<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[zhangycode的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/zhangycode</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; zhangycode]]></copyright><item><title><![CDATA[Intel Realsense使用]]></title><link>https://blog.youkuaiyun.com/zhangycode/article/details/108585739</link><guid>https://blog.youkuaiyun.com/zhangycode/article/details/108585739</guid><author>zhangycode</author><pubDate>Mon, 14 Sep 2020 21:24:23 +0800</pubDate><description><![CDATA[首先需要下载安装相机的SDK，
从这个地址可以下载SDK
https://github.com/IntelRealSense/librealsense/releases/tag/v2.38.1
windows可以直接下载exe文件
然后安装，
安装完成后，打开软件，点击左上角的Add Source

选中接入的RealSence相机。

Stereo Module对应深度相机，RGB Camera是彩色相机，

打开就可以采集图像，点击相机图标可以完成拍照。

以下python程序可以实现，弹窗，按空格保存]]></description><category></category></item><item><title><![CDATA[cv2读取有中文路径的图片（python）]]></title><link>https://blog.youkuaiyun.com/zhangycode/article/details/107936120</link><guid>https://blog.youkuaiyun.com/zhangycode/article/details/107936120</guid><author>zhangycode</author><pubDate>Tue, 11 Aug 2020 17:38:31 +0800</pubDate><description><![CDATA[本示例针对python。
问题：
通常的使用中，是img = cv2.imread(path)，如果文件的路径中包含有中文，则会报错，如下的程序中：
img = cv2.imread(pic)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
报错：cv2.error: OpenCV(4.2.0) C:\projects\opencv-python\opencv\modules\imgproc\src\color.cpp:182: error: (-215:Asser]]></description><category></category></item><item><title><![CDATA[堆排序和代码实现笔记]]></title><link>https://blog.youkuaiyun.com/zhangycode/article/details/105867734</link><guid>https://blog.youkuaiyun.com/zhangycode/article/details/105867734</guid><author>zhangycode</author><pubDate>Thu, 30 Apr 2020 23:30:53 +0800</pubDate><description><![CDATA[堆是一种数据结构，堆排序是这种数据结构的解决排序问题，它的一个典型应用就是优先队列。
普通队列：先进先出，后进后出，由时间顺序决定出队的顺序，
优先队列：出队顺序和入队顺序无关；和优先级有关
在操作系统中动态管理调度任务就是使用优先队列，优先队列适合于处理动态的情况。
优先队列的主要操作：
入队
出队（取出优先级最高的元素）
优先队列的实现
|普通数组  | 入队 |
顺序数组-|–|
| 堆 |...]]></description><category></category></item><item><title><![CDATA[SVM支持向量机学习笔记]]></title><link>https://blog.youkuaiyun.com/zhangycode/article/details/105380948</link><guid>https://blog.youkuaiyun.com/zhangycode/article/details/105380948</guid><author>zhangycode</author><pubDate>Thu, 09 Apr 2020 17:27:05 +0800</pubDate><description><![CDATA[最优分类面考虑不但能将两类正确分开，且分类间隔最大

右图的间隔比较大，左边图中，如果有一点扰动，类别2容易分类到第2类中，可以看出大间隔是有用的
寻找间隔最大的超平面
非线性
对于非线性可分的数据样本，可能通过适当的函数变换，将其在高维空间中转化为线性可分。下图图中，1维不可分，2维可分了

利用一个固定的非线性映射将数据映射到特征空间学习的线性分类器等价于基于原始数据学习的非线性分类器。


...]]></description><category></category></item><item><title><![CDATA[（四）模型融合方法总结]]></title><link>https://blog.youkuaiyun.com/zhangycode/article/details/105299362</link><guid>https://blog.youkuaiyun.com/zhangycode/article/details/105299362</guid><author>zhangycode</author><pubDate>Fri, 03 Apr 2020 19:26:38 +0800</pubDate><description><![CDATA[模型融合：对调参完成的模型进行融合，一般在整个过程的后期进行，基于多个比较好的模型，融合后才有好的效果。
方法：

简单加权融合:
回归（分类概率）：算术平均融合（Arithmetic mean），几何平均融合（Geometric mean）；权重的差异不要太大
分类：投票（Voting)
综合：排序融合(Rank averaging)，log融合
stacking/blending:
构建多层模...]]></description><category></category></item><item><title><![CDATA[（三）模型和调参]]></title><link>https://blog.youkuaiyun.com/zhangycode/article/details/105253470</link><guid>https://blog.youkuaiyun.com/zhangycode/article/details/105253470</guid><author>zhangycode</author><pubDate>Wed, 01 Apr 2020 19:34:06 +0800</pubDate><description><![CDATA[数据的数学模型描述了数据不同部分之间的关系，常用的机器学习的模型可以分为线性模型，比如线性回归，还有树模型，如决策树、随机森林、GBDT、XGBoost、LightGBM，还有在CV中广泛运用的卷积神经网络，等等，这里以二手车交易交易价格预测的赛题为例，介绍模型的选择和调参方法，适合于传统的机器学习方法。
赛题链接：
https://tianchi.aliyun.com/competition/e...]]></description><category></category></item><item><title><![CDATA[（二）数据的特征工程方法总结笔记]]></title><link>https://blog.youkuaiyun.com/zhangycode/article/details/105169503</link><guid>https://blog.youkuaiyun.com/zhangycode/article/details/105169503</guid><author>zhangycode</author><pubDate>Sat, 28 Mar 2020 21:51:03 +0800</pubDate><description><![CDATA[特征工程是为了对数据进行处理

]]></description><category></category></item><item><title><![CDATA[（一）探索性数据分析EDA入门]]></title><link>https://blog.youkuaiyun.com/zhangycode/article/details/105078381</link><guid>https://blog.youkuaiyun.com/zhangycode/article/details/105078381</guid><author>zhangycode</author><pubDate>Tue, 24 Mar 2020 21:16:12 +0800</pubDate><description><![CDATA[数据分析为了使我们更加熟悉数据集，发现数据的特点规律，查看数据集的属性，对数据进行预处理，以使得后续的机器学习或深度学习结果更加达到预期。
以二手车交易价格预测数据为例，数据地址：
https://tianchi.aliyun.com/competition/entrance/231784/information
1、首先导入各种数据科学以及可视化库:
常用数据科学库 pandas、numpy、s...]]></description><category></category></item><item><title><![CDATA[（强化学习）DQN实战CartPole游戏]]></title><link>https://blog.youkuaiyun.com/zhangycode/article/details/104681185</link><guid>https://blog.youkuaiyun.com/zhangycode/article/details/104681185</guid><author>zhangycode</author><pubDate>Mon, 09 Mar 2020 00:10:47 +0800</pubDate><description><![CDATA[DQN的全称是deep Q network，是将深度神经网络和Q-learing相结合，克服Q-learing在面对状态空间很大时效率变得很低得问题，DQN其实是用一种近似的方式来求Q函数，

...]]></description><category></category></item><item><title><![CDATA[Fashion-MNIST分类（pytorch实现）]]></title><link>https://blog.youkuaiyun.com/zhangycode/article/details/104570315</link><guid>https://blog.youkuaiyun.com/zhangycode/article/details/104570315</guid><author>zhangycode</author><pubDate>Sat, 29 Feb 2020 11:50:35 +0800</pubDate><description><![CDATA[Fashion-MNIST是一个替代MNIST手写数字集的图像数据集，包括一个包含60,000个示例的训练集和一个包含10,000个示例的测试集。每个示例都是一个28x28灰度图像，与来自10个类的一个标签相关联。
数据
torch中的dataset可以实现数据集的下载，将download参数设置为true即可，下载后数据集如下。

对数据的预处理主要是对训练的数据进行随机水平翻转和随机灰度变换。...]]></description><category></category></item><item><title><![CDATA[cifar10分类学习笔记]]></title><link>https://blog.youkuaiyun.com/zhangycode/article/details/104482810</link><guid>https://blog.youkuaiyun.com/zhangycode/article/details/104482810</guid><author>zhangycode</author><pubDate>Mon, 24 Feb 2020 19:43:54 +0800</pubDate><description><![CDATA[动⼿实战CIFAR-10图像分类问题
Kaggle⽐赛的⽹⻚地址是https://www.kaggle.com/c/cifar-10 。
从网站上可以下载得到对应得数据集，比赛数据分为训练集和测试集。训练集包含 50,000 图片。测试集包含 300,000 图片。两个数据集中的图像格式均为PNG，高度和宽度均为32像素，并具有三个颜色通道（RGB）。图像涵盖10个类别：飞机，汽车，鸟类，猫，鹿，...]]></description><category></category></item><item><title><![CDATA[pandas中DataFrame和get_dummies函数]]></title><link>https://blog.youkuaiyun.com/zhangycode/article/details/104458495</link><guid>https://blog.youkuaiyun.com/zhangycode/article/details/104458495</guid><author>zhangycode</author><pubDate>Sun, 23 Feb 2020 14:33:23 +0800</pubDate><description><![CDATA[1.pandas.DataFrame.apply
DataFrame.apply(self, func, axis=0, raw=False, result_type=None, args=(), **kwds)

作用是对Dataframe的某个轴应用某个函数。
传入到函数的是一个Series对象，其索引是DataFrame的索引（axis=0）或DataFrame的列（axis=1）。默认情况...]]></description><category></category></item><item><title><![CDATA[Seq2seq模型、机器翻译学习笔记]]></title><link>https://blog.youkuaiyun.com/zhangycode/article/details/104398175</link><guid>https://blog.youkuaiyun.com/zhangycode/article/details/104398175</guid><author>zhangycode</author><pubDate>Wed, 19 Feb 2020 19:41:41 +0800</pubDate><description><![CDATA[Seq2seq模型
当输入和输出都是不定长序列时，可以使⽤编码器—解码器（encoder-decoder） 或者seq2seq模型。这两个模型本质上都⽤到了两个循环神经⽹络，分别叫做编码器和解码器。编码器⽤来分析输⼊序列，解码器⽤来⽣成输出序列。

图中描述了使⽤编码器—解码器将英语句⼦翻译成法语句⼦的⼀种⽅法。在训练数据集中，我们可以在每个句⼦后附上特殊符号“”（end of sequence）...]]></description><category></category></item><item><title><![CDATA[过拟合和欠拟合学习笔记]]></title><link>https://blog.youkuaiyun.com/zhangycode/article/details/104361857</link><guid>https://blog.youkuaiyun.com/zhangycode/article/details/104361857</guid><author>zhangycode</author><pubDate>Tue, 18 Feb 2020 19:43:02 +0800</pubDate><description><![CDATA[过拟合得问题指的是模型在测试集上得结果不好，
解决过拟合得问题通常可以通过增加数据量，另外还可以用正则化得方法
正则化
通常指得是L2范数正则化，
L2范数表示向量元素的平方和再开平方。

正则化项为λ/2m乘以w范数的平方

L2 范数正则化令权重 w 先自乘小于1(1-λa/m)的数，再减去不含惩罚项的梯度。因此， L2 范数正则化又叫权重衰减。权重衰减通过惩罚绝对值较大的模型参数为需要学习的...]]></description><category></category></item><item><title><![CDATA[卷积神经网络（CNN）中有关概念]]></title><link>https://blog.youkuaiyun.com/zhangycode/article/details/104327140</link><guid>https://blog.youkuaiyun.com/zhangycode/article/details/104327140</guid><author>zhangycode</author><pubDate>Mon, 17 Feb 2020 22:36:01 +0800</pubDate><description><![CDATA[二维互相关运算
实现的函数如下
``
def corr2d(X,K)
	H,W = X.shape
 	h,w = K.shape
	Y = torch.zeros(H-h+1,W-w+1)
	for i in range(Y.shape[0]):
    	for j in range(Y.shape[1]):
        	Y[i,j] = (X[i:i+h,j:j+w]*K).sum()...]]></description><category></category></item><item><title><![CDATA[机器学习中的线性回归学习笔记]]></title><link>https://blog.youkuaiyun.com/zhangycode/article/details/104317626</link><guid>https://blog.youkuaiyun.com/zhangycode/article/details/104317626</guid><author>zhangycode</author><pubDate>Fri, 14 Feb 2020 21:17:33 +0800</pubDate><description><![CDATA[特点：输出为连续值
模型：
线性回归所采用的模型如下式，

x1x_1x1​、x2x_2x2​是用来预测的两个特征，即用来预测标签的两个因素，这里只列出了含有
损失函数
用来衡量预测值与真实值之间的误差，这里采用的是平方损失

训练
把数据输入模型进行训练，来找出一组模型参数W、b，使训练样本平均损失最小，即使L(w，b)取得最小值的w和b的值。
为了得出解，可以直接计算得出公式表示的结果，这是解...]]></description><category></category></item></channel></rss>