weixin_41803339的博客

序言python中的装饰器作用是提高代码复用性，可用于注册各种func，这里做一下记录。代码简单装饰器def logger(func): print("2平方根是:", func(2))@loggerdef func_tmp(x=2): return x**2传参装饰器def loggerv2(x): def operater(func): print("%d平方根是:"%x,func(x)) # return func r

序言在模型剪枝，模型量化以及模型中间层分析过程中都需要一个hook来得到中间结果。这里记录torch的register_hook和register_forward_hook两种方法。register_hookregister_hook是为了获取反向计算的梯度值。def get_grad(grad): print("backward grad is:", grad)x = 2w = torch.randn((2, 1), requires_grad=True)print("init w

序言kmeans是无监督学习算法之一，通过随机选择设置的k哥聚类中心，对每一个训练样本计算到k个聚类中心的距离，选择最近距离的一个中心将样本分配给他，最后对每一个聚类中心聚到一起的样本求均值得到新的聚类中心，新的聚类中心和旧的聚类中心之间做差，如果差小于我们设定的最小距离，那么就找到了聚类中心，没有就继续更新。代码import numpy as npfrom copy import deepcopyclass Kmeans(object): """ Kmeans Algorith

序言KNN作为最基础的机器学习算法，是很多学习算法的孩子们最先接触到的，但该算法从头到尾自己实现也是有一定难度，很多课程只是教怎么调封装好的算法库，却没有教核心的算法怎么从头实现，所以有点舍本逐末。算法核心1、近朱者赤，近墨者黑。根据临近的标签值通过投票法则确定样本类别。2、每一个未知样本都要计算它到所有已知有标签样本的距离。3、k值选择比较重要。代码实现import numpy as npdef createdata(): """ 创建一个数据集 Return:

1、前言 深度学习模型可以简单理解为一个高度非线性的复合函数，网路输入可以看作自变量x，输出可以看作因变量y。看过网上其他人做的一些双色球预测，基本上是基于BP神经网络（也就是全连接神经网络）和LSTM的预测方法。其中我认为基于LSTM的方法靠谱一些。但因为本身对LSTM不熟悉，以及我认为卷积神经网络也可以用来做双色球预测，接下来进行尝试。2、数据爬取深度学习模型是基于数据驱动的表达机制，因此首先我们需要获取双色球历史数据，爬虫代码如下：import requests, bs4impo.

1、引言 毕业的文件因为疫情影响，很多签名要使用电子签名，众所周知，电子签名可以使用Photoshop制作，但是Photoshop安装过程复杂，占内存，杀鸡焉用牛刀！网上提供的在线转换也要注意安全性！因此我用python写了制作电子签名的方法。2、代码 不废话，直接上代码。# coding: utf-8# Author: An Chaofrom PIL i...

1、深度学习的数据标注是一件惨绝人寰的事情。2、可利用一些参数量大的模型生成掩码，再利用opencv寻找边界，将边界点写入json文件。用labelme读入这些json文件，进行矫正，能够大幅度减少人为标定的工作量。3、代码：# -*- coding: utf-8 -*-import osimport torchfrom cv2 import findContours,con...