学渣的博客

本文介绍正则表达式常用的用法。

可以为空，也可以定义包的属性和方法，但其必须存在，其它程序才能从这个目录中导入相应的模块或函数。文件，那么它就变成了一个包（package）。可以看到，几乎每个文件夹下都有。，一个目录如果包含了。

Python 程序能用很多方式处理日期和时间，转换日期格式是一个常见的功能。Python 提供了一个 time 和 calendar 模块可以用于格式化日期和时间。时间间隔是以秒为单位的浮点小数。Python 的 time 模块下有很多函数可以转换常见日期格式。

JSON (JavaScript Object Notation) 是一种轻量级的数据交换格式。

以下是 repr() 方法的语法: object – 对象。返回一个对象的 string 格式。例如我有一个字典data，如果需要把其转化成str格式，可以用 输出str格式的字典：可以看到输出多了一个双引号，而且效果和一样。有时候我有一串字符串，里面包含形如 这样类似转义字符但是我本意不是转义字符，这时候用 就可以实现忽略转义字符的转化：

Python中使用线程有两种方式：函数或者用类来包装线程对象。调用 _thread 模块中的start_new_thread()函数来产生新线程。语法如下:function - 线程函数。args - 传递给线程函数的参数,他必须是个tuple类型。kwargs - 可选参数。

conda 创建的虚拟环境在 spyder 上可以跑代码，但是到了 VSCode 就会报错。

默认在dark的背景下，代码选中后高亮的效果是浅浅的白色，那么如果我想实现如下效果该怎么操作呢？然后在搜索中输入：workbench.colorCustomizations。打开，并把以下代码插入。注意，颜色是可以选择的~

刚下载完 VSCode 使用的过程中，会发现导出提示语法错误（但是明明是没错的），非常讨厌：为什么会这样呢？因为编辑器无法识别这是python文件，所以导致其出现乱报错的情况，解决办法如下：搜索language，选择python，然后选择“Jedi”：

将py文件打包成可执行exe文件。

包括进程的打印和删除。

在计算机视觉中，我们有时候会需要用一个图片A去渲染另一个图片B，实现例如区域锁定的功能，流程如下：图片A图片B渲染后的图渲染效果本文介绍的彩色渲染效果是把单通道的灰度图（shape：(h高×w宽)(h高\times w宽)(h高×w宽) 转换成 (3通道数×h高×w宽)(3通道数 \times h高\times w宽)(3通道数×h高×w宽)），需要用到的函数有 cm.gist_earth()，完整的使用方法如下：先读取图片，看看大概样子：image = Image.open("./gr

本质是数值转图像，同时，前者的格式是（数量×\times×通道数×\times×长×\times×宽），后者的格式是（长×\times×宽×\times×通道数），因此在转变时得转置一下，幸运的是，torchvision 包里有一键转换的函数。为了神经网络更快收敛，我们需要把读取图片得到的 tensor 进行归一化，处理后的图片如果如果不进行反归一化到 [0,1]，出现了负值，就会变成下面这样：哦哦来看一下原图：1 归一化和反归一化总结一下他们的关系：读取的图片得到数值（范围大小在 [0,2

经过 pytorch 模型输出的图像以 array 的形式呈现，其shape 如下（图片数量，通道数，长，宽），本文结合代码，介绍如何使用和将上述形式的图像保存下来。

可以创造一个可视化的进度条，大概是这个效果：安装pip install tqdm用法最简单的举例：from tqdm import tqdmimport timek=0for i in tqdm(range(1000)): k=k+i time.sleep(0.01)效果：这个进度条改进下：k=0for i in tqdm(range(10)): k=k+i time.sleep(1) print("hi")每当循环到print

1 打开数据集adult.data这样的文件本质和csv文件一样，可以通过 pd.read_csv() 读取：adult = pd.read_csv("C://Users//54719//Desktop//adult.data")out：我们可以看到，这是一个32561*15的数据集，读取出来的是DataFrame，最后一列income是这个句数据集的标签，这是一个二分类的数据集。2 查看每一列的dtype可以通过 adult.loc[:,列名].dtype 或者 adult[列名].dt

目录为什么要标准化（数据预处理）？1.标准化 scale加强版 StandardScaler确定范围的标准化 MinMaxScaler2 正则化Normalization加强版 NormalizerNaN值的处理---ImputationLabelEncoder()、OneHotEncoder()请参阅：以下介绍的所有方法都源自于sklearn.preprocessing数据预处理相关理论：http://scikit-learn.sourceforge.net/stable/modules/prepr

本文讲的是与plot(), scatter(), pyplot()等绘图函数中常用的参数。

机器学习中的小批次数据生成器，上代码以备以后使用：#inputs, targets就是 X 和 ydef iterate_minibatches(inputs, targets, batchsize, shuffle=False): assert len(inputs) == len(targets) if shuffle: indices = np.arang...

本文讲述常见的图形绘制。，获取更多图形绘制方法。

时常需要跑数十个小时的来训练模型。奈何自己电脑的性能不过好，而谷歌 Colab 又没有GUI而且还限时。就在我一筹莫展的时候，突然发现了一个可以开启 Colab 桌面版的方法。白嫖高性能带GPU的虚拟机生活就此开始！右键获取某个文件的链接后，可以通过。首先要登录，然后切换目录。下载文件，注意保存路径。%ls “文件夹路径”

class Circle(object) : # 创建Circle类，Circle为类名 pass # 此处可添加属性和方法注意：我们定义的类都会继承于object类，当然也可以不继承object类；两者区别不大，但没有继承于object类使用多继承时可能会出现问题。有了Circle类的定义，就可以创建出具体的circle1、circle2等实例，circle1和circle2是个实际的圆。创建实例使用 类名+()，类似函数调用的形式创建。

描述filter() 函数用于过滤列表形式的序列，过滤掉不符合条件的元素，返回由符合条件元素组成的新列表，并以迭代器对象的形式返回。语法filter(function, iterable)function – 判断函数。iterable – 可迭代对象。示例过滤出列表中的所有奇数def is_odd(n): return n % 2 == 1newlist = filter(is_odd, [1, 2, 3, 4, 5, 6, 7, 8, 9, 10])# 因为返回的是迭代器，

在运行python代码时，由于使用不规范或者包版本问题，会爆出各种 warning解决import warningswarnings.filterwarnings('ignore')

正常情况下，AE的输入维度=输出维度，但是也可以不相等。放一个基础的写法：# 假设输入维度是 784，输出维度是20，中间维度是3in_size = 784out_size = 20#hyper paramsEPOCH = 500 LR = 0.005 # learning rateclass AutoEncoder(nn.Module): def __init__(self): super(AutoEncoder, self).__init__()

看图就懂了，参数 repeats 是要重复的次数：

目录1 统计array所有value出现的次数1 统计array所有value出现的次数和np.unique()有点类似，只不过返回的是一个dict()，看代码秒懂：from collections import Counterimport numpy as npxxx = np.random.randint(0,10,100)print(Counter(xxx))out:在返回的词典中，key表示数值，value表示出现的次数。...

目录1 修改 DataFrame 某一列的数据类型1 修改 DataFrame 某一列的数据类型问题描述：原来：

目录re.match()re.search()re.findall()匹配两个字符串之间的字符串并返回匹配某字符串之前/之后的所有字符串re.match()re.match() 尝试从字符串的起始位置匹配一个模式，如果不是起始位置匹配成功的话，match()就返回none。参数pattern：匹配的正则表达式string：要匹配的字符串。flags：标志位，用于控制正则表达式的匹配方式，如：是否区分大小写，多行匹配等等。参见：正则表达式修饰符 - 可选标志我们可以使用group(num)

目录1 基本格式2 异常类型3 用 raise 手动抛出异常4 利用 assert 自定义异常异常是Python程序在运行过程中引发的错误，如果程序中引发了未进行处理的异常，程序就会由于异常而终止运行，只有为程序添加异常处理，才能使程序更“健壮”。有时候，我们为了预防可能出现的错误，需要对一些数据或者操作的可行性进行分析判断，这里就涉及到python的异常处理功能了。1 基本格式try:　　 <语句（块）> #可能产生异常的语句（块）　　except <

本文介绍了 Isotonic regression 的定义、调用方法以及在模型输出校准领域的运用。目录1 定义2 调用方法1 定义The class IsotonicRegression fits a non-decreasing real function to 1-dimensional data. It solves the following problem:∑iwi(yi−y^i)2\sum_i w_i (y_i - \hat{y}_i)^2∑i​wi​(yi​−y^​i​)2subje

表示这一行还没结束，为了防止某一行过长，可以添加反斜杠“\”继续到下一行写作。

目录1 \_\_name__2 \_\_file__2.1 延伸用法-返回脚本绝对位置1 __name__一个python的文件有两种使用的方法，第一是直接作为脚本执行，第二是import到其他的python脚本中被调用（模块重用）执行。因此if __name__ == 'main': 的作用就是控制这两种情况执行代码的过程，在if __name__ == 'main':下的代码只有在第一种情况下（即文件作为脚本直接执行）才会被执行（if里面的代码），而 import 到其他脚本中是不会被执行的。if

基于scikit-learn注意 OneHotEncoder(sparse=False)，不然返回的就是索引值的形式from numpy import arrayimport numpy as npfrom sklearn.preprocessing import LabelEncoderfrom sklearn.preprocessing import OneHotEncoder# ...

目录1 字符串前加 u2 字符串前加 r3 字符串前加 b4 字符串前加 f1 字符串前加 u例：u"我是含有中文字符组成的字符串。"作用：后面字符串以 Unicode 格式 进行编码，一般用在中文字符串前面，防止因为源码储存格式问题，导致再次使用时出现乱码。2 字符串前加 r例：r"\n\n\n\n”　　 表示一个普通生字符串 \n\n\n\n，而不表示换行了。作用：去掉反斜杠的转移机制。（特殊字符：即那些，反斜杠加上对应字母，表示对应的特殊含义的，比如最常见的”\n”表示换行，”\t”

目录1 判断文件夹或文件是否存在？如果不存在就创建2 遍历某个文件夹下的所有文件夹3 判断某一文件夹是否为空？4 查找某一目录下的空文件夹5 删除文件或文件夹1 判断文件夹或文件是否存在？如果不存在就创建import osfile_or_dir = 'C:\\Users\\54719\\Desktop' # 文件路径if os.path.exists(file_or_dir): # 如果文件存在 print("文件夹或文件存在")else: print("文件夹或文件不存在，创建了一个文件

np.load()np.load()用于打开npz（包含多个数组）、npy（单个数组）文件。参数numpy.load(file, mmap_mode=None, allow_pickle=True, fix_imports=True, encoding=‘ASCII’)我们先要查看npz文件有几个数组文件with np.load(file_name) as f: print(f.fi...

这里写目录标题1 read方法2 readline方法3 readlines方法提前了解：open()相关参数1 read方法特点是：读取整个文件，将文件内容放到一个字符串变量中。劣势是：如果文件非常大，尤其是大于内存时，无法使用read()方法。file = open('兼职模特联系方式.txt', 'r') # 创建的这个文件，也是一个可迭代对象try: text = file.read() # 结果为str类型 print(type(text)) print(

想要用gpu加速得先安装CUDA和cuDNN。NVIDIA的显卡驱动程序和CUDA完全是两个不同的概念哦！CUDA是NVIDIA推出的用于自家GPU的并行计算框架，也就是说CUDA只能在NVIDIA的GPU上运行，而且只有当要解决的计算问题是可以大量并行计算的时候才能发挥CUDA的作用。CUDA的本质是一个工具包（ToolKit）；但是二者虽然不一样的。1.到官网查找版本关系pytorch-cuda版本对应torch 1.1.0 -> CUDA 9.2torch 1.2.0 -> C