自定义博客皮肤VIP专享

*博客头图：

点击选择上传的图片

格式为PNG、JPG，宽度*高度大于1920*100像素，不超过2MB，主视觉建议放在右侧，请参照线上博客头图

请上传大于1920*100像素的图片！

博客底图：

点击选择上传的图片

图片格式为PNG、JPG，不超过1MB，可上下左右平铺至整个背景

栏目图：

点击选择上传的图片

图片格式为PNG、JPG，图片宽度*高度为300*38像素，不超过0.5MB

主标题颜色：

RGB颜色，例如：#AFAFAF

Hover：

RGB颜色，例如：#AFAFAF

副标题颜色：

RGB颜色，例如：#AFAFAF

预览取消提交

自定义博客皮肤

-+

上一步保存

qq_38808501的博客

博客等级

码龄9年

14
原创

52
点赞

194
收藏

38
粉丝

关注

私信

热门文章

分类专栏

最新评论

人脸美颜——飞桨PaddleHub实战
孙兔子: 大佬你好，module = hub.Module(name="face_landmark_localization") result = module.keypoint_detection(images=[src_img])，运行时候一直出现RuntimeError: could not reshape a memory descriptor是为什么呀
【Python画图】matplotlib画多条折线图、设置节点、设置节点上的数字以及自定义坐标轴的数值
优快云-Ada助手: 推荐 Python入门技能树：https://edu.youkuaiyun.com/skill/python?utm_source=AI_act_python
一键人物抠图、人物图片背景替换——飞桨PaddleHub实战
从学习C语言来的: 这样报错，怎么解决？
一键人物抠图、人物图片背景替换——飞桨PaddleHub实战
从学习C语言来的: [code=python] [/code] D:\Anaconda\python.exe D:\Pycharm_itemfiles_first\second_itemfiles\try_test2.py D:\Anaconda\lib\site-packages\paddlenlp\transformers\image_utils.py:213: DeprecationWarning: BILINEAR is deprecated and will be removed in Pillow 10 (2023-07-01). Use Resampling.BILINEAR instead. resample=Image.BILINEAR, D:\Anaconda\lib\site-packages\paddlenlp\transformers\image_utils.py:379: DeprecationWarning: NEAREST is deprecated and will be removed in Pillow 10 (2023-07-01). Use Resampling.NEAREST or Dither.NONE instead. resample=Image.NEAREST, D:\Anaconda\lib\site-packages\paddlenlp\transformers\ernie_vil\feature_extraction.py:65: DeprecationWarning: BICUBIC is deprecated and will be removed in Pillow 10 (2023-07-01). Use Resampling.BICUBIC instead. resample=Image.BICUBIC, D:\Anaconda\lib\site-packages\paddlenlp\transformers\clip\feature_extraction.py:64: DeprecationWarning: BICUBIC is deprecated and will be removed in Pillow 10 (2023-07-01). Use Resampling.BICUBIC instea
一键人物抠图、人物图片背景替换——飞桨PaddleHub实战
火山上的来客: 这句有问题results = module.segmentation(data=input_dict)，在括号内加入visualization=True即可，就能看到输出文件夹了

机器学习

关注

以实战为主，介绍传统的机器学习算法。

关注数：文章数：1 文章阅读量：2044 文章收藏量：9

作者: 啊啦哆哆

为了更好的自己

展开

专栏收录文章

【机器学习之分类篇】一文读懂机器学习分类模型——分类模型构建与性能评价（基于分类MNIST数据集中的数据进行代码演示）

前言本文章，主要是利用传统的机器学习方法构建传统分类器，进行分类任务，虽然目前利用神经网络的方法相较于传统机器学习效果更加优秀，但这里主要是为了介绍机器学习中分类任务构建的流程方法，是我本人学习分类任务过程中的一点总结。在这里，将基于MNIST数据集进行分类任务，构建二元分类器、多元分类器（多标签分类、多输出分类），并对我们训练的分类器进行性能考核，考核方法包括：交叉验证测量精度、混淆矩阵、精度/召回率曲线、ROC曲线。同时，多模型进行错误分析，并利用网格搜索选择最佳的模型参数。目录： 1、MNIST

原创 2020-06-04 11:35:12 · 2044 阅读 · 0 评论