- 博客(49)
- 资源 (7)
- 收藏
- 关注
RSS订阅原创 Pytorch框架学习摘录(5)
在torchvision.models.vgg的源代码中，vgg网络中包含了3个顺序执行的子模块：vgg.features，vgg.avgpool，vgg.classifier。基于某一种网络结构，首先在一个初始任务场景、初始数据集上训练好一个模型，然后再应用到目标任务上，针对目标任务的特征、数据集，对训练好的模型进行精调（微调）（fine-tune），最终满足目标任务的需求。卷积层： nn.Conv1d(一维数据上的卷积)、nn.Conv2d(二维数据上的卷积)、nn.Conv3d(三维数据上的卷积)。
2025-11-19 18:23:24
879
原创 Pytorch 框架学习摘录（3）
本文介绍了图像处理和深度学习相关的关键技术，主要包括：1）图像数据读取方法，详细说明了使用PIL、OpenCV和torchvision.io库读取和处理图像的步骤，包括图像格式转换、大小调整和模式转换等操作；2）神经网络的构建方法，阐述了如何通过继承torch.nn.Module类自定义网络模型，包括参数初始化、前向传播定义以及参数管理；3）模型训练流程，展示了如何使用优化器进行参数更新和损失计算；4）还提供了模型状态管理、数据转换和图像显示等实用技巧。这些内容为CV和深度学习实践提供了全面的技术参考。
2025-11-17 15:48:04
15
原创 Pytorch 常用函数学习摘录（2）
开发者可能需要使用特定的工具或命令来查看和分析图的结构，在静态图中，不能像动态图那样逐步执行和检查中间结果，调试起来相对较为复杂，）Pytorch支持自动求导，用户定义好操作的前向计算和反向梯度计算规则（可自定义），Pytorch能够自动调用计算图算子，完成整个网络的自动求导。对于一个计算操作来说，如果所有输入中有一个输入需要求导，则输出就需要求导，如果所有输入都不需要求导，则输出也不需要求导。x = torch.zeros(2,1,2,1,2) # 维度序号从左至右从0算起，依次为0，1，2，3，4。
2025-11-04 16:43:18
1012
1
原创 学习笔记—契比雪夫多项式和契比图过滤器
对于一般的多项式过滤器，虽然有各种各样的优点，仍具有局限性，最主要的是各个项彼此不正交，所以各项对应的系数相互相关，（类似多变量回归上的多重共线性）。为了解决这个问题，具有彼此正交的项的线性多项式：契比雪夫多项式被提出来。
2025-10-30 17:04:07
198
原创 Pytorch常用函数学习摘录
从Numpy 生成Tensor从tensor 到 Numpy注： 使用上述函数产生的tensor 和NumPy 数组共享内存，对其中的一个更改也会使另外一个随着改变，如需要不共享内存，则可以分别按照如下方式：从Numpy 生成Tensor且不共享内存：从tensor 到 Numpy 且不共享内存：from_numpy 将Numpy数组转换为张量zeros/ones 创建元素值全为0/1的张量eye 创建对角元素为1，其余元素为0cat/concat 连接多个张量split 切分张量。
2025-10-30 12:06:35
1240
原创 按照左右半区的方式重新组合单链表
题目要求将单链表按左右半区交叉重排。解决方法是：1）找到链表中间节点mid；2）将链表拆分为左半区（head到mid）和右半区（mid.next到末尾）；3）将两个半区按L1→R1→L2→R2的顺序合并。关键步骤包括快慢指针定位mid、拆分链表、交叉合并。代码实现了这一逻辑，通过遍历和指针操作完成重排，适用于奇数或偶数长度的链表。时间复杂度为O(N)，空间复杂度O(1)。
2025-09-18 11:07:11
360
原创 ICA独立成分分析
典型问题：在同一房间的不同位置放着两个麦克风，同时又两个说话，两个麦克风能同时记录两个时间信号，如果仅用这两个记录的信号来估计原来的两个语音信号，那将是一件非常又意义的事情。这也是“鸡尾酒会”问题。盲源分离正式定义： 根据源信号的统计特性，仅由观测的混合信号恢复(分离)出未知原始源信号的过程。式中a为权重参数，在鸡尾酒会问题中为举例，x 为两个话筒得到信号，s为两个表演者的声音，这两个人的声音相对独立并且忽略所有的其他因素比如声音的时间延迟。的情况下一种估计的算法，也就是说的盲信号分离的一种算法。
2025-06-26 19:10:02
342
原创 谱聚类与Python代码实现
谱聚类是一种基于图论的聚类方法，通过构建数据相似度矩阵并分析拉普拉斯矩阵的特征结构来实现聚类。该算法将数据点视为图节点，利用节点间的相似度构建权重矩阵，通过特征分解获得低维嵌入空间后进行聚类（如K-means）。相比传统方法，谱聚类能识别非凸分布数据（如环形、流形结构），但对参数选择敏感且计算复杂度较高（O(n^3)），适用于中小规模数据。典型应用包括图像分割和社交网络分析。实现过程包含相似度矩阵构建、拉普拉斯矩阵计算、特征分解及最终聚类等关键步骤。
2025-06-09 16:13:45
663
原创 Python的浅拷贝与深拷贝
最后是 list1[1] += (50, 60)，因为元组是不可变的，这里表示对 list1 中的第二个元组拼接，然后重新创建了一个新元组作为 list1 中的第二个元素， 而 list2 中没有引用新元组，因此 list2 并不受影响。因为 list2 是 list1 的浅拷贝，list2 中的第一个元素和 list1 中的第一个元素，共同指向同一个列表，因此 list2 中的第一个列表也会相对应的新增元素 3。浅拷贝，指的是重新分配一块内存，创建一个新的对象，但里面的元素是原对象中各个子对象的引用。
2025-06-05 12:28:10
1007
原创 算法-删除链表的中间节点和a/b处的节点
问题分析：如果链表为空或者长度为1，不需要调整，则直接返回；如果链表的长度为2，将头节点删除即可；如果大于等于3，则中间节点可取 (int) Math.ceil(tag / 2)。方法：先计算double r = ((double) (a * n)) / ((double) b)的值，然后r向上取整。之后的整数值代表该删除的节点是第几个节点。removeByRatio 方法。
2025-06-04 09:32:35
263
原创 狄利克雷过程与代码实现
当狄利克雷分布的变量维度K扩展到无限维时，对应地支撑空间X变成连续空间，依据 Kolmogorov 一致性定理，分布就被扩展成一个随机过程，这个过程就叫狄利克雷过程。由于无限维空间上的分布很难形式化表示，可以用迪利克雷分布的累加一致性来定义，思想就是在这个连续空间无论如何划分，每个划分都一致地符合同一个狄利克雷分布（这里的同一个是指同一个基础分布H，和相同的中心因子α），那么可以判定在连续空间X上，变量维度K扩展到的无限维狄利克雷分布成为了狄利克雷过程。设想一个K非常大的狄利克雷分布Dir(a,H)。
2025-02-25 10:18:59
445
翻译 高斯过程回归与sklearn代码实现
高斯过程回归是一个强大而灵活的非参回归工具，在机器学习和统计中经常应用。在处理输入和输出是连续变量且关系不明确的问题中尤其有用。高斯过程回归是一种贝尔斯方法，能用于预测概率建模，这使得其在优化、时间序列预测等方面成为重要工具。高斯过程回归有关于高斯过程，高斯过程本质是一系列的随机变量，其中任何有限的变量组合都有相同的高斯分布。高斯过程可以被视为一种函数的分布。总之，高斯过程回归是一种在需要理解、预测不确定性的情况下进行数据分析和预测的有价值工具。通过利用概率建模和核函数，可以提供准确且易于解释的结果。
2025-01-17 19:02:54
136
原创 XGBOOST代码实现解读
XGBOOST推导请详见《机器学习公式推导与代码实现》（鲁伟，2022年）第12章P162~P168，书中有该算法的Numpy实现，本文对照公式推导部分和算法代码部分做注解，以方便理解。算法实现部分一个重要实现是把每条数据的标签部分分成了真实标签和预测标签，并且对二者进行one-hot编码，如下面代码中 " y = cat_label_convert(y)",如果分类有3类，就有3列等等，其他有关标签的一阶导数和二阶导数部分均是在one-hot编码上进行。
2025-01-14 17:28:06
320
原创 核方法总结（三）———核主成分（kernel PCA）学习笔记
本文是学习《机器学习导论》（清华大学出版社，中文版，王东，2021年）的摘录总结或笔记。
2024-06-28 17:40:49
1062
原创 Pytorch-----(6)
如何计算基于不同变量的操作如矩阵乘法。0.4版本以前，张量是包裹在变量之中的，后者有三个属性grad、volatile和 requires_grad属性。（grad 就是梯度属性，requires_grad属性就是 是否需要存储梯度，volatile=True是Variable的另一个重要的标识，它能够将所有依赖它的节点全部设为volatile=True，其优先级比requires_grad=True高。
2024-06-27 21:54:54
484
原创 Pytorch（５）-----梯度计算
如何使用Pytorch计算样本张量的基本梯度呢？考虑一个样本数据集，且有两个展示变量，在给定初始权重的基础上，如何在每次迭代中计算梯度呢？
2024-06-23 12:00:45
721
原创 Pytorch-----(3A)基本的统计
进行基本的张量统计如均值、中位数、众数等；进行基本的统计有助于应用概率分布和统计推断。Ｔorch功能与Ｎumpy类似，但是Ｔorch函数支持ＧＰＵ加速。以下是创建基本统计量的函数；标准差反映了偏离中心度量的程度，指示着数据或变量的一致性，它表明数据中是否有较大的波动或异常。１Ｄ张量统计均值很简单，但是计算２Ｄ张量的统计量需要额外的参数，因为在这些计算中需要指定维度。
2024-06-23 10:52:46
430
原创 Python实例方法、静态方法和类方法详解
Python的类方法可以进行更详细的划分，具体可以划分为类方法、实例方法和静态方法。区分方法为：采用@ classmethod修饰方法的为类方法；采用@staticmethod修饰的方法为静态方法；不用任何修改的方法为实例方法。
2024-06-22 18:59:29
580
原创 Python函数装饰器@funA
被“＠函数”修饰的函数不再是原来的函数，而是被替换成一个新的东西（取决于装饰器的返回值），即如果装饰器函数的返回值为普通变量，那么被修饰的函数名就变成了变量名；2. 将funA()函数执行完成的返回值反馈回funB，此时函数名funB已不是原来的funB(),而是经过funA()装饰函数的返回值，返回值可能是普通变量也可能是函数，因而funB可能是普通变量也可能是函数。所谓函数装饰器，就是通过装饰器函数，在不修改原函数的前提下，来对函数的功能进行合理的扩充，即通过funA 对 funB函数进行了功能扩充。
2024-06-21 18:44:40
331
原创 Pytorch————（0）
Torch是LUA语言下的一个有大量机器学习算法支持的科学框架，是一个与Numpy类似的操作库，其特点是特别灵活，但其接口语言是LUA语言（相当于一个小型加强版的C，支持类和面向对象，运行效率极高，与C语言结合“特别默契”），所以流行度不高。
2024-05-05 23:02:35
1040
原创 pandas------------(五)
1、从 0.15 版本开始，pandas 可以在 DataFrame 中支持 Categorical 类型的数据。2、将 Categorical 类型数据重命名为更有意义的名称：3、对类别进行重新排序，增加缺失的类别：line 131 对 上上图的类别进行了重新排序，并增加了缺失的类别。
2024-04-30 11:09:06
199
1
原创 Pandas---------(二)
虽然标准的 Python/Numpy 的选择和设置表达式都能够直接派上用场，但是作为工程使用的代码，我们推荐使用经过优化的 pandas 数据访问方式： .at , .iat ,.loc , .iloc 和 .ix。
2024-04-23 12:16:41
465
原创 Pandas学习------（一）
Pandas 是一个基于Python的第三方数据分析库，与numpy和matplotlib共同构成了pythoin数据分析的基础工具包。它提供了易于使用的数据结构和数据分析工具，特别适用于处理结构化数据，如表格型数据。Pandas主要引入了两种新的数据结构：DataFrame和Series。Pandas 提供了大量能使我们快速便捷地处理数据的函数和方法。
2024-04-21 12:37:55
662
1
转载 Numpy---------(十)
对于一维数组，它计算的是向量点积；对于多维数组，则它计算的是：每个数组最后轴作为向量，由此产生的内积。都是二维向量或者三维向量，否则抛出异常。（当然他们也可以是二维向量的数组，或者三维向量的数组，此时一一叉乘）对于一维数组，他计算的是内积；对于二维数组，他计算的是线性代数中的矩阵乘法。它始终接收一维数组。如果是多维数组，则展平成一维数组。:计算两个向量之间的叉乘。叉积用于判断两个三维空间的向量是否垂直。是多维数组，则展平成一维再点积。：返回一维向量之间的点积。5. 内积、外积、张量积。
2024-04-11 23:06:19
190
转载 Numpy-------(九)
1. numpy.where(condition[,x,y]):它类似于python的 x if condition else y。产生结果的方式为：如果condition 某个元素为True或者非零，则对应的结果元素从x中获取；所谓龙格现象：等距离差值多项式在两个端点处有非常大的震荡，默认情况下，返回两个数组：一个是拟合多项式的系数；提供了更丰富的多项式函数类。注意其中的多项式的系数按照次数从小到大排列。：为一个列表，列表元素为布尔数组，数组形状和。：为一个列表，列表元素为函数对象。
2024-04-10 23:49:46
335
转载 Numpy———（八）
类式用法主要使用类，它是一个伪随机数生成器的容器。它提供了一些方法来生成各种各样概率分布的随机数。。其中seed可以为Noneintarray_like。这个seed是初始化伪随机数生成器。如果seed为None，则会尝试读取或者来读取数据，或用者clock来做种子。保证了通过使用同一个seed以及同样参数的方法序列调用会产生同样的随机数序列（除了浮点数精度上的区别）。提供了一些方法来产生各种分布的随机数。这些方法都有一个共同的参数size。
2024-04-09 23:55:50
297
转载 Numpy--------(七)
指定形状创建一个随机的ndarray。每个元素值来自于半闭半开区间[0,1)并且服从均匀分布。ndarray[0,1)：指定形状创建一个随机的ndarray。每个元素值服从正态分布，其中正态分布的期望为0，方差为1。dindarray：返回一个随机的整数ndarray或者一个随机的整数值。highNone[0,low)high[low,high)sizendarrayNone：返回一个随机的整数ndarray或者一个随机的整数值。
2024-04-08 23:55:22
123
转载 Numpy----------(六)
可以通过将计算单个元素的函数转换成ufunc函数。func：计算单个元素的函数ninfunc的输入参数的个数noutfunc返回值的个数调用时，使用即可。也可以通过函数来实现的功能。其原型为：。func：计算单个元素的函数otypes：可以是一个表示结果数组元素类型的字符串，也可以是一个类型列表。如果使用类型列表，可以描述多个返回数组的元素类型doc：函数的描述字符串。若未给定，则使用excluded：指定func中哪些参数未被向量化。
2024-04-07 22:48:50
248
转载 Numpy—————（五）
参数，则创建新的数组来保存计算结果。函数会对这两个数组的对应元素进行计算。如果这两个数组的形状不同，就通过广播。对象像多维数组一样，使用切片元组作为下标，返回的是一组可以用于广播计算的数组。，则返回元组的每个数组的形状都是（ln,ln-1,......l2,l1）。但是它返回的是广播之后的数组，而不是广播之前的数组。即：数组的尺寸要严格匹配，并且数组的。每个转换前的一维数组，对应了一个转换后的。函数是对数组的每个元素进行运算的函数。返回的是广播前的数组，而不是广播后的数组。对象，用于创建广播运算用的数组。
2024-04-06 23:11:13
107
FME中的MAPGIS格式插件
2019-07-28
矿产资源登记统计信息系统（建库指南）.pdf
2021-02-02
C#5入门经典课程源代码
2018-06-02
测绘专业， GIS专业，大地测量学教程
2008-09-14
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人