星晖云游者-优快云博客

原创【深度学习】深入理解卷积神经网络（CNN）：从代码实现到可视化（附程序和数据集）

本文将通过一系列 Python 代码，详细介绍如何构建一个简单的卷积神经网络，并展示如何通过可视化技术来理解卷积核的作用。我们将从代码实现、训练过程、梯度检查到卷积核的可视化，逐步深入探讨 CNN 的工作原理。本文通过一系列代码展示了如何从零开始构建一个简单的卷积神经网络，并展示了如何通过可视化技术来理解卷积核的作用。训练完成后，我们可以绘制训练和测试的准确率曲线，观察模型的学习效果。中，我们展示了如何将卷积核应用于图像，生成卷积后的特征图。：用于可视化卷积核的权重，展示学习前后的卷积核变化。

2024-12-22 22:04:36 2662

原创【机器学习】股票价格预测：基于LSTM模型的完整实现与优化（附可运行代码及进阶操作）

用于评估训练好的LSTM模型，生成预测结果并进行可视化。: 定义LSTM模型的架构。: 处理命令行参数，设置模型的超参数。train.py: 训练LSTM模型，并在训练过程中保存模型。dataset.py: 负责数据加载和预处理。文件地址这些文件共同构成了一个完整的LSTM模型实现，涵盖了从数据处理到模型训练和评估的全过程。

2024-12-20 19:50:06 3748

原创【Python项目实战】爬取中国天气网天气数据

通过本文的介绍，你可以轻松使用Python爬取中国天气网上的天气数据。

2025-01-16 00:25:03 1531

原创【大模型应用系列】DeepSeek：AI领域的性价比之王

例如，其推出的DeepSeek-V3模型，拥有6710亿参数，训练成本仅为557.6万美元，远低于GPT-4等国际顶级模型的训练成本。例如，一个电商平台可以使用DeepSeek-V3来处理用户的常见问题，如订单查询、退换货政策等，从而减少人工客服的工作量。未来，随着更多开发者和企业加入DeepSeek的生态，其技术优势和成本效益将进一步放大，成为AI领域不可或缺的力量。例如，一个在线学习平台可以使用DeepSeek-V3来生成个性化的学习计划、解答学生的问题、或者提供实时的学习反馈。

2025-01-14 01:27:12 1927

原创【AI游戏】基于OpenAI打造自动生成剧情的 Python 游戏

我们将创建一个基于文本的冒险游戏，玩家可以通过选择不同的路径来影响剧情的发展。游戏的核心是利用 OpenAI 的 GPT 模型动态生成剧情内容。每次玩家做出选择后，GPT 会根据选择生成一段独特的故事情节。

2025-01-13 21:06:37 1515

原创【AI游戏】使用强化学习玩 Flappy Bird：从零实现 Q-Learning 算法（附完整资源）

通过本文，我们实现了一个基于 Q-Learning 的 Flappy Bird AI。Q-Learning 是一种简单但有效的强化学习算法，适合解决状态空间较小的问题。未来可以尝试使用更复杂的算法（如 DQN）来进一步提升 AI 的表现。

2025-01-09 23:30:59 2912

原创第八章：深度卷积神经网络（Deep Convolutional Network）在MNIST数据集上的应用

MNIST数据集是一个广泛使用的手写数字数据集，包含60,000张训练图像和10,000张测试图像。每张图像的大小为28x28像素，灰度图像，标签为0到9的数字。本文详细介绍了如何使用深度卷积神经网络在MNIST数据集上进行训练、测试和错误分析。通过可视化训练过程中的损失和准确率，我们可以更好地理解模型的训练效果。此外，我们还探讨了如何使用半精度浮点数加速计算。希望本文能为读者在深度学习领域的实践提供一些帮助。

2025-01-08 13:39:35 1059

原创第七章：卷积神经网络（CNN）并进行梯度检查与可视化

在深度学习领域，卷积神经网络（CNN）是处理图像数据的强大工具。本文将详细介绍如何使用Python实现一个简单的卷积神经网络，并通过梯度检查来验证反向传播的正确性。此外，我们还将展示如何可视化卷积层的滤波器，并应用这些滤波器到图像上，帮助读者更好地理解CNN的工作原理。

2025-01-07 15:59:20 1243

原创使用Python实现烟花效果（点击放烟花）附资源

我们将创建一个窗口，用户可以在窗口中点击鼠标来生成烟花。烟花会在点击的位置爆炸，并产生多个粒子，这些粒子会以随机的速度和方向扩散，然后受到重力的影响逐渐下落并消失。

2025-01-03 16:09:53 1048

原创使用深度Q学习（DQN）训练飞机大战游戏智能体

在强化学习领域，深度Q学习（Deep Q-Network, DQN）是一种非常流行的算法，它结合了Q学习和深度神经网络，能够处理高维状态空间的问题。本文将介绍如何使用DQN算法来训练一个飞机大战游戏的智能体，并附上完整的代码实现。接下来，我们编写训练智能体的代码。训练过程包括多个回合（episodes），每个回合中智能体与环境交互，收集经验并更新模型。：将智能体的经验（状态、动作、奖励、下一个状态、是否结束）存储在经验回放缓冲区中。：该类实现了DQN智能体的核心功能，包括经验回放、动作选择、模型训练等。

2024-12-30 22:28:15 877

原创第六章：深度学习中的超参数优化与模型训练技巧

本文介绍了深度学习中的超参数优化、优化器选择、权重初始化、Dropout和Batch Normalization等技术。通过这些技术，我们可以有效地提升模型的性能并防止过拟合。希望本文能帮助你在深度学习模型的训练过程中取得更好的效果。

2024-12-26 18:59:16 862

原创第五章：使用Python实现简单的神经网络与梯度检查

通过本文，我们实现了一个简单的神经网络，并使用梯度检查来验证反向传播的正确性。我们还使用MNIST数据集对网络进行了训练，并观察了训练过程中的损失和准确率变化。希望本文能帮助你更好地理解神经网络的前向传播和反向传播过程。

2024-12-26 18:42:39 517

原创第四章：梯度下降法与神经网络实现详解

梯度下降法是一种通过迭代更新参数来最小化损失函数的优化算法。其核心思想是沿着损失函数的负梯度方向更新参数，从而逐步逼近损失函数的最小值。梯度下降法的更新公式如下：其中：θθ 是模型参数。ηη 是学习率，控制每次更新的步长。∇θJ(θ)∇θJ(θ) 是损失函数 J(θ)J(θ) 对参数 θθ 的梯度。我们定义一个简单的神经网络类simpleNet，它包含一个全连接层，并使用梯度下降法进行优化。self.W = np.random.randn(2, 3) # 初始化权重。

2024-12-25 23:06:45 695

原创第三章：使用Python实现MNIST手写数字识别

MNIST数据集包含了60000张训练图像和10000张测试图像，每张图像都是28x28像素的灰度图，表示手写数字0到9。我们的任务是构建一个神经网络模型，能够正确识别这些手写数字。通过本文的介绍，我们学习了如何使用Python实现MNIST手写数字识别任务。我们从数据加载、网络初始化、前向传播、准确率计算等方面进行了详细讲解，并对比了不同的激活函数。此外，我们还学习了如何显示MNIST数据集中的图像。这些内容为后续更复杂的深度学习模型打下了坚实的基础。

2024-12-25 18:17:29 359

原创第二章：Python实现基本逻辑门与简单神经网络

逻辑门是数字电路的基本构建块，它们执行简单的逻辑运算，如与（AND）、或（OR）、非（NOT）、与非（NAND）、或非（NOR）和异或（XOR）。在本章中，我们将重点介绍如何使用Python实现与门（AND）、或门（OR）、与非门（NAND）和异或门（XOR）。在本章中，我们介绍了如何使用Python实现基本的逻辑门，并通过组合这些逻辑门来实现异或门。我们学习了如何使用numpy库来计算权重和偏置，并通过简单的代码示例展示了如何实现与门、或门、与非门和异或门。

2024-12-24 23:29:35 591

原创第一章：Python基础与简单图形绘制

接下来，我们来看一个稍微复杂一点的例子，展示如何在Python中定义类和方法。文件名man.pyclass Man:"""示例类""" # 示例类")")")m.hello()在这个例子中，我们定义了一个名为Man__init__hello和goodbye。__init__方法用于初始化对象，hello和goodbye方法分别用于打招呼和告别。通过这个例子，我们可以学习到如何在Python中定义类和方法，以及如何使用这些方法。

2024-12-24 23:10:51 319

原创标题：基于深度学习的图像修复技术：从理论到实践

本文介绍了基于深度学习的图像修复技术，并通过代码实现展示了如何使用预训练的生成网络模型进行图像修复。我们详细讲解了代码的实现过程，包括加载预训练模型、读取输入图像和掩膜、生成修复图像以及保存修复结果。通过本文的学习，读者可以掌握如何使用深度学习技术进行图像修复，并将其应用于实际项目中。希望本文能够帮助你更好地理解图像修复技术，并在实际应用中取得更好的效果。

2024-12-23 23:11:23 997

原创深入理解卷积神经网络（CNN）：从简单到复杂的实现与优化

在本文中，我们深入理解了如何构建一个更深的卷积神经网络，并通过实验验证了其在 MNIST 数据集上的性能。我们还学习了如何通过优化器加速训练、如何通过减少数据类型来加速计算，以及如何分析模型的错误分类情况。这些技术不仅能够提高模型的准确率，还能够加速模型的训练和推理过程，为实际应用提供了重要的参考。

2024-12-23 16:44:13 926

原创 Python 飞机大战游戏开发与优化（V1.1更新）（Pygame 实现）

本文将介绍如何使用 Pygame 开发一个简单的“飞机大战”游戏，并逐步优化游戏的视觉效果和功能。我们将从基础的代码实现开始，逐步添加飞机模型、敌人模型、背景图片、音效等，最终让游戏变得更加生动和有趣。我们为飞机和敌人添加了图片模型，替换了背景图片，并增加了音效和游戏结束界面的功能。为了让游戏更加生动，我们可以为飞机和敌人添加图片模型，并使用背景图片替换纯黑色背景。在游戏结束时，显示最终得分，并提供重新开始游戏的选项。为游戏添加射击音效和碰撞音效，提升游戏的反馈感。的图片来替换飞机的白色矩形。

2024-12-22 14:47:52 518

原创【深度学习进阶】使用 PyTorch 训练 CIFAR-10

我们定义了一个深度卷积神经网络（CNN），包含多个卷积层、批归一化层、池化层和全连接层。

2024-12-21 17:17:40 483

原创用Python实现经典游戏——飞机大战（代码附在文末）

飞机大战”是一款经典的射击游戏，玩家控制一架飞机，通过左右移动和发射子弹来消灭敌人。游戏的目标是尽可能多地消灭敌人，并避免被敌人击中。随着分数的增加，游戏会进入下一关，敌人的速度和数量也会增加，从而增加游戏难度。通过本文，我们实现了一个简单的“飞机大战”游戏，并逐步增加了关卡系统、难度递增等功能。Pygame是一个非常适合初学者的游戏开发库，通过学习本文，你可以掌握如何使用Pygame创建游戏窗口、处理用户输入、实现精灵类以及碰撞检测等基本功能。完整代码（下载可直接使用）

2024-12-21 12:57:11 1206

原创 Python数据分析实战：中国银行股票数据可视化与统计（附源码和数据集，点击运行）

是常用的技术指标之一，用于判断股票趋势和买卖信号。它由快速移动平均线（EMA12）、慢速移动平均线（EMA26）和信号线（DEA）组成，通过它们的交叉来生成买卖信号。DIFDEA= DIF的9日EMAMACD柱K线图是股票市场中常用的图表类型，它能够直观地展示股票的开盘价、收盘价、最高价和最低价。通过K线图，投资者可以更好地理解股票的价格波动。

2024-12-20 17:10:12 1123

原创 Python数据分析实战：世界杯球队数据可视化与统计（附源码和数据集，点击运行）

通过本文的案例，我们展示了如何使用Python进行数据分析和可视化。从数据读取、清洗到统计分析，再到最终的可视化展示，每一步都体现了Python在数据处理方面的强大能力。希望本文能帮助你更好地理解如何利用Python进行数据分析，并在实际项目中应用这些技术。可直接下载资源运行，如果你有任何问题或建议，欢迎在评论区留言讨论！

2024-12-19 19:50:25 772 1

Python爬虫实战：中国天气网天气数据抓取与解析

资源描述（点击即可使用）有项目定制需求直接私信作者！！！本资源提供了一个完整的Python爬虫实战项目，用于抓取中国天气网（https://www.weather.com.cn/）上的天气数据。通过本资源，你可以学习如何使用`requests`库发送HTTP请求，以及如何使用`BeautifulSoup`库解析HTML内容，提取所需的天气信息。内容概要：使用Python编写爬虫程序，抓取中国天气网的天气数据。解析HTML内容，提取日期、天气状况、温度和风力等信息。提供完整的代码示例和详细的代码解析。适用人群：对Python爬虫感兴趣的初学者。需要获取实时天气数据的开发者或数据分析师。希望学习HTML解析和数据提取技术的编程爱好者。使用场景及目标：学习如何使用Python进行网页抓取和数据处理。获取特定城市的实时天气数据，用于数据分析或展示。作为Python爬虫学习的实战项目，提升编程技能。

2025-01-16

深度学习中的Fashion-MNIST数据集与卷积神经网络实现及其训练分析

内容概要：本文介绍了Fashion-MNIST数据集，并详细讲解了一个三层卷积神经网络(CNN)的设计和实现过程。文中不仅展示了如何定义网络架构，还阐述了卷积、池化及ReLU激活层的工作原理。接着描述了使用原生Python实现该CNN，包括数据读取、网络构造、损失计算以及梯度更新的方法；同时也提供了PyTorch版本的新建网络，并讨论了一些训练细节。实验结果显示，通过精心设计的训练流程，可以在该数据集上取得较高的准确率。最后还给出了关于准确性和损失变化的趋势图分析。适合人群：拥有基础机器学习知识和技术背景的学生、研究人员或从业者，尤其是有兴趣深入了解卷积神经网络原理及其应用场景的人士。使用场景及目标：本文档适用于想要掌握使用卷积神经网络进行图像识别的任务，特别是在时尚品类分类上建立高效模型。通过对Fashion-MNIST数据集的研究和训练模型的理解，帮助使用者熟悉卷积神经网路的应用流程以及如何解决实际问题。其他说明：本案例研究提供完整的代码实现，涵盖了从模型建立到训练再到评估的过程。除了理论讲解之外，更有丰富的视觉化工具辅助理解，例如训练过程中产生的准确性与损失图。

2025-01-15

AI游戏基于OpenAI打造自动生成剧情的 Python 游戏

内容概要本资源提供了一个基于 OpenAI GPT 模型的 Python 游戏项目，能够自动生成冒险剧情。玩家可以通过选择不同的路径来影响故事的发展，每次选择都会触发 GPT 模型生成一段独特的剧情。项目代码简洁易懂，适合初学者学习和扩展。适用人群 Python 初学者：希望通过实际项目学习 Python 编程。 AI 爱好者：对人工智能和自然语言处理感兴趣，想了解如何将 AI 应用到游戏中。游戏开发者：希望探索 AI 在游戏剧情生成中的应用。使用场景及目标学习场景：用于 Python 和 AI 的学习项目，帮助理解 API 调用和文本生成。娱乐场景：作为一个简单的文字冒险游戏，供玩家体验 AI 生成的独特剧情。开发场景：作为基础框架，开发者可以扩展更多功能，如增加图形界面、更多选择分支等。其他说明依赖库：需要安装 OpenAI 的 Python 库，并配置 API 密钥。扩展性：项目代码结构清晰，易于扩展和定制。注意事项：使用 OpenAI API 时需遵守其使用条款和政策。

2025-01-13

AI游戏Flappy-Bird

内容概要本资源提供了一个完整的 Flappy Bird 游戏开发项目，并结合强化学习算法（Q-Learning）实现了一个自动玩 Flappy Bird 的 AI。项目包括以下内容：游戏开发：基于 Pygame 的 Flappy Bird 游戏实现，包含小鸟、管道、背景、音效等元素。强化学习算法：使用 Q-Learning 算法训练 AI，使其能够自动玩 Flappy Bird。代码与资源：完整的 Python 代码、游戏图片、音效资源。适用人群游戏开发爱好者：对 Pygame 游戏开发感兴趣的开发者。强化学习初学者：希望学习并实践 Q-Learning 算法的学生或开发者。 AI 爱好者：对游戏 AI 实现感兴趣的开发者。使用场景及目标学习 Pygame 游戏开发：通过本项目，可以学习如何使用 Pygame 开发一个简单的 2D 游戏。实践强化学习算法：通过实现 Q-Learning 算法，理解强化学习的基本原理和应用。训练游戏 AI：通过训练 AI，使其能够自动玩 Flappy Bird，并不断提升其表现。

2025-01-09

深度卷积神经网络（Deep Convolutional Network）在MNIST数据集上的应用（附数据集）

内容概要本资源包含一个深度卷积神经网络（Deep Convolutional Network）的完整实现代码，适用于MNIST手写数字数据集的分类任务。代码涵盖了网络的定义、训练、测试、错误分析以及半精度浮点数加速的实现。通过该资源，用户可以快速上手深度学习中的卷积神经网络，并在实际项目中应用。适用人群初学者：对深度学习感兴趣的初学者可以通过该资源了解卷积神经网络的基本结构和实现方法。中级开发者：已经有一定深度学习基础的开发者可以通过该资源学习如何优化网络性能，包括使用半精度浮点数加速计算。研究人员：从事计算机视觉或图像分类任务的研究人员可以参考该资源中的网络结构和训练策略。使用场景及目标教学与学习：该资源非常适合用于深度学习课程的教学或自学，帮助学生理解卷积神经网络的工作原理和实现细节。项目开发：开发者可以将该资源中的代码应用于实际的手写数字识别项目，或作为其他图像分类任务的基础框架。性能优化：通过使用半精度浮点数（float16），开发者可以在保持模型准确率的同时，显著提升计算速度，适用于需要高效计算的场景。

2025-01-08

ch07配套资源：图像处理与卷积神经网络（CNN）实战指南

内容概要本资源提供了一套完整的图像处理与卷积神经网络（CNN）实战代码和教程，涵盖了从基础的卷积神经网络实现到高级的梯度检查、滤波器可视化以及图像应用的全流程。资源包括以下核心文件： simple_convnet.py：实现了一个简单的卷积神经网络，包含卷积层、ReLU激活函数、池化层和全连接层。 gradient_check.py：通过数值微分验证反向传播的正确性。 train_convnet.py：使用MNIST数据集训练卷积神经网络，并保存训练后的模型参数。 visualize_filter.py：可视化卷积层的滤波器，展示网络学习到的特征。 apply_filter.py：将训练好的卷积滤波器应用到图像上，观察滤波器的效果。适用人群深度学习初学者：希望通过实践理解卷积神经网络的工作原理。图像处理爱好者：对图像特征提取和滤波器应用感兴趣的学习者。 AI开发者：需要快速实现和验证卷积神经网络的开发者。使用场景及目标学习场景：适合用于深度学习课程、自学项目或研究实验，帮助用户掌握CNN的基本原理和实现方法。开发场景：可用于快速搭建和测试图像分类模型，

2025-01-07

【新年快乐特效】点击放烟花

新年快乐（可定制！！！）可互动

2025-01-03

深度学习飞机大战智能体训练代码（V1.0）

知识领域：该资源属于强化学习和游戏人工智能领域，专注于使用深度Q学习（DQN）算法训练游戏智能体。技术关键词：深度Q学习（DQN）强化学习神经网络经验回放 ε-greedy策略内容关键词：飞机大战游戏智能体训练 TensorFlow 游戏环境交互模型保存与加载用途：强化学习实践：通过实际代码实现，帮助学习者理解和掌握DQN算法的核心原理和应用。游戏AI开发：用于训练飞机大战游戏的智能体，使其能够自主决策并优化游戏表现。教学与演示：适合作为强化学习课程的案例代码，帮助学生理解强化学习的实际应用。研究与实验：可用于强化学习算法的改进和对比实验，探索不同参数对模型性能的影响。资源特点：代码结构清晰：代码模块化设计，易于理解和扩展。完整的功能实现：包括智能体的训练、经验回放、模型保存等功能。基于TensorFlow：使用流行的深度学习框架，便于与其他深度学习项目集成。可自定义参数：支持调整探索率、折扣因子、神经网络结构等参数，满足不同需求。适用人群：强化学习初学者游戏AI开发者研究人员教育工作者

2024-12-30

【深度学习专栏】ch06配套资源

内容概要：本资源提供了一系列关于深度学习模型训练与优化的实战代码和教程，涵盖了超参数优化、优化器比较、权重初始化、Dropout和Batch Normalization等关键技术。通过这些资源，用户可以深入理解深度学习模型的训练过程，并掌握如何通过优化技术提升模型性能。适用人群：初学者：对深度学习模型训练感兴趣，但缺乏相关经验的开发者。中级开发者：希望进一步提升模型训练与优化技能的开发者。研究人员：需要在实际项目中使用深度学习技术的研究人员。使用场景及目标：教育学习：作为教学材料，帮助学生理解深度学习模型的训练与优化技术。项目开发：为开发者提供现成的代码示例，加速项目开发进程。研究实验：为研究人员提供实验基础，支持其在深度学习领域的研究工作。其他说明：代码示例：资源中包含多个Python代码示例，涵盖了超参数优化、优化器比较、权重初始化、Dropout和Batch Normalization等内容。数据集：提供了常用的MNIST数据集，方便用户进行实验和测试。工具与库：资源中使用了常见的Python库，如NumPy、Matplotlib

2024-12-26

【深度学习专栏】ch05配套资源

内容概要：本资源包含一系列关于图像处理与深度学习的教程和代码示例，涵盖了从基础的图像操作到复杂的卷积神经网络（CNN）应用。资源中提供了详细的代码注释和实现步骤，帮助用户快速上手并理解图像处理与深度学习的核心概念。适用人群：初学者：对图像处理和深度学习感兴趣，但缺乏相关经验的开发者。中级开发者：希望进一步提升图像处理和深度学习技能的开发者。研究人员：需要在实际项目中使用图像处理和深度学习技术的研究人员。使用场景及目标：教育学习：作为教学材料，帮助学生理解图像处理和深度学习的基本原理。项目开发：为开发者提供现成的代码示例，加速项目开发进程。研究实验：为研究人员提供实验基础，支持其在图像处理和深度学习领域的研究工作。其他说明：代码示例：资源中包含多个Python代码示例，涵盖了图像处理、数据增强、卷积神经网络等内容。数据集：提供了常用的图像数据集，如MNIST、CIFAR-10等，方便用户进行实验和测试。工具与库：资源中使用了常见的Python库，如NumPy、OpenCV、TensorFlow和PyTorch，确保用户能够轻松复现和扩展代

2024-12-26

深度卷积神经网络在MNIST数据集上的应用

资源内容 deep_convnet.py 该脚本定义了一个高精度的深度卷积神经网络（DeepConvNet），网络结构包括多个卷积层、池化层、全连接层以及Dropout层。网络的初始化、前向传播、反向传播、梯度计算以及参数保存和加载等功能均在该脚本中实现。 train_deepnet.py 该脚本用于训练DeepConvNet网络。它加载MNIST数据集，使用Adam优化器进行训练，并在训练过程中记录损失和准确率。训练完成后，网络参数会被保存，并且训练过程中的损失和准确率会被可视化。 half_float_network.py 该脚本展示了如何将网络的参数和输入数据从float64转换为float16，以加速计算并减少内存占用。通过对比float64和float16的准确率，可以评估精度损失情况。 misclassified_mnist.py 该脚本用于分析DeepConvNet在MNIST测试集上的错误分类情况。它展示了被错误分类的图像，并输出每个错误分类的实际标签和预测标签。通过可视化错误分类的图像，可以帮助理解网络的弱点。 awesome_net.py 这是一个占位文件，

2024-12-25

【深度学习系列专栏】ch01配套资源

本资源包含多个Python脚本，涵盖了Python编程的基础知识以及如何使用Python进行图形绘制和图像处理。具体内容包括：基础Python编程：展示如何使用print函数进行文本输出，如何定义类和方法，并通过实例化对象调用这些方法。数据可视化：使用numpy生成数据，并使用matplotlib绘制简单的函数图像，如正弦函数和余弦函数。图像处理：展示如何使用matplotlib读取和显示图像。适用人群 Python初学者：适合刚开始学习Python编程的读者，帮助他们理解Python的基本语法和面向对象编程的概念。数据可视化爱好者：适合对数据可视化感兴趣的读者，帮助他们学习如何使用Python进行简单的图形绘制。图像处理初学者：适合对图像处理感兴趣的读者，帮助他们学习如何使用Python读取和显示图像。使用场景及目标学习Python基础：通过简单的代码示例，帮助初学者掌握Python的基本语法和面向对象编程的概念。数据可视化实践：通过绘制正弦和余弦函数的图像，帮助读者学习如何使用Python进行数据可视化，并添加图形元素如标签、标题和图例。图像处

2024-12-24

【机器学习进阶】PyTorch CIFAR-10 训练与结果保存

资源描述：PyTorch CIFAR-10 训练与结果保存资源简介：本资源提供了一个完整的 PyTorch 项目代码，用于训练 CIFAR-10 数据集，并将训练和测试结果保存到 Excel 文件中。同时，代码还包含了使用 matplotlib 进行训练和测试结果的可视化功能。通过本资源，你可以：训练 CIFAR-10 数据集：使用深度卷积神经网络（CNN）对 CIFAR-10 数据集进行分类训练。保存训练结果：将每个 epoch 的训练和测试损失、准确率保存到 Excel 文件中，方便后续分析。可视化训练过程：使用 matplotlib 绘制训练和测试的损失曲线以及准确率曲线，直观展示模型的训练效果。资源内容：代码文件：包含完整的 PyTorch 训练代码，支持 CIFAR-10 数据集的训练、测试和结果保存。 Excel 文件：训练完成后，生成的 training_results.xlsx 文件，记录了每个 epoch 的训练和测试结果。可视化图表：生成的 loss_curve.png 和 accuracy_curve.png 文件，分别展示了训练和测试

2024-12-21

【Python游戏开发】飞机大战+完整代码实现（1.0）（下载即可使用）持续更新ing

本资源是一个基于Python和Pygame库实现的“飞机大战”游戏完整代码。该资源适合初学者学习Pygame游戏开发，涵盖了游戏窗口创建、精灵类实现、碰撞检测、关卡系统等核心功能。通过学习本资源，你将掌握如何使用Pygame创建一个完整的2D射击游戏，并了解如何逐步优化游戏逻辑和增加游戏难度。资源内容游戏窗口创建：使用Pygame创建一个600x800的游戏窗口。飞机类实现：玩家控制的飞机类，支持左右移动和发射子弹。子弹类实现：子弹类负责生成子弹并向上移动。敌人类实现：敌人类负责生成敌人并向下移动。碰撞检测：实现子弹与敌人的碰撞检测，以及玩家与敌人的碰撞检测。关卡系统：每20分进入下一关，增加敌人的速度和数量。游戏结束界面：当玩家被敌人击中时，显示游戏结束界面。适用人群 Python初学者对Pygame游戏开发感兴趣的开发者想要学习2D游戏开发的学生或爱好者使用方法下载资源文件直接运行Python文件

2024-12-21

机器学习基于LSTM的股票预测模型（pythorch版）

内容概要: 本资源提供了一个基于LSTM模型进行股票价格预测的完整代码实现，包括数据预处理、模型训练、评估和可视化。通过该代码，用户可以快速上手时间序列预测任务，特别是针对股票收盘价的预测。适用人群: 适用于对LSTM模型、时间序列预测、股票价格预测感兴趣的开发者和研究者，尤其适合希望学习如何应用LSTM进行预测的初学者。适用场景及目标: 场景: 金融数据分析，股票价格预测。目标: 通过LSTM模型学习历史股票数据中的模式，预测未来股票收盘价，评估模型性能并进行可视化分析。其他说明: 数据集: 使用'000001SH_index.csv'数据集，数据包含股票的开盘价、最高价、最低价、收盘价等信息。数据预处理: 采用Min-Max标准化处理数据，并构造序列数据。模型训练: 使用Adam优化器，均方误差损失函数，训练LSTM模型。模型评估: 可视化预测误差率和预测值与真实值的对比图，直观展示模型预测效果。

2024-12-20

Python数据分析实战-中国银行股票可视化（附数据集，点击运行）

程序存放于chinabank文件夹 Datastock是附属的数据集，可根据需要自行拓展使用 Macd：绘制macd并实现可视化 Macd1：回测macd在金叉时买入，死叉卖出的胜率 Matplotlib1：利用matplotlib软件包实现K线图 Mpfinance1：利用mpfinance软件包绘制k线图具体查看文档《项目介绍》，可用于课程作业

2024-12-19

Python世界杯数据分析（附数据）

(1)利用pandas 库读取“2018世界杯球队数据.csv”中的数据 (2)输出净胜球(进球减去失球)大于0的球队。 (3)输出被罚红牌的球队。 (4)输出进球成功率(进球数/射门数)超过 10%的球队及其进球数和射门数 (5)输出进球数超过平均数且被罚黄牌少于5张的球队及其进球数和黄牌数 (6)按照进球数降序输出所有球队及进球信息。 (7)按照所属区进行分组，按升序统计输出每个区的进球数。 (8)利用柱状图展示亚洲各球队的进球数，横轴为球队，纵轴为进球数 (9)利用柱状图展示各洲球队的总进球数，横轴为洲，纵轴为进球数。 (10)利用饼图展示非洲各球队的犯规情况。 (11)绘制各球队进球和失球的散点图，横轴为进球数、纵轴为失球数。

2024-12-19

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人