<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[soga235的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/soga235</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; soga235]]></copyright><item><title><![CDATA[电荷泵电路（Charge Pump）用于升压的解析]]></title><link>https://blog.youkuaiyun.com/soga235/article/details/128821747</link><guid>https://blog.youkuaiyun.com/soga235/article/details/128821747</guid><author>soga235</author><pubDate>Tue, 31 Jan 2023 18:31:59 +0800</pubDate><description><![CDATA[升压的电荷泵电路（Charge Pump），也称为开关电容转换器（Switched Capacitor Converter）。老粉丝都知道，公众号很久之前就发布了一篇阐述电感、电容、二极管构成的BOOST升压方案的文章，那为什么还要讨论电荷泵方案的升压电路呢？]]></description><category></category></item><item><title><![CDATA[模拟开关和多路复用器的基础参数（导通电阻，电容，漏电流，关断隔离等）介绍]]></title><link>https://blog.youkuaiyun.com/soga235/article/details/128819528</link><guid>https://blog.youkuaiyun.com/soga235/article/details/128819528</guid><author>soga235</author><pubDate>Tue, 31 Jan 2023 16:31:46 +0800</pubDate><description><![CDATA[在测试测量相关应用中，模拟开关和多路复用器有着非常广泛的应用，例如运放的增益调节、ADC分时采集多路传感器信号等等。虽然它的功能很简单，但是仍然有很多细节，需要大家在使用的过程中注意。所以，在这里为大家介绍一下模拟开关和多路复用器的基础参数（导通电阻，电容，漏电流，关断隔离等）。]]></description><category></category></item><item><title><![CDATA[浅析磁传感器HALL、AMR、GMR、TMR技术（转载）]]></title><link>https://blog.youkuaiyun.com/soga235/article/details/128200105</link><guid>https://blog.youkuaiyun.com/soga235/article/details/128200105</guid><author>soga235</author><pubDate>Tue, 06 Dec 2022 11:37:00 +0800</pubDate><description><![CDATA[磁传感器广泛用于现代工业、汽车和电子产品中以感应磁场强度来测量电流、位置、角度、速度等物理参数。在现有技术中，磁传感器包含霍尔（Hall）元件、各向异性磁电阻AMR（Anisotropic Magneto resistance， AMR）元件、巨磁电阻GMR（Giant Magneto resistance， GMR）元件及隧道磁电阻TMR（Tunnel Magneto Resistance）。]]></description><category></category></item><item><title><![CDATA[直方图均衡（HE）原理及实测可用的均衡化代码]]></title><link>https://blog.youkuaiyun.com/soga235/article/details/127909074</link><guid>https://blog.youkuaiyun.com/soga235/article/details/127909074</guid><author>soga235</author><pubDate>Thu, 17 Nov 2022 18:19:43 +0800</pubDate><description><![CDATA[直方图均衡(HE)是图像增强处理中对比度变换调整中最典型的方法。该方法是空域增强中最常用、最简单有效的方法之一，其采用灰度统计特征，将原始图像中的灰度直方图从较为集中的某个灰度区间转变为均匀分布于整个灰度区域范围的变换方法。]]></description><category></category></item><item><title><![CDATA[Python直接安装opencv的方法]]></title><link>https://blog.youkuaiyun.com/soga235/article/details/126423928</link><guid>https://blog.youkuaiyun.com/soga235/article/details/126423928</guid><author>soga235</author><pubDate>Fri, 19 Aug 2022 14:15:39 +0800</pubDate><description><![CDATA[其中opencv的python版本可以和自己的python一致。]]></description><category></category></item><item><title><![CDATA[磁珠和去耦电感的区别]]></title><link>https://blog.youkuaiyun.com/soga235/article/details/126362765</link><guid>https://blog.youkuaiyun.com/soga235/article/details/126362765</guid><author>soga235</author><pubDate>Tue, 16 Aug 2022 11:35:16 +0800</pubDate><description><![CDATA[电感和磁珠的一些区别，查看链接，可以对电感有更深的学习]]></description><category></category></item><item><title><![CDATA[C语言访问二维数组的方法]]></title><link>https://blog.youkuaiyun.com/soga235/article/details/124908385</link><guid>https://blog.youkuaiyun.com/soga235/article/details/124908385</guid><author>soga235</author><pubDate>Sun, 22 May 2022 11:20:28 +0800</pubDate><description><![CDATA[]]></description><category></category></item><item><title><![CDATA[C语言中的指向常量的指针与常量指针]]></title><link>https://blog.youkuaiyun.com/soga235/article/details/124903561</link><guid>https://blog.youkuaiyun.com/soga235/article/details/124903561</guid><author>soga235</author><pubDate>Sat, 21 May 2022 21:19:53 +0800</pubDate><description><![CDATA[指针在C语言中确实是比较难以理解和操作使用，指向常量的指针主要是无法改变使用指针改变指向的常量值，常量指针主要指针的地址不变固定。



常量指针：







每次难以理解的时候再次回来看看定义。



参考：《c语言入门经典(第5版)》.((美)霍尔顿


...]]></description><category></category></item><item><title><![CDATA[Tensorflow 中安装opencv核心包]]></title><link>https://blog.youkuaiyun.com/soga235/article/details/124577535</link><guid>https://blog.youkuaiyun.com/soga235/article/details/124577535</guid><author>soga235</author><pubDate>Wed, 04 May 2022 21:02:39 +0800</pubDate><description><![CDATA[后面蓝线是指的tensorflow的安装包位置，当做参考
]]></description><category></category></item><item><title><![CDATA[机器学习之信用卡欺诈检测（零基础，附数据及详细python代码2022年Tensorflow2）]]></title><link>https://blog.youkuaiyun.com/soga235/article/details/123648081</link><guid>https://blog.youkuaiyun.com/soga235/article/details/123648081</guid><author>soga235</author><pubDate>Mon, 21 Mar 2022 22:28:24 +0800</pubDate><description><![CDATA[首先该数据参考：机器学习项目实战之信用卡欺诈检测（零基础，附数据及详细python代码）

(4条消息) 机器学习项目实战之信用卡欺诈检测（零基础，附数据及详细python代码）_西南交大-Liu_z的博客-优快云博客_信用卡欺诈检测pythonhttps://blog.youkuaiyun.com/qq_40683479/article/details/89221558

对于参考链接上的pandas的ix 提取数据列，会出现错误，故相应进行修改使用panda的iloc功能实现：

(6条消息) Python:..]]></description><category></category></item><item><title><![CDATA[回测函数pyfolio的安装]]></title><link>https://blog.youkuaiyun.com/soga235/article/details/122903933</link><guid>https://blog.youkuaiyun.com/soga235/article/details/122903933</guid><author>soga235</author><pubDate>Sat, 12 Feb 2022 23:32:41 +0800</pubDate><description><![CDATA[pyfolio是一个由quantinc .开发的用于金融投资组合的性能和风险分析的Python库。它可以很好地与Zipline开源回溯测试库一起工作。quant还为专业人士提供全面管理的服务，包括Zipline、Alphalens、Pyfolio、FactSet数据等。
pyfolio的核心是所谓的“ so-called tear sheet ”，它由各种各样的独立图组成，这些图提供了交易算法表现的综合图像。
GitHub地址:https://github.com/quantopian/p


...]]></description><category></category></item><item><title><![CDATA[keras的datasets的数据下载包括MNIST，CIFAR等]]></title><link>https://blog.youkuaiyun.com/soga235/article/details/122530288</link><guid>https://blog.youkuaiyun.com/soga235/article/details/122530288</guid><author>soga235</author><pubDate>Mon, 24 Jan 2022 12:29:39 +0800</pubDate><description><![CDATA[tf.keras.datasets

(3条消息) tf.keras.datasets学习并解析_New_Leaf的博客-优快云博客_keras.datasetshttps://blog.youkuaiyun.com/New_Leaf/article/details/106310814

CIFAR10数据集的下载及使用 - 知乎 (zhihu.com)https://zhuanlan.zhihu.com/p/129081723
...]]></description><category></category></item><item><title><![CDATA[sklearn方法的归一化处理]]></title><link>https://blog.youkuaiyun.com/soga235/article/details/122220910</link><guid>https://blog.youkuaiyun.com/soga235/article/details/122220910</guid><author>soga235</author><pubDate>Wed, 29 Dec 2021 17:41:42 +0800</pubDate><description><![CDATA[泰坦尼克号数据中：



后面7列的数据特征特区以及进行归一化处理。



Feature的提取：


ndarray_data=selected_df_data.values #转换为数组方法
Features = ndarray_data[:,1:] #提取特征,除名字外
print(Features)

Feature的归一化处理：


from sklearn import preprocessing
minmax_scale =preprocessing.MinMaxScaler(featu...]]></description><category></category></item><item><title><![CDATA[pandas数据的读取操作方法汇总分析（涉及转义字符的数据地址问题以泰坦尼克号数据为例）]]></title><link>https://blog.youkuaiyun.com/soga235/article/details/122176702</link><guid>https://blog.youkuaiyun.com/soga235/article/details/122176702</guid><author>soga235</author><pubDate>Mon, 27 Dec 2021 17:40:57 +0800</pubDate><description><![CDATA[Python_报错：SyntaxError: (unicode error) 'unicodeescape' codec can't decode bytes in position 2-3: truncated \UXXXXXXXX escape - 翻滚的小强 - 博客园 (cnblogs.com)https://www.cnblogs.com/rychh/p/9743864.html经常会遇到数据的读取，数据的读取是数据处理使用pandas数据读取汇总，以泰坦尼克号的数据为样本，具体见方法.

方法一]]></description><category></category></item><item><title><![CDATA[Crosstab混淆矩阵应用及预测错误位置应用]]></title><link>https://blog.youkuaiyun.com/soga235/article/details/122135325</link><guid>https://blog.youkuaiyun.com/soga235/article/details/122135325</guid><author>soga235</author><pubDate>Fri, 24 Dec 2021 20:22:02 +0800</pubDate><description><![CDATA[通过pandas中的crosstab调用混淆矩阵，来查看哪些结果最容易混淆，对角线部分，为正确预测的部分，其它部分则是预测错误的部分。


import pandas as pd
pd.crosstab(test_labels,prediction,rownames=['label'],colnames=['predict'])



查看预测错误位置的数据：


df = pd.DataFrame({'label':test_labels,'predict':prediction})
print(df..]]></description><category></category></item><item><title><![CDATA[Keras 报错AttributeError: ‘Sequential‘ object has no attribute ‘predict_classes‘解决方法（亲测正确解决方法）]]></title><link>https://blog.youkuaiyun.com/soga235/article/details/122134969</link><guid>https://blog.youkuaiyun.com/soga235/article/details/122134969</guid><author>soga235</author><pubDate>Fri, 24 Dec 2021 20:13:41 +0800</pubDate><description><![CDATA[Python Keras 报错AttributeError: 'Sequential' object has no attribute 'predict_classes'解决方法-CJavaPyhttps://www.cjavapy.com/article/2239/

以上链接为对于该问题的解释以及解决方法，同时出现该问题原因如下：

1.没有使用汉堡式建模

2.tensorflow在2.6以上



解决方法：


predict_x=model.predict(X_test) 
classes_x.]]></description><category></category></item><item><title><![CDATA[sparse_categorical_crossentropy”和“categorical_crossentropy”损失函数区别]]></title><link>https://blog.youkuaiyun.com/soga235/article/details/122133426</link><guid>https://blog.youkuaiyun.com/soga235/article/details/122133426</guid><author>soga235</author><pubDate>Fri, 24 Dec 2021 18:05:03 +0800</pubDate><description><![CDATA[这个可以参照：

(2条消息) 简洁明了的tensorflow2.0教程——用keras实现mnist数字识别_JohnLeeK的博客-优快云博客_tf.keras.datasets.mnisthttps://blog.youkuaiyun.com/JohnLeeK/article/details/106423634和(2条消息) Tensorflow2的MNIST数字识别实例及代码（jupyter长截图）_soga235的博客-优快云博客https://blog.youkuaiyun.com/soga235/articl..]]></description><category></category></item><item><title><![CDATA[Keras 初始使用以及初始化（卷积通道链接）]]></title><link>https://blog.youkuaiyun.com/soga235/article/details/122125056</link><guid>https://blog.youkuaiyun.com/soga235/article/details/122125056</guid><author>soga235</author><pubDate>Fri, 24 Dec 2021 12:05:27 +0800</pubDate><description><![CDATA[(1条消息) [Tensorflow2.0 keras]初始化（自定义）网络层参数_Strengthennn的博客-优快云博客_keras 参数初始化https://blog.youkuaiyun.com/Strengthennn/article/details/117982570

(1条消息) Keras kernel_initializer 权重初始化的方法_hyl999的专栏-优快云博客_kernel_initializerhttps://blog.youkuaiyun.com/hyl999/article/detai]]></description><category></category></item><item><title><![CDATA[tensorflow训练神经网络的在线]]></title><link>https://blog.youkuaiyun.com/soga235/article/details/122102980</link><guid>https://blog.youkuaiyun.com/soga235/article/details/122102980</guid><author>soga235</author><pubDate>Thu, 23 Dec 2021 11:28:47 +0800</pubDate><description><![CDATA[zhttp://playground.tensorflow.org/#activation=tanh&amp;batchSize=10&amp;dataset=circle®Dataset=reg-plane&amp;learningRate=0.03®ularizationRate=0&amp;noise=0&amp;networkShape=4,2&amp;seed=0.65674&amp;showTestData=false&amp;discretize=false&amp;percTrainData]]></description><category></category></item><item><title><![CDATA[训练数据的归一化处理]]></title><link>https://blog.youkuaiyun.com/soga235/article/details/122102566</link><guid>https://blog.youkuaiyun.com/soga235/article/details/122102566</guid><author>soga235</author><pubDate>Thu, 23 Dec 2021 11:17:54 +0800</pubDate><description><![CDATA[对于一般的数据（如两列的数据特征，第三列是label）



数据的归一化处理


# 归一化处理
for i in range(2):
    x_data[:,i]=(x_data[:,i]-x_data[:,i].min())/(x_data[:,i].max()-x_data[:,i].min())

图片数据的归一化处理：

图片数据：



归一化代码：


train_x=tf.cast(train_x/255.0,tf.float32)
valid_x=tf.cast(valid_x/2..]]></description><category></category></item></channel></rss>