<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[helen1313的专栏]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/helen1313</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; helen1313]]></copyright><item><title><![CDATA[MNIST进阶（卷积神经网络）   超详细代码注释]]></title><link>https://blog.youkuaiyun.com/helen1313/article/details/116720946</link><guid>https://blog.youkuaiyun.com/helen1313/article/details/116720946</guid><author>helen1313</author><pubDate>Wed, 12 May 2021 20:40:19 +0800</pubDate><description><![CDATA[#  加载MNIST数据
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

import tensorflow as tf
sess = tf.InteractiveSession()

# 权重在初始化时应该加入少量的噪声来打破对称性以及避免0梯度
# truncated_normal:产生正态分布的随机数
d.]]></description><category></category></item><item><title><![CDATA[tensorflow  MINIST 入门（线性回归+softmax）  超详细代码注释  19行代码直接下载数据并训练]]></title><link>https://blog.youkuaiyun.com/helen1313/article/details/116714671</link><guid>https://blog.youkuaiyun.com/helen1313/article/details/116714671</guid><author>helen1313</author><pubDate>Wed, 12 May 2021 17:02:44 +0800</pubDate><description><![CDATA[#  加载MNIST数据
# i通过nput_data.read_data_sets自动下载和导入MNIST数据集
# mnist是一个轻量级的类。它以Numpy数组的形式存储着训练、校验和测试数据集。同时提供了一个函数，用于在迭代中获得minibatch，后面我们将会用到。
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=.]]></description><category></category></item><item><title><![CDATA[facenet  validate_on_lfw.py  报错   AssertionError: The number of LFW images must be an integer multip]]></title><link>https://blog.youkuaiyun.com/helen1313/article/details/116238063</link><guid>https://blog.youkuaiyun.com/helen1313/article/details/116238063</guid><author>helen1313</author><pubDate>Wed, 28 Apr 2021 17:02:50 +0800</pubDate><description><![CDATA[收集了亚洲人脸进行模型验证的时候，运行如下代码：


python validate_on_lfw.py ../data/AsiaStar_160 ../20180402-114759 --lfw_pairs ../data/pairs_AsiaStar.txt

报错如下：


AssertionError: The number of LFW images must be an integer multiple of the LFW batch size

翻译一下就是，图片数量必须是batch siz]]></description><category></category></item><item><title><![CDATA[facenet在亚洲人脸上的效果测试]]></title><link>https://blog.youkuaiyun.com/helen1313/article/details/116197326</link><guid>https://blog.youkuaiyun.com/helen1313/article/details/116197326</guid><author>helen1313</author><pubDate>Tue, 27 Apr 2021 12:18:14 +0800</pubDate><description><![CDATA[准备工作

下载FaceNet源码

https://github.com/davidsandberg/facenet

LFW评估测试数据下载

http://vis-www.cs.umass.edu/lfw/lfw.tgz

下载亚洲人脸数据CASIA-FaceV5

原上传者地址：https://download.youkuaiyun.com/download/weixin_42179317/10405384
若无csdn积分可以直接用百度云盘下载：https://pan.baidu.com/s/1WS4nooN]]></description><category></category></item><item><title><![CDATA[centos下 安装tesseract4.0详细步骤   及Syntax error near unexpected token `LEPTONICA,'解决]]></title><link>https://blog.youkuaiyun.com/helen1313/article/details/104391297</link><guid>https://blog.youkuaiyun.com/helen1313/article/details/104391297</guid><author>helen1313</author><pubDate>Wed, 19 Feb 2020 13:07:09 +0800</pubDate><description><![CDATA[#安装系统依赖


yum install -y automake autoconf libtool gcc gcc-c++
yum install -y libpng-devel libjpeg-devel libtiff-devel
yum -y install python-devel
yum -y install openssl-devel 
yum -y install ope...]]></description><category></category></item><item><title><![CDATA[利用深度学习(CNN)进行验证码(字母+数字)识别]]></title><link>https://blog.youkuaiyun.com/helen1313/article/details/102773435</link><guid>https://blog.youkuaiyun.com/helen1313/article/details/102773435</guid><author>helen1313</author><pubDate>Sun, 27 Oct 2019 23:20:37 +0800</pubDate><description><![CDATA[本文方法针对的验证码为定长验证码，不包含中文。

本文的思路是：1. 使用keras中预训练好的模型，在python生成的验证码（5万条）上fine tune，得到python验证码模型；2. 使用python验证码模型，在实际验证码（500条）上fine tune；3. 增加样本，提高精度。




通俗的解释2个问题：

keras中预训练好的模型是什么东西？
答： keras上有很多已经...]]></description><category></category></item><item><title><![CDATA[keras + django(flask) + uwsgi + nginx 部署问题]]></title><link>https://blog.youkuaiyun.com/helen1313/article/details/102500305</link><guid>https://blog.youkuaiyun.com/helen1313/article/details/102500305</guid><author>helen1313</author><pubDate>Fri, 11 Oct 2019 14:17:46 +0800</pubDate><description><![CDATA[最近用KERAS做了一个图像识别的分类问题，单独在Django上运行没有问题，但是用uwsi+nginx上线部署，程序就卡死在predict这一步。



查了很久，发现大概问题应该是keras后端的tensflow使用的session与uwsgi的session产生冲突（猜测），google了发现不少人也遇到此类问题（https://github.com/keras-team/keras/is...]]></description><category></category></item><item><title><![CDATA[python数据分析pandas包入门学习（四）处理缺失数据]]></title><link>https://blog.youkuaiyun.com/helen1313/article/details/53304641</link><guid>https://blog.youkuaiyun.com/helen1313/article/details/53304641</guid><author>helen1313</author><pubDate>Wed, 23 Nov 2016 14:24:53 +0800</pubDate><description><![CDATA[本文参考《利用Python进行数据分析》的第五章 pandas入门


4 处理缺失数据

缺失数据（missing data）在大部分数据分析应用中都很常见。Pandas的设计目标之一就是让缺失数据的处理任务尽量轻松。例如，pandas对象上的所有描述统计都排除了缺失数据。

pandas使用NaN表示缺失数据。




Python内置的None也会被当做NaN处理：]]></description><category></category></item><item><title><![CDATA[python数据分析pandas包入门学习（三）汇总和统计描述]]></title><link>https://blog.youkuaiyun.com/helen1313/article/details/53301198</link><guid>https://blog.youkuaiyun.com/helen1313/article/details/53301198</guid><author>helen1313</author><pubDate>Wed, 23 Nov 2016 09:59:23 +0800</pubDate><description><![CDATA[本文参考《利用Python进行数据分析》的第五章 pandas入门


pandas拥有一组常用的数学和统计方法。它们大部分属于约简和汇总统计，用于从Series中提取单个值（如sum和mean），或从DataFrame的行或列中提取一个Series。跟对应的Numpy数组方法相比，它们都是基于没有缺失数据的假设而构建的。






idxmin()/idxmax()：返回最]]></description><category></category></item><item><title><![CDATA[python数据分析pandas包入门学习（二）基本功能]]></title><link>https://blog.youkuaiyun.com/helen1313/article/details/53188009</link><guid>https://blog.youkuaiyun.com/helen1313/article/details/53188009</guid><author>helen1313</author><pubDate>Wed, 16 Nov 2016 16:59:51 +0800</pubDate><description><![CDATA[本文参考《利用Python进行数据分析》的第五章 pandas入门

2基本功能
介绍操作Series和DataFrame中的数据的基本手段。
重新索引reindex
当调用Series的reindex将会根据新索引进行重排；当某个索引值当前不存在，就引入缺失值；fill_value可以给缺失值赋值。


method选项：






对于DataFrame，rei]]></description><category></category></item><item><title><![CDATA[python数据分析pandas包入门学习（一）pandas数据结构介绍]]></title><link>https://blog.youkuaiyun.com/helen1313/article/details/53186868</link><guid>https://blog.youkuaiyun.com/helen1313/article/details/53186868</guid><author>helen1313</author><pubDate>Wed, 16 Nov 2016 15:24:55 +0800</pubDate><description><![CDATA[本文参考《利用python进行数据分析》的第五章 pandas入门

1 pandas数据结构介绍
pandas有两种主要的数据结构：series和DataFrame
Series：一种类似于一维数组的对象，由一组数据（各种Numpy数据类型）以及一组与之对应的数据标签（索引）组成。



第一列为索引，从0开始，第二列为数据值。
可以通过values属性获取数组的表示形式，通过]]></description><category></category></item><item><title><![CDATA[机器学习--正则化（regularization)防止分类器过拟合]]></title><link>https://blog.youkuaiyun.com/helen1313/article/details/53036791</link><guid>https://blog.youkuaiyun.com/helen1313/article/details/53036791</guid><author>helen1313</author><pubDate>Fri, 04 Nov 2016 16:57:57 +0800</pubDate><description><![CDATA[本文参考吴恩达《机器学习》课程。]]></description><category></category></item><item><title><![CDATA[机器学习——支持向量机（SVM）]]></title><link>https://blog.youkuaiyun.com/helen1313/article/details/53005605</link><guid>https://blog.youkuaiyun.com/helen1313/article/details/53005605</guid><author>helen1313</author><pubDate>Wed, 02 Nov 2016 10:54:26 +0800</pubDate><description><![CDATA[本文主要参考吴恩达《机器学习》课程，以及网上各个大牛们的博文。
支持向量机，是一种对线性和非线性数据进行分类的方法。它按以下方法工作：使用一种非线性映射，把原训练数据映射到较高的维上，在新的维上，它搜索最佳分离超平面。使用到足够高维上的、合适的非线性映射，两个类的数据总可以被超平面分开。与其他模型相比，支持向量机不太容易过拟合。
下面按照吴恩达《机器学习》的讲义顺序进行讲解。

1 间隔（]]></description><category></category></item><item><title><![CDATA[逻辑回归python实现实例]]></title><link>https://blog.youkuaiyun.com/helen1313/article/details/52953884</link><guid>https://blog.youkuaiyun.com/helen1313/article/details/52953884</guid><author>helen1313</author><pubDate>Fri, 28 Oct 2016 10:18:15 +0800</pubDate><description><![CDATA[这个例子是《机器学习实战》（）逻辑回归的一个实例：从疝气病症预测病马的死亡率。


疝病是描述马胃肠痛的术语。该数据集中包含了医院检查马疝病的一些指标，我们的目标是通过这些指标（特征），来预测马是否会死亡。
数据集包括229个训练样本和67各测试样本，特征数量为22。数据集中包含缺失值，采取的措施是用0替换所有缺失值，这样做的原因是，我们在更新theta值时使用下式（具体参考上一篇），当某]]></description><category></category></item><item><title><![CDATA[机器学习/逻辑回归（logistic regression）/--附python代码]]></title><link>https://blog.youkuaiyun.com/helen1313/article/details/52946162</link><guid>https://blog.youkuaiyun.com/helen1313/article/details/52946162</guid><author>helen1313</author><pubDate>Thu, 27 Oct 2016 15:27:33 +0800</pubDate><description><![CDATA[本文为吴恩达《机器学习》课程的读书笔记，并用python实现。

逻辑回归（logistic regression）虽然叫回归，但他做的事实际上是分类。这里我们讨论二元分类，即只分两类，y属于{0,1}。]]></description><category></category></item><item><title><![CDATA[机器学习线性回归（linear regression）/梯度下降法（gradient descent)/最大似然函数/--附python代码]]></title><link>https://blog.youkuaiyun.com/helen1313/article/details/52945147</link><guid>https://blog.youkuaiyun.com/helen1313/article/details/52945147</guid><author>helen1313</author><pubDate>Thu, 27 Oct 2016 13:57:16 +0800</pubDate><description><![CDATA[线性回归是一个比较简单的算法，这里主要借线性回归，讲一下梯度下降法和最大似然函数，后面逻辑回归也会用到。]]></description><category></category></item><item><title><![CDATA[python.numpy学习]]></title><link>https://blog.youkuaiyun.com/helen1313/article/details/52933452</link><guid>https://blog.youkuaiyun.com/helen1313/article/details/52933452</guid><author>helen1313</author><pubDate>Wed, 26 Oct 2016 17:00:00 +0800</pubDate><description><![CDATA[想要用python写一些算法，发现得用到numpy，大致跟matlab差不多，花了半天时间，看了《利用python进行数据分析》（《python for data analysis》）中的第四章，整理了一下，贴出来分享给大家。
注意：有些图中的代码是我自己做的，有些是书中截图的。我做的，我直接from numpy import *，所以直接打函数名就可以了；书中应该是import numpy a]]></description><category></category></item><item><title><![CDATA[R语言实现聚类分析]]></title><link>https://blog.youkuaiyun.com/helen1313/article/details/38111125</link><guid>https://blog.youkuaiyun.com/helen1313/article/details/38111125</guid><author>helen1313</author><pubDate>Fri, 25 Jul 2014 10:57:40 +0800</pubDate><description><![CDATA[l  K-均值聚类（K-Means）  
十大经典算法
l  K-中心点聚类（K-Medoids）
l  密度聚类（DBSCAN）
l  系谱聚类（HC）
l  期望最大化聚类（EM）  
十大经典算法
 




聚类算法


软件包


主要函数




K-means


stats


kmeans()




K-Med]]></description><category></category></item><item><title><![CDATA[用R语言进行关联分析]]></title><link>https://blog.youkuaiyun.com/helen1313/article/details/38061777</link><guid>https://blog.youkuaiyun.com/helen1313/article/details/38061777</guid><author>helen1313</author><pubDate>Wed, 23 Jul 2014 12:02:02 +0800</pubDate><description><![CDATA[主要参考《数据挖掘：R语言实战》（黄文，王正林编著）]]></description><category></category></item><item><title><![CDATA[R语言进行数据预处理]]></title><link>https://blog.youkuaiyun.com/helen1313/article/details/38041243</link><guid>https://blog.youkuaiyun.com/helen1313/article/details/38041243</guid><author>helen1313</author><pubDate>Tue, 22 Jul 2014 14:18:36 +0800</pubDate><description><![CDATA[4.R语言进行数据预处理
 
         在实际情况下，数据通常是不完整（缺少属性值或某些感兴趣的属性，或仅包含聚集数据）、含噪声（包含错误或存在偏离期望的离群值）、不一致的，这样的数据必须经过预处理，剔除其中的噪声，回复数据的完整性和一致性后才能使用数据挖掘技术进行分析。
 
         使用mice软件包中的示例数据nhanes2来进行演示。加载mice包前，要先加载lat]]></description><category></category></item></channel></rss>