驽马十驾，功在不舍；锲而不舍，金石可镂。

python 常用操作1.python默认安装位置2.安装某个库2.1 直接通过pip安装2.2 通过下载.whl安装3.查看本机的安装的模块/库3.1 查看本机的安装的模块/库3.2 查看某个模块/库的版本号4.修改 jupyter notebook 默认文件路径及浏览器5.修改默认镜像源1.python默认安装位置python 默认安装位置：C:\Users*\AppData\Local\Programs\Python\Python2.安装某个库2.1 直接通过pip安装 python -

pytorch+win10+pip安装 for 2080TI GPU1.Pytorch安装2.CUDA安装3.cudnn安装4.安装过程中可能遇到的bug4.1 ImportError: numpy.core.multiarray failed to import参考文献新入手2块2080TI GPU1.Pytorch安装在https://pytorch.org/pytorch主页选择对应的torch及torchvision版本：pip install torch==1.7.0+cu101 tor

快速解决python中的bug，这里总有你需要的。

python文件的读取、保存操作1.图片的操作1.1 图片的读取1.1.1 cv2读取图片1.1.2 cv2保存为图片2.保存结果至txt参考文献1.图片的操作1.1 图片的读取1.1.1 cv2读取图片cv2.imread(filename[, flags])以读取一张tif图片为例：img="D:\\***.tif"data2=cv2.imread(img,2)opencv 官方文献中给出的不同flags代表的读取类型，如下：filename – Name of file t

matplotlib画图

人工智能模型训练过程中的进度条（python）1.基于print的进度条1.1 基础介绍1.2 代码举例2.使用sys.stdout.write进行打印2.1 一般情况2.2 存在多个sys.stdout.write的情况2.2.1 不符合预期的打印结果2.2.2 一般性的解决方法参考文献1.基于print的进度条1.1 基础介绍这里使用了转义字符\r，其目的是下次打印时从本行开头进行打印。如果print里设置end=''，则不会换行，这时下次打印会对上次结果进行覆盖。如果print里设置end=

深度神经网络可视化工具

pretty结果示例1.使用tabulate参考文献1.使用tabulate使用tabulate将26个英文大写字符与其对应的ASCII码显示出来：import strings=string.ascii_uppercaset=dict([i,{'alpha':s[i],'digit code':ord(s[i])}]for i in range(26))from tabulate import tabulateheaders = t[list(t.keys())[0]].keys()ta

众所周知，在数据驱动的深度学习时代，数据读取无论在训练/测试环节还是在推断环节，都是比较耗时的。如果这个任务你只执行一次的情况，那还好。如果今天运行结束，存储变量消失，改天还要再训练，那就是一件麻烦事。如果老板没看出来还行，如果老板发现你是用这段时间在摸鱼，那就麻烦了。有没有什么好办法呢？一种方法就是多进程，例：使用这种方法，一方面要求你的电脑性能高，另一方面其实读取速度也未必能尽如人意。各种百度以及亲身体验，终于发现h5py是一款处理此问题的大杀器。它的使用非常简单。

在使用python进行人工智能训练过程中，往往要保存一些过程数据，方便对比或查看。这里使用pickle包，将每项过程数据保存成字典的形式，存储在pickle中；另外为了方便可视化，可将pickle数据写入到txt中。

机器学习常用术语1. OOB2. 维度灾难参考文献1. OOB2. 维度灾难参考文献[1]

本博客主要参考了。

聚类常用方法学习1.DBSCAN2.高斯混合模型(GMM)与EM算法的推导参考文献1.DBSCAN下面网址提供了很好的演示。https://www.naftaliharris.com/blog/visualizing-dbscan-clustering/2.高斯混合模型(GMM)与EM算法的推导具体推导过程可见李航老师《统计学习方法》9.3节。算法实现可参考：https://github.com/chenwj1989/MLSP/tree/master/gmm以3个高斯混合分模型为例：参考文

为了深入介绍此算法，先说明一些背景知识。

马尔科夫链(Markov chain)及其模型在机器学习中应用广泛，本文结合一些参考资料做一个总结。

寻找更鲁棒的方法过滤掉异常点，以获得更准确的模型预测参数。

AdaBoost 二分类问题训练误差界的2种证明方法1.训练误差界定理2.不等式部分的两种证明方法2.1 《统计学习方法》给出的证明2.2 Freund与Schapire的paper证法参考文献1.训练误差界定理引自李航老师《统计学习方法》P161 定理8.2：∏m=1MZm=∏m=1M[2em(1−em)]\prod\limits_{m=1}^MZ_m=\prod\limits_{m=1}^M[2\sqrt{e_m(1-e_m)}]m=1∏M​Zm​=m=1∏M​[2em​(1−em​)​]&nbs

CART 代价复杂度CCP剪枝1.CCP算法1.1 代价复杂度函数参考文献以classification分类为例：1.CCP算法代价复杂度剪枝（CCP）是决策树的一种后剪枝算法。1.1 代价复杂度函数Rα(T)=R(T)+α⋅∣f(T)∣R_\alpha (T) = R(T) + \alpha \cdot | f(T) |Rα​(T)=R(T)+α⋅∣f(T)∣ R(T)R(T)R(T):训练/学习错误率 f(T)f(T)f(T):决策树T的叶子结点个数R(T)=∑t∈f(

打印sklearn.tree.DecisionTreeClassifier生成的决策树各node1.sklearn.tree.DecisionTreeClassifier调用例子2.决策树打印成文本方法2.1 方法一：控制台中使用命令打印（本人使用的是spyder）2.2 方法二：修改sklearn.tree自带子函数打印结果1.sklearn.tree.DecisionTreeClassifier调用例子假设对以下数据通过决策树进行分类：from sklearn import treefrom s

从SVD到PCA1.奇异值分解（singular value decomposition，SVD）1.奇异值分解（singular value decomposition，SVD）

一文看懂普通卷积、反转卷积以及空洞卷积convolution、 transform convolution、dilated convolution首先是普通卷积新的改变我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客：全新的界面设计 ，将会带来全新的写作体验；在创作中心设置你喜爱的代码高亮样式，...............

loss函数大全参考文件平均绝对误差（MAE）/L1 Loss当torch.nn.L1Loss的参数reduction选择’sum’时即为L1 loss；当选择 ‘mean’ /'none’时，即为MAE。KaTeX parse error: Can't use function '\]' in math mode at position 74: …_i^p} \right|} \̲]̲............

1.Dice Loss

pytorch 常用loss函数整理篇（三）1.SSIM及MS-SSIM原理介绍2.SSIM及MS-SSIM Loss pytorch实现代码参考文献之前介绍的常用Loss函数见：pytorch 常用loss函数整理篇（一）pytorch 常用loss函数整理篇（二）本文主要介绍SSIM（structural similarity index）与MS-SSIM（multiscalestructural similarity index） Loss。SSIM和MS-SSIM，作为评价图像质量的重要指