyQt5（Qt干儿子，收购的库））：

优点：控件比较丰富、跨平台体验好、文档完善、用户多。

缺点：库比较大，发布出来的程序比较大。

调用cmd，安装PySide2的语句：


pip install PySide2

2. 基本结构


	导入需要的库
	
案例：



from PySide2.QtWidgets import QApplication, QMainWindow, QPushButton,.]]></description><category></category></item><item><title><![CDATA[pyside2安装完之后仍然出现This application failed to start because no Qt platform plugin could be initialized的]]></title><link>https://blog.youkuaiyun.com/haha0332/article/details/112169207</link><guid>https://blog.youkuaiyun.com/haha0332/article/details/112169207</guid><author>haha0332</author><pubDate>Mon, 04 Jan 2021 10:10:37 +0800</pubDate><description><![CDATA[问题：

安装Qt的pyside2，执行了pop install pyside2 仍然出现一下问题：



解决方法：

在Pyside2的_init_.py中加上这段话即可：


    import sys
    import os

    dirname = os.path.dirname(__file__)
    plugin_path = os.path.join(dirname, 'plugins', 'platforms')
    os.environ['QT_QPA_PLATFORM]]></description><category></category></item></channel></rss>