qq_46556714的博客

详细的介绍了该模型的功能以及原理，并且指出使用的方式和范围。还有模型的训练集，推理过程，数据评估等等。这里我们体验一下在线！速度还是很快的，卡通化的程度也很高！人像这方面没什么问题，下面我们上传风景照片看一下风景照片也是很不错的，所以我觉得不仅仅可以用到人像上面，对于一些风景来说将其卡通化，也别有一种意境！虽然有的模型有些不足，但总体来说模型的训练度很高，速度也很快，对于机器学习有很大的帮助，可以在上面找一些项目自己动手做做，很轻松就能实现一个项目。...

我体验的是阿里云文字识别OCR阿里云文字识别（Optical Character Recognition，OCR）可以将图片中的文字信息转换为可编辑文本，根据客户的业务场景和需求，将产品分为了通用文字识别、个人证照识别、票据凭证识别、教育场景识别、车辆物流识别、企业资质识别、小语种文字识别等，满足各种客户的图片识别需求。通用文字识别：https://duguang.aliyun.com/experience?spm=a2c6h.27137474.J_4502519820.3.662f41ddSsEOkK页

https://github.com/Megvii-BaseDetection/YOLOX打开项目如果报错在datasets文件夹下新建VOCdevkit文件夹并将下载的data文件夹放进去，并改名为VOC2020。在VOC2020文件夹下新建ImageSets文件夹，在建Main文件夹。下载make_train_and_test.py文件并运行生成训练样本和测试样本的下标yolox_voc_s.py相关代码改为然后voc_classea.pu改为voc.py修改会报错Tra

可以提前下载也可以在线下载训练模型

使用cifar10数据集和alexnet网络模型训练分类模型

深度学习（Deep learning）是机器学习的一个分支领域,其源于人工神经网络的研究。深度学习广泛应用在计算机视觉,音频处理,自然语言处理等诸多领域。人工神经网络（Artificial Neural Network），以数学模型模拟神经元活动，是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统。生物神经细胞结构感知器模型前向传播（Forward Propagation），从输入经过一层层隐层计算得到输出的过程，也就是加权求和，然后经过一个激活函数。反向传播（Backward

卷积神经网络（Convolutional Neural Networks，CNN）是一种包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。常见的CNN网络有LeNet-5、VGGNet、GoogleNet、ResNet、DenseNet、MobileNet等。CNN主要应用场景： 图像分类、图像分割 、 目标检测 、 自然语言处理等领域。CNN基本结构：INPUT -> 卷积->激活 -> 池化 -> 全连接 ->OUTPUT对输入的图像数据与卷积核做卷积运算提取图像的高阶特征

ERROR: spyder 4.1.4 requires pyqtwebengine= “3”, which is not installed. ERROR: spyder 4.1.4 has requirement pyqt5= “3”, but you’ll have pyqt5 5.15.6 which is incompatible打开Anaconda Prompt使用命令安装Spyder或者在安装环境下找到

文章目录实现基于CNN网络的手写字体识别1、搭建CNN网络模型；2、设计损失函数，选择优化函数；3、实现模型训练与测试。代码：实现基于CNN网络的手写字体识别首先下载数据1、搭建CNN网络模型；class CNN(nn.Module): def __init__(self): super(CNN,self).__init__() ''' 一般来说，卷积网络包括以下内容： 1.卷积层 2.神经网络

聚类算法案例聚类算法聚类算法（Clustering），是对大量未知标注的数据集，按数据的内在相似性，将数据集划分为多个互不相交的子集，每个子集称为一个簇，使簇内数据的相似度较大而簇间数据的相似度较小。聚类算法属于无监督机器学习，只有数据x，没有标签y。常见的聚类算法：k-Means、 spectral clustering、mean-shift等。from sklearn.cluster import KMeans,MiniBatchKMeansfrom sklearn.datasets i

公共自行车使用量预测公共自行车低碳、环保、健康，并且解决了交通中“最后一公里”的痛点，在全国各个城市越来越受欢迎。本练习赛的数据取自于两个城市某街道上的几处公共自行车停车桩。我们希望根据时间、天气等信息，预测出该街区在一小时内的被借取的公共自行车的数量。train.csv 训练集，文件大小 273kbtest.csv 预测集, 文件大小 179kb公共自行车使用量预测训练集中共有10000条样本，预测集中有7000条样本。代码实现import numpy as npimport pa

算法案例手写数字识别MNIST数据集是机器学习领域中非常经典的一个数据集，由60000个训练样本和10000个测试样本组成，每个样本都是一张28 * 28像素的灰度手写数字图片。选择算法，并保存模型import picklefrom sklearn.linear_model import LogisticRegressionfrom sklearn.metrics import accuracy_scorefrom sklearn.ensemble import RandomForestC

保存算法模型可以选择不同的算法from sklearn.linear_model import LogisticRegressionfrom sklearn.datasets import load_irisfrom sklearn.model_selection import train_test_splitfrom sklearn.preprocessing import StandardScalerfrom sklearn.metrics import precision_score,re

实现Kmeans算法实现聚类要求：1、根据算法流程，手动实现Kmeans算法；2、调用sklearn中聚类算法，对给定数据集进行聚类分析；3、对比上述2中Kmeans算法的聚类效果。读取文件def loadFile(path): dataList = [] #打开文件：以二进制读模式、utf-8格式的编码方式

文章目录暴力调参案例首先引入所需库编码问题显示获取数据自动调参选择算法调参可视化代码整合：结果：暴力调参案例使用的数据集为from sklearn.datasets import fetch_20newsgroups因为在线下载慢，可以提前下载保存到首先引入所需库import numpy as npimport pandas as pddefaultencoding = 'utf-8'import matplotlib as mplimport matplotlib.pyplot

文章目录机器学习机器学习分类回归算法分类算法聚类算法数据数据清洗和转换特征工程特征提取特征预处理归一化标准化特征降维数据集划分分类模型评估回归模型评估聚类模型评估模型保存机器学习机器学习（Machine Learning，ML）是一门多领域交叉学科，涉及 概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技 能，重新组织已有的知识结构使之不断改善自身的性能。普遍认为，机器学习的处理系统和算法是主要通过找出数据里隐藏 的模式进而做出预测

import matplotlib.pyplot as pltfrom pathlib import Pathfrom sklearn.svm import SVCfrom sklearn.preprocessing import StandardScalerfrom sklearn.metrics import classification_reportimport requestsimport pickleimport gzipDATA_PATH = Path("data")PATH

文章目录降维算法PCA及其应用利用PCA算法实现手写字体识别，要求：实验步骤1. 导入数据集2. 实现手写数字数据集的降维；3. 比较两个模型（64维和10维）的准确率；4. 对两个模型分别进行10次10折交叉验证，绘制评分对比曲线。代码详解结果：SVCPCA降维算法PCA及其应用利用PCA算法实现手写字体识别，要求：1、实现手写数字数据集的降维；2、比较两个模型（64维和10维）的准确率；3、对两个模型分别进行10次10折交叉验证，绘制评分对比曲线。实验步骤1. 导入数据集from skl

1. 使用KNN进行电影类型预测：给定训练样本集合如下：

文章目录💌💌💌ID3算法实例💨💨1.使用sklearn的决策树算法对葡萄酒数据集进行分类，要求：🕳🕳2. 利用给定ID3算法，画出下列训练集的决策树。🍇🍇🍇1.葡萄酒分类🚲🚲🚲(1)划分训练集和测试集（测试集占20%）🚓🚓(2)对测试集的预测类别标签和真实标签进行对比🛹🛹(3)输出分类的准确率🏍🛵🏍(4)调整参数比较不同算法（ID3， CART）的分类效果。🚀🚀🚀完整代码：🚀🚀🚀结果：🛰🛰🌌2.只需修改数据集，标签集即可🚩🚩部分代码：🍽🍽🌼🌼结果：💌💌💌ID3算法实例💨💨1.使用sklearn的决策树算

文章目录2. 编写代码，实现对iris数据集的KNN算法分类及预测要求：第一步：引入所需库第二步：划分测试集占20%第三步：n_neighbors=5第四步：评价模型的准确率第五步：使用模型预测未知种类的鸢尾花2. 编写代码，实现对iris数据集的KNN算法分类及预测要求：（1）数据集划分为测试集占20%；（2）n_neighbors=5；（3）评价模型的准确率；（4）使用模型预测未知种类的鸢尾花。（待预测数据：X1=[[1.5 , 3 , 5.8 , 2.2], [6.2 , 2.9 , 4

2. 使用最小二乘法进行贷款额度预测：给定训练样本集合如下：求解：当工资18000、年龄30时，额度是多少？给出代码与运行结果图难点在于有两个参数，画三维图import numpy as npfrom numpy import matimport matplotlib.pyplot as pltfrom mpl_toolkits.mplot3d import Axes3D # 画三维图if __name__ == "__main__": # 1 获得x,y数据# #

文章目录运用特征脸（eigenface）和sklearn.svm.SVC进行人脸识别。第一步，import导入实验所用到的包第二步，下载人脸数据第三步，特征提取第四步，建立SVM分类模型第五步， 模型评估第六步，预测结果可视化完整代码：运行结果：运用特征脸（eigenface）和sklearn.svm.SVC进行人脸识别。首先需要下载一个经过预处理的数据集，从数据集中找出最有代表性的前5人的预期结果第一步，import导入实验所用到的包import matplotlib.pyplot as plt

贷款额度预测求解：当工资18000、年龄30时，额度是多少？由于房价和这个贷款相同，而贷款是多个参数所以只写这贷款即可。老师写的代码！使用批量式梯度下降。梯度下降法：import numpy as npimport matplotlib.pyplot as pltif __name__ == "__main__": # 1 获得x,y数据# ########## X1 = (np.array([4000, 8000, 5000, 7500, 12000]))/10000

文章目录❤❤❤ID3算法✅✅决策树的思想：💤💤💤ID3算法：💯1.先写绘图树方法，函数。💯2.ID3决策树类💲💲💲给出数据集，标签集：💞💞完整代码💥💥生成决策树：❤❤❤ID3算法✅✅决策树的思想：给定一个集合，其中的每个样本由若干属性表示，决策树通过贪心的策略不断挑选最优的属性。常见的决策树算法有ID3,C4.5,CART算法等。💤💤💤ID3算法： baseEntropy = self.calcShannonEnt(dataset) # 基础熵 num = len

文章目录朴素贝叶斯算法1.使用sklearn的朴素贝叶斯算法对垃圾短信数据集进行分类要求：代码：结果：2.自己写朴素贝叶斯算法对垃圾短信数据集进行分类代码：结果：朴素贝叶斯算法输入：样本集合D=｛(x_1,y_1),(x_2,y_2)~(x_m,y_m);待预测样本x;样本标记的所有可能取值｛c_1,c_2,c_3~c_k｝;样本输入变量X的每个属性变量X^i的所有可能取值｛a_i1,a_i2,~,a_iAi｝；输出：待预测样本x所属的类别1.计算标记为c_k的样本出现概率。2.计算标记c

SVM支持向量机实例代码：import sysdefaultencoding = 'utf-8'import numpy as npfrom scipy import io as spiofrom matplotlib import pyplot as pltfrom sklearn import svmdef SVM(): data1 = spio.loadmat('data1.mat') X = data1['X'] y = data1['y'] y

向量机首先创建可以分离的样本数据集（假定二分类），然后使用sklearn所提供的线性支持向量机（LinearSVC）方法对其进行分类，求取一个支持向量集并绘图import numpy as npimport matplotlib.pyplot as pltfrom sklearn.svm import LinearSVCfrom sklearn.datasets import make_blobs# 创建随机分布的，可以分离的400个样本点X, y = make_blobs(n_sample

文章目录支持向量机实例1.线性核函数2.多项式核函数3.RBF高斯核函数4.sigmoid核函数代码：结果：支持向量机实例1.线性核函数def test_SVC_linear(): ''' 测试 SVC 的用法。这里使用的是最简单的线性核 :param data: 可变参数。它是一个元组，这里要求其元素依次为训练样本集、测试样本集、训练样本的标记、测试样本的标记 :return: None ''' iris = datasets.load_iris()

KNN算法knn = KNeighborsClassifier ( )朴素贝叶斯gnb = GaussianNB ( )决策树dtc = DecisionTreeClassifier ( )SVM算法svm = SVC ()代码：import numpy as npimport matplotlib.pyplot as pltfrom itertools import productfrom sklearn import datasetsfrom sklearn.neigh

使用最小二乘法进行房价预测：给定训练样本集合如下：求解：当房屋面积为55平方时，租赁价格是多少？给出代码与运行结果图。首先明白什么是最小二乘法，利用最小二乘法公式p = (X^TX)^-1 X^T Yimport numpy as npfrom numpy import matimport matplotlib.pyplot as pltif __name__ == "__main__": # 1 获得x,y数据# ########## X = np.array([