- 博客(35)
- 收藏
- 关注
RSS订阅原创 python中元组、列表常用的函数和索引方法
下面详细介绍两者的常用方法、函数和索引操作。与列表类似，元组也支持正向索引、反向索引和切片操作。将另一个序列（如列表、元组）中的元素添加到列表中。是两种常见的序列数据类型。删除指定索引的元素，默认删除最后一个元素。返回指定元素在列表中第一次出现的索引。返回指定元素在元组中第一次出现的索引。适合数据内容固定、只需读取的情况。返回指定元素在列表中出现的次数。返回指定元素在元组中出现的次数。删除指定值的第一个匹配项。向列表末尾添加单个元素。在指定索引位置插入元素。在 Python 中，反转列表中的元素顺序。
2024-12-17 16:19:03
811
原创 python中的字符串及其常用函数
在 Python 中，字符串是一种非常常用的数据类型，提供了许多内置方法用于字符串操作。以下是字符串常用的函数（方法），并附带示例讲解。按指定分隔符拆分字符串，返回三部分（分隔符前、分隔符、分隔符后）。查找子字符串在字符串中的位置，返回索引。将字符串中的大写字母变为小写，小写字母变为大写。将字符串左对齐或右对齐，并用指定字符填充。将字符串的首字母大写，其余字母小写。将字符串居中，并用指定字符填充两边。在字符串前填充零，直到达到指定宽度。将列表中的字符串按指定分隔符拼接。统计子字符串在字符串中出现的次数。
2024-12-16 15:02:25
665
原创 python中print格式化输出
在 Python 3.6 及之后的版本中，推荐使用 f-strings，因为它既简洁又高效。如果需要兼容旧版本的 Python（如 2.x），则可以使用。这是 Python 3.6 引入的一种更简洁和高效的字符串格式化方式。在 Python 中，格式化输出可以使用多种方式来控制文本和变量的显示方式。常见的格式化方法包括。方法和 f-strings（格式化字符串字面量）。这种方式是较早的格式化方法，类似于 C 语言中的格式化输出。方法也支持更复杂的格式化，例如填充、对齐、精度控制等。
2024-12-13 14:41:57
1354
原创 python中的运算符和优先级
在 Python 中，运算符分为多种类型，包括算术运算符、比较运算符、逻辑运算符等。运算符之间有优先级规则，决定了表达式的计算顺序。运算符的优先级决定了在没有括号的情况下，表达式的计算顺序。使用括号可以显式地改变运算顺序。用于比较两个值，结果是布尔值。
2024-12-12 15:07:52
945
原创 python中的数据类型
Python 提供了多种数据类型，既有内置的基本数据类型（如整数、浮点数、字符串、列表等），也有复杂的容器类型（如字典、集合）。理解这些数据类型的特性（如可变性和不可变性）可以帮助你更好地编写高效、易读的 Python 代码。
2024-12-11 17:56:10
920
原创 YOLOv8
YOLOv8 是一个高度优化的目标检测模型，继承了 YOLO 系列的高效设计，并在精度、速度、易用性、硬件适配等方面做了显著改进。它不仅适用于高性能计算平台，也能在嵌入式设备和边缘计算设备上运行，为各种实时视觉应用提供了强大的支持。在未来，YOLOv8 无疑将成为更多领域（如自动驾驶、工业检测、安防监控等）中的标准视觉检测模型，特别是在对实时性和精度要求较高的场景中，YOLOv8 的优势更加突出。
2024-12-09 13:59:26
1555
原创 YOLOv7
YOLOv7 是目前 YOLO 系列中最为高效的目标检测模型之一。通过多项创新和优化，YOLOv7 在精度、速度、鲁棒性等方面都表现出了优异的性能。它适用于各种实时目标检测任务，尤其在边缘设备和嵌入式平台上有着广泛的应用前景。随着 YOLOv7 在多个应用场景中的不断深入，它将成为目标检测领域的又一标杆模型。
2024-12-06 14:27:07
1516
原创 YOLOv6
YOLOv6 是一款在 YOLO 系列中进一步提升精度和推理效率的目标检测模型。它继承了 YOLO 的优点，并在结构、训练和推理等方面进行了多项优化，使其成为一个高效、精确、适用于各种应用场景的目标检测模型。YOLOv6 的轻量化版本适合部署在边缘设备上，而全精度版本则适用于需要更高准确率的任务。
2024-12-05 10:25:42
1305
原创 YOLOv5
是由团队开发的目标检测模型，是（You Only Look Once）系列的一个改进版。虽然 YOLOv5 没有被原始 YOLO 的作者所发布，但它由于其卓越的性能和易用性，已经成为最受欢迎的目标检测模型之一。YOLOv5 的发布并未跟随传统的 YOLO 命名规范（YOLOv1、YOLOv2、YOLOv3、YOLOv4），而是由团队独立开发并命名为 YOLOv5，因此没有与前几代版本完全的学术关联。然而，YOLOv5 在速度、精度、易用性和可扩展性等方面做出了显著的改进，并获得了广泛的应用。
2024-12-04 14:04:23
1300
原创 YOLOv4 (You Only Look Once Version 4)
是 YOLO 系列目标检测算法的第四个版本，于 2020 年发布。它在保持实时性（高速度）的基础上，大幅提升了目标检测的精度（高准确率）。YOLOv4 集成了大量最新的深度学习技术和目标检测优化技巧，具有更高效的性能。
2024-12-03 10:08:51
1101
原创 YOLOv3 (You Only Look Once Version 3)
YOLOv3 是一个在速度和精度上都非常优秀的目标检测模型。它通过多尺度预测、深层的网络架构（Darknet-53）、改进的目标框预测方式等技术，极大地提升了检测精度，尤其是在小物体和多物体场景下的表现。由于其高效性和实时性，YOLOv3 在各种实时目标检测任务中得到了广泛应用，如视频监控、自动驾驶、智能安防等领域。
2024-12-02 10:45:21
1054
原创 YOLOv2 (You Only Look Once Version 2)
YOLOv2 在 YOLOv1 的基础上做出了很多改进，特别是在 anchor boxes、特征提取网络和多尺度训练方面。它极大地提高了检测精度，尤其是在小物体和多类别检测方面。YOLOv2 保持了 YOLO 系列的一贯优势——高速，并且在 YOLO9000 的支持下，扩展了检测类别的范围，成为了一个在速度和精度上都非常优秀的目标检测算法。
2024-11-29 11:32:29
1528
原创 YOLOv1 (You Only Look Once)
YOLOv1 通过将目标检测问题转化为回归问题，提供了一种高效、快速的检测方式。尽管它在小物体检测和密集目标的场景中存在一些局限，但它的创新性为后续目标检测方法的发展奠定了基础。如果你有兴趣实现 YOLOv1 或者了解更深入的细节，欢迎继续提问！
2024-11-28 10:28:49
1767
原创 SSD（Single Shot MultiBox Detector）目标检测
*SSD（Single Shot MultiBox Detector）**是一种广泛使用的目标检测算法，它能够在单个前向传递过程中同时进行目标的分类和定位，从而实现实时、高效的目标检测。SSD 是一种基于卷积神经网络（CNN）的目标检测方法，它的创新点在于通过多个尺度的特征图来检测目标，这使得 SSD 在速度和精度之间取得了良好的平衡。
2024-11-27 10:30:40
1601
原创 Faster R-CNN （目标检测）
Faster R-CNN 是一个经典的目标检测算法，它通过引入使得目标检测变得更加高效。尽管它仍然面临计算资源和实时性问题，但其在准确性上的表现仍然是非常优秀的，并且成为了后续许多检测算法（如 Mask R-CNN、YOLO 等）的基础。
2024-11-26 14:37:05
2157
原创 神经网络归一化方法总结
在深度学习中，是提高训练效率和稳定性的关键技术。以下是几种常见的神经网络归一化方法的总结，包括其核心思想、适用场景及优缺点。
2024-11-25 10:43:47
1577
原创 ShuffleNet V2
ShuffleNet V2 是一款为移动和嵌入式设备设计的高效轻量级网络，它在优化理论计算量的同时，更注重在实际设备上的速度表现。通过通道混洗和轻量化设计，ShuffleNet V2 提供了一个强大、快速且易于集成的深度学习模型，是现代深度学习轻量化的典范之一。
2024-11-22 10:25:33
1142
原创 MobileNetV2
是一种轻量级的卷积神经网络架构，旨在提高移动设备和嵌入式设备上的深度学习模型的效率，尤其是在资源有限的环境下（如计算能力、内存和存储空间）。： 由于采用了轻量化的设计，MobileNetV2 在许多设备上可以实现快速的推理时间，尤其在没有强大硬件支持的情况下（如手机或物联网设备）。MobileNetV2 的设计目标是优化计算效率，使得它能够在移动设备上运行而不会牺牲太多的精度。这种结构能够在较低的计算成本下，提取高效的图像特征，非常适合用于移动设备等计算资源有限的场景。，它和传统的残差模块有所不同。
2024-11-21 10:34:46
1690
原创 ResNet（残差神经网络）
ResNet 的创新之处在于引入了残差学习，解决了深层网络训练中的退化问题。它使得训练非常深的神经网络成为可能，同时通过跳跃连接保持了良好的训练稳定性。ResNet 作为一种高效且深度可扩展的架构，已经成为计算机视觉领域的重要模型，并广泛应用于图像分类、目标检测、图像分割等任务中。
2024-11-20 10:11:33
2098
原创 GoogLeNet 深度卷积神经网络
是 Google 提出的卷积神经网络架构，最著名的是在（ImageNet Large Scale Visual Recognition Challenge）中赢得了冠军。GoogLeNet 引入了很多创新的设计，其中最具代表性的就是，它大大提高了卷积神经网络的效率，并显著减少了模型的计算复杂度。： GoogLeNet 的核心创新是，它通过并行使用多个不同大小的卷积核（如 1x1, 3x3, 5x5 卷积核）和池化操作来提取不同尺度的特征。这种设计不仅能捕获更丰富的特征，还能有效减少模型参数的数量。
2024-11-19 10:44:13
1444
原创 VGG深度卷积神经网络
是一种经典的深度卷积神经网络架构，全称为，由牛津大学计算机视觉组提出。它在 2014 年的 ImageNet 图像识别挑战赛（ILSVRC-2014）中表现优异，因此被广泛研究和应用。VGG 提出了多种深度的模型，如 VGG-11、VGG-13、VGG-16 和 VGG-19，其中数字代表了网络的层数（包括卷积层和全连接层，但不包括池化层）。VGG-16 和 VGG-19 是最常用的变体。VGG 使用了固定大小的 3×33 \times 33×3 卷积核，步幅为 1，填充为 "same"。
2024-11-18 11:08:09
1242
原创 什么是循环神经网络
循环神经网络（Recurrent Neural Network，简称RNN）是一类特别适合处理序列数据的神经网络，它的特点是具有“记忆”能力，能够在时间上保持信息的关联。RNN尤其适用于自然语言处理、时间序列预测和语音识别等任务。
2024-11-14 11:32:07
921
原创 什么是卷积神经网络
卷积神经网络（Convolutional Neural Network，简称CNN）是一类特别适用于处理图像、视频和其他具有网格状结构的数据的深度神经网络。它的设计灵感来自于生物视觉皮层中神经元的连接方式，尤其是视觉处理部分。CNN的核心思想是通过来自动学习数据中的空间特征。相比于传统的全连接神经网络，卷积神经网络使用卷积操作来提取局部特征，并通过层级结构逐渐学习更复杂的特征。
2024-11-13 11:51:40
1903
原创 什么是全连接神经网络
全连接神经网络（Fully Connected Neural Network，简称FCNN），也称为前馈神经网络（Feedforward Neural Network），是最基础的一种神经网络结构。它的每一层中的每个神经元都与下一层的每个神经元相连，因此称为“全连接”。FCNN主要用于结构固定、特征空间较小的任务，如简单的分类或回归问题。
2024-11-13 10:28:52
2285
原创 什么是神经网络？
神经网络是一种模仿人类大脑结构和功能的计算模型，它由多个节点（神经元）通过连接（权重）构成，可以进行学习和模式识别。神经网络的核心是通过训练数据调整权重，从而让模型在输入数据的基础上进行预测或分类。任何一个函数，都能转换成神经网络！任何任何一种关系，都是一个函数神经网络的能力，很强！！！
2024-11-12 15:01:04
1050
原创 K_means聚类
k - means: 无监督学习（最小平均距离）1. 随机初始簇中心位置2. 将所有的数据与簇中心计算距离，将离得近的数据加入簇群中3. 计算簇群中的平均值，获得新的簇中心点4. 循环这个过程，直到平均中心不再有变化。
2024-11-11 16:40:03
591
原创 KNN:K最近邻分类算法（K-Nearest Neighbor Classification）
思想简单，易于理解，易于实现，无需估计参数，无需训练适合对稀有类别进行分类特别适合于多分类问题。
2024-11-08 14:32:57
896
原创 机器学习解决多元线性回归问题实例
这里本来应该构造模型函数f(x),再构建损失函数Loss(w)的，但多元线性函数较为简单就直接构建损失函数了。将表中数据读取出来并存进数据结构里面。以一个一元线性方程为例求偏导数为例。
2024-11-07 16:14:42
673
原创 分类问题用逻辑回归
分类问题（Classification Problem）是机器学习中的一种常见问题类型，目的是根据输入数据的特征将数据划分为多个预定义的类别（标签）之一。简单来说，分类问题的目标是预测一个实例属于哪个类别。
2024-11-06 19:45:30
996
原创 什么是梯度下降算法
梯度是偏导数组成的向量，，w是权重（也就是原来y=ax+b中的a和b组成的向量），L是Loss函数。SGD：朴素的梯度下降算法Mom/NAG：动量派Adagrad/adadelta/rmsprop：自适应派Adam：集大成者。
2024-11-05 19:14:03
441
原创 什么是算法？
算法就是解决问题的步骤，就是y=f(x)钟的f。要成为一个算法工程师就得转变思维，从原来的已知y=f(x)和x求y变成已知y和x求f的过程。当然我知道这很难，下面我们一起学习怎么求。举个例子：把大象关进冰箱需要几步？第一步把冰箱门打开、第二步把大象装进去、第三步把冰箱门关上。这三步就是算法，它解决了把大象关进冰箱的这个问题，现实生活中的很多问题都可以用算法思维来解决问题，拆解问题，分步解决。
2024-11-04 15:04:34
426
原创 什么是人工智能？
人区别于动物，自命为高等生物，智慧生物，就是因为智能。智能是一种能力，是学习适应的能力，人类通过后天学习会使用工具，总结事物的运行原理加以利用的能力就是智能。通俗来讲就是，这种能力不是与生俱来的，是人类赋予的。在人类未赋予的时候，该物体是不具备智能这项能力的。所以人工智能的本质就是人类赋予机器或者设备以学习适应的能力，让机器或设备能更好的，更便捷的服务于我们人类，这就是人工智能的定义和目的。
2024-11-04 13:35:32
538
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人