happy game

原创 DjiTello + YoloV5的无人机的抽烟检测

Djitello、Yolov5、无人机技术目标检测是一种计算机视觉技术，专注于识别和定位图像或视频中的特定对象。它不仅能够识别图像中的物体，还能够指示这些物体在图像中的位置。传统的目标检测方法通常使用特征工程和手动设计的算法来识别对象。这些方法包括 Haar 级联、HOG 特征和基于图像分割的技术。近年来，深度学习技术，特别是卷积神经网络（CNN），已经成为目标检测领域的主流。

原创 opencv+tensorflow手势识别+图片特效

OpenCV+Tensorflow的手势识别简单运行！手势检测+预训练模型，直接上手看效果！！

原创 SVD分解

一、SVD简介奇异值分解（SVD）是在机器学习领域广泛运用的算法，他不光可以用在降维算法中的特征值分解，还可以用于推荐系统，以及自然语言处理等领域，是很多算法的基石。二、特征值和特征向量我们首先回顾下特征值和特征向量的定义如下:Ax=λx其中A是一个nXn的矩阵，x是一个n维向量,则我们说入是矩阵A的一个特征值,而x是矩阵A的特征值入所对应的特征向量。求出特征...

原创 抖音直播自动弹幕（可结合AI定制弹幕走向，多账号也可）

抖音直播自动弹幕（可结合AI定制弹幕走向，多账号也可）

原创 最强中文Embedding模型m3e和向量数据库Qdrant联动

M3E 是的缩写Moka，此模型由 MokaAI 训练，开源和评测，训练脚本使用uniem，评测 BenchMark 使用MTEB-zhMassive，此模型通过千万级(2200w+) 的中文句对数据集进行训练Mixed，此模型支持中英双语的同质文本相似度计算，异质文本检索等功能，未来还会支持代码检索Embedding，此模型是文本嵌入模型，可以将自然语言转换成稠密的向量在大模型中使用向量数据库具有多方面的意义，特别是在处理大规模向量数据时。大模型通常需要处理大量的向量数据，如图像、文本、语音等。

原创 Pyechats炫酷图-微博转发关系图

微博转发关系图是一种图形化展示微博用户之间信息传递和转发关系的可视化图表。在这种图表中，每个微博用户被表示为一个节点，用户之间的转发关系则用连接线连接。这样的图表有助于直观地理解微博平台上用户之间的信息传递和影响传播情况。每个微博用户都被表示为图中的一个节点。节点通常用不同的形状、颜色或图标来区分用户的不同属性或类别。连接线表示用户之间的转发关系。如果用户A转发了用户B的微博，那么就会有一条连接线从节点A指向节点B。这样的连接线构成了整个图的基础结构。

原创 基于 Echarts 的 Python 图表库：Pyecahrts交互式的K线图（股票）

K线图（K-Line Chart）是用于显示金融市场价格走势的一种图表形式，主要用于股票、期货、外汇等交易市场的技术分析。K线图是由一系列矩形图组成，每个矩形图被称为一个K线（Kandlestick）。每个K线代表一定时间内的价格走势，常见的时间周期包括分钟、小时、日等。每个K线通常包括四个价格点，分别是开盘价（Open）、收盘价（Close）、最高价（High）和最低价（Low）。这四个价格点构成了K线的矩形，通过不同的颜色和形状来表示价格走势。常见的K线颜色分为两种，通常是实心和空心，或者涂色和未涂色。

原创 基于 Echarts 的 Python 图表库：Pyecahrts交互式的日历图和3D柱状图

本文将引领读者深入了解数据可视化领域中的两个强大工具：Python 编程语言和 Pyecharts 库。我们将详细探讨如何使用 Pyecharts 创建令人印象深刻的柱状图和日历图，通过展示数据之美，提高信息传达的效果。日历图是一种用于展示时间数据的独特而强大的数据可视化工具。它以日历的形式呈现数据，让用户可以直观地看到时间的分布和趋势。在 Pyecharts 中，通过使用 Calendar 类，可以轻松地创建日历图。

原创 OpenCV趣味小游戏-双人视觉推球

OpenCV趣味小游戏-冰壶球，主要玩法即通过电脑摄像头检测手部信息，来实现挡板的移动控制，可以一人或者2人参与游戏，调节代码可以控制球飞行速度。注意：本小游戏所有环境配置都会给出，无需其他复杂操作代码也简单，只要按照步骤来一定可以自己运行在PC端。首先python的版本此处选择为3.7.7（其余版本相差不大的都可）1、导入所需库和加载图像信息import cv22、捕捉手部信息并计算小球运动数据speedX：调节小球X轴运动速度speedY：调节小球Y轴运动速度ballPos：调节小球初始位置。

原创 OpenCV+Tensorflow的手势识别

此次只选录了以下五种手势，当然你可以自己选择增加手势。 首先通过opencv的手部检测器检测出我们的手，然后录入自己想要检测的手部信息，使用Tensorflow训练得到预训练权重文件（此处已经训练完成，直接调用即可！），调用预训练权重文件对opencv检测的手部信息进行预测，实时返回到摄像头画面，到此整体项目已经实现，此外还可以添加语音模块如speech，对检测到的手势信息进行语音播报。

原创 机器学习和大数据基础数据集--免费

bank.xlsxigua.csviris.txtearthquake.csvsample_movielens_ratings.txtsample_libsvm_data.txtboston_housing_data.csvAdvertising.csvbreast-cancer-wisconsin.databike_sharingcreditcard.csvEN1027_processed.xlsxair_data.csvpima-indians-diabetesconstr

原创 OpenCV-趣味小游戏-手掌击球

opencv趣味游戏注意：本小游戏所有环境配置都会给出，无需其他复杂操作代码也简单，只要按照步骤来一定可以自己运行在PC端。通过以上画面我们可以发现我们需要用手掌去击打屏幕中的小球来获得得分，我们用手靠进小球到达一定的距离内小球就会改变颜色，然后我们将手掌远离小球，小球又会恢复原来的颜色，并且我们会获得一分。

原创 OpenCV-迷宫解密

如下图所示，可以看到是一张较为复杂的迷宫图，相信也有人尝试过自己一点一点的找出口，但我们肉眼来解谜恐怕眼睛有点小难受，特别是走了半天发现这迷宫无解，代入一下已经生气了，所以我们何必不直接开挂，使用opencv来代替我们寻找最优解。恩，不错，那就整！注：图像自己截图获取即可。

原创 感知器和多层感知机

感知器和多层感知机

原创 小鱼游泳距离计算-python

题目描述有一只小鱼，它平日每天游泳 250 公里，周末休息（实行双休日)，假设从周 x(1≤x≤7) 开始算起，过了 n(n≤106) 天以后，小鱼一共累计游泳了多少公里呢？

原创 Tensorflow2+训练CIFAR10

tensorflow2+训练CIFAR10，多分类

原创 Tensorflow2+版本-猫狗分类完整训练预测流程

tensorflow2+完整模型训练流程、kaggle猫狗分类实战

原创 opnecv设置窗口位于其他窗口前

OpenCV:如何强制图像窗口显示在其他窗口的顶部

原创 GridSearchCV调参过程展示 + 模型融合

GridSearchcv调参过程展示及模型融合技巧

原创 通过输入维度、卷积核、步长计算输出维度

一、Padding = VALID对于VALID = (W-F+1)/S其中：W表示输入数据维度，F表示卷积核维度，S为步长即卷积核每次移动距离例：输入一个 28*28*1 的数据，卷积核为 6个3*3，步长为1，采用Padding = VALID计算其输出维度？根据公式得：(28-3+1)/1 = 26所以得到的输出维度为：26*26*6 （6是卷积核的个数）二、Padding = SAME对于SAME = W/S其中：W表示输入数据维度，F表示卷积核维度，S为步长即卷积核

原创 深度学习-反向传播

原创 朴素贝叶斯

一、贝叶斯公式1、条件概率设A，B为任意两个事件，若P(A)>0，我们称在已知事件A发生的条件下，事件B发生的概率为条件概率，记为P(B|A)，并定义：2、全概率公式如果 UAi =Ω，AiAj ≠Φ(对一切i ≠j) ，P(Ai )>0，则对任一事件B，有：图解：例：假设聊天室内有3个学生，分别为甲、乙、丙，聊天内容包括提问、发闲话，我们假设：那么学生提问的概率为多少？(1) 设提问的概率为b,那么有P...

原创 机器学习-XGBoost

一、XGBoost是什么XGBoost是基于GBDT实现的,但GBDT算法只利用了一阶的导数信息，xgboost对损失函数做了二阶的泰勒展开，并在目标函数之外加入了正则项对整体求最优解，用以权衡目标函数的下降和模型的复杂程度，避免过拟合。 同时XGBoost在许多竞赛上有着非常好的表现二、XGBboost与scikit-learn结合使用、XGBoost提供一个wrapper类，允许模型可以和scikit-learn框架中其他分类器和回归器一样对待XGB...

原创 机器学习-Boosting(AdaBoost、GBDT)

一、集成模型二、Boosting1、思想Boosting：将弱学习器组合成强学习器Boosting思想：个体学习器之间存在强依赖关系，一系列个体学习器基本都需要串行生成，然后使用组合策略，得到最终的集成模型，这就是boosting的思想。（Bagging为并行，且不存在依赖关系）2、实现Boosting可以视为一种自适应基模型：其中Φm(x)为基函数/弱学习器（一般选用CART）Boosting在集成学习领域是非常耀眼的一类方法，其中又以AdaBo.

原创 机器学习-随机森林（Random Forest）

一、回归树的缺点1、回归树算法的方差大2、一种降低方差的方式是平均多个模型的预测：Bagging（Bootstrap Aggregating）3、随机森林：Bagging多棵树二、Bootstrap Aggregating通过对原始数据D= {x1,x2,x3,...,xn}进行n次有放回采样n个数据集D，得到Bootstrap样本。（对原始数据进行有放回随机采样，抽取数量等于原始数据样本数，可能出现重复数据）例：原始样本为：D{x1,x2,x3}则bootstrap可能为：D.

原创 机器学习-决策树

一、决策树的概念决策树是一种树形结构，其中每个内部节点表示一个属性上的测试，每个分支代表一个测试输出，每个叶节点代表一种类别。决策树是一种十分常用的分类回归方法。二、树的组成根节点：第一个选择点非叶子节点：中间过程叶子节点：最终决策结果如图：决策（长方形块）为根节点、1和2（圆形）为非叶子节点、三角形为叶子节点。三、决策树的训练与测试1、训练与测试训练阶段：从给定的训练集中构造出一颗树（从根节点开始选择特征，如何进行特征切分）测试阶...

原创 特征缩放：归一化，标准化

数据集如下：对比：代码实现：#preprocess数据预处理from sklearn.preprocessing import MinMaxScaler,StandarScaler#创建一个DataFrame对象import pandas as pda = pd.DataFrame([ [2104,3,399900], [1600,3,329900], [2400,3,369000], [1416,2,232000], [3000,4,539

原创 SVM支持向量机

一、SVM要解决的问题1、什么样的决策边界才是最好的？2、特征数据本身就很难分，怎么办？3、计算复杂度怎么样，能应用到实际中吗？二、最大间隔分类器最大间隔原则：最大化两个类最近点之间的距离--这个距离被称为间隔--边缘上的点被称为支持向量我们先假设分类器是线性可分的，那么有：如图间隔就是蓝色实线和黑色虚线以及橙色虚线的距离，支持向量就是位于黑色虚线以及橙色虚线上的点。支持向量机要做的就是去找到一条线使得间隔最大，在多维空间上就是找到一个超平面。三、硬间隔SVM

原创 PCA降维

一、主成分分析1、动机：多个变量之间往往存在一定的相关性，可以通过线性组合的方式从中提取信息。2、主成分分析：将原始的n维数据投影到低维空间，并尽可能的保留更多的信息。---投影后方差最大---最小化重构误差从而达到降维的目的：使用较少的主成分得到较多的信息。二、图像解释比如我们想把二维数据降维到一维，那么我们要去找到一条线使得投影后方差最大，如二图中的直线，然后我们把二维的点都投影到这条线上，此时线上的投影点既是我们降维后得到的数据，那么我们该如何实现这个操作？三、底.

原创 逻辑回归评估指标

一、混淆矩阵1、首先我们要了解什么是混淆矩阵以及每一部分的含义：TP: 将正类预测为正类数（真阳性）FN: 将正类预测为负类数（伪阴性）FP: 将负类预测为正类数（伪阳性）TN: 将负类预测为负类数（真阴性）2、案例：假设我们手上有60个正样本，40个负样本，我们想找出所有的正样本，模型查找出50个，其中只有40个是真正的正样本。TP：40FN：20FP：10TN：30二、分类精度衡量指标准确率(accuracy) = 预测对的/所有 = (T

原创 机器学习-逻辑回归

一、什么是逻辑回归1、逻辑回归（英语：Logistic regression 或logit regression），即逻辑模型（英语：Logit model ，也译作“评定模型”、“分类评定模型”） 2、常用于做数据的初步判断，（推荐算法，医疗诊断等） 3、是通过线性模型完成分类效果（线性可分）逻辑回归实际解决的是分类问题！二、Sigmoid函数其中z=。实际上g(z)并不是预测结果，而是预测结果为正例的概率，一般来说阈值为0.5，也就是当g(z)>..

原创 正则化防止过拟合

一、过拟合和欠拟合正则化是防止过拟合的一种方法，因此要想知道正则化是怎样的那么必须先去认识什么是过拟合：二、正则化方法1、L1正则（Lasso）正则化的实现方法其实就是在代价函数后面加上正则化项对于lasso它的正则化系数为：下文中Co代表代价函数：先计算它的导数：上式中sgn(w)表示w的符号，w更新方程：比原始的更新规则多出了η * λ * sgn(w)/n这一项。当w为正时，更新后的w变小。当w为负时，更新后的w变大...

原创 机器学习-线性回归

机器学习-线性回归详解