南极Python

开篇k-近邻算法是比较简单的一种机器学习算法，其核心思想可以用一句话来概括：近朱者赤，近墨者黑。 在具体介绍该算法之前，先通过一个栗子对该算法做一个感性上的认识。 Python爱好者 or C爱好者 ？ 上图中，每一个形状（三角形，圆形）都代表了一个人。总共有两种形状，说明这些人总共可以分为两类：Python爱好者、C爱好者。 三角形一共有7个，代表喜欢写Python的总共有7人； 圆形一共有6个，代表喜欢写C语言的总共有6人。 现在，突然来了一个不知道是喜欢写Python还是C语言（并且只可能属于其中之一）的人—–五角星，要求你来判定这个人所属的类别。 emm… 你可能会说，那看看图上距离这个人（五角星）最近的几个人所属类别就可以了啊！比如就看距离这个人最近的3个人：其中有两个人喜欢写Python，而只有一个人喜欢写C语言（如下图所示） 按照少数服从多数的原则，将这个新来的人（五角星）归类到三角形(Python爱好者)类别就搞定啦！ ​ 最终 ...

时代在发展，社会也在不断地前进。得益于中国特色社会主义，近些年来，我们的生活也发生了翻天覆地的变化，这不仅仅体现在我们的衣食住行，更体现在精神与文化层面。科技日益发达，大国之间的竞争的焦点也渐渐转移到科学技术上来，尤其是进入21世纪以后，深度学习技术的突飞猛进，人工智能技术迅速发展，并且随着算力的不断提升，以前不可能实现的实验，现在都可交由计算机来实现。依托其强大的运算能力和重复特性，如今的人工智能已经有了许多不错的落地成果。我们国家也在大力倡导发展大数据与人工智能，为促进新时代科技强国打下坚实的基础，这也正是我选择跨考进入计算机专业并准备在机器学习、人工智能方向深耕的原因之一。 中国特色社会主义结合了马克思主义与中国的实际国情，在先辈们前仆后继的不断摸索中，才有了今天来之不易的幸福生活，才给了发展高新科技的前提条件。生于20世纪与21世纪的交叉点的我们，更应该珍惜这来之不易的生活，同时也要根据自身条件，努力为社会主义的建设添砖加瓦，贡献自己的力量。于我而言，作为一名计算机专业并对机器学习技术非常热爱的研究生，更要努力学习相关知识。从小的说，是为了自己，往大了说，真心希望自己可以学有所 ...

1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950515253545556575859606162636465import numpy as npimport matplotlib.pyplot as pltDNA_SIZE=10POP_SIZE=100CROSS_RATE=0.8MUTATION_RATE=0.003N_GENERATIONS=200X_BOUND=[0,5]#定义目标函数def F(x): return np.sin(10*x)*x+np.cos(2*x)*x#计算适应度,并使其大于0def get_fitness(pred): return pred+1e-3-np.min(pred)#将二进制串的DNA转为10进制数并限制范围在0到5之间def translateDNA(population): return population.dot(2**np.arange(DNA_SIZE)[::-1])/float(2* ...

开篇在本系列的前面几期中，我们介绍了包含决策树及其相关算法在内的一系列有监督学习算法。本期不妨换换口味，学习一种比较简单的无监督学习算法： k-means. k-means 算法理论讲解你可能已经听说过这个算法，没有也不要紧，它的原理并不复杂，让我们来看看~ 给你一批样本的数据，就像这样：其中不同的id代表不同样本，共10个样本。x和y是两个特征，每一个样本都有且只有这两个特征。 现在希望你能够对这些样本进行分类。 我们知道，在属于有监督学习的分类问题中，训练数据往往会包含类别标签。而上面这份数据本身是不含标签的，所以这并不是一个分类问题。 既然不知道类别标签，你又让我对这些样本进行分类，那如何聚类？又要聚成几类呢？ 其实，在k-means中，最终聚成几类是由我们自己决定的；这里的类别标签通常用数字表示，如0,1,2等；当我们指定好类别总数后，每一个样本被归到哪一类，就需要聚类算法自己去学习了。 k-means算法学习将相似的样本聚在一起，称为一个类别(也称为一个”簇”)，而将不相似的样本划分到不同的类别(“簇”)中。 这里的相似程度，通常是用样本之间的距离来度量的，比如最常用的欧氏距 ...

123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960def interp(code): data=[0 for _ in range(30000)] pc=0 ptr=0 st=[]#list模拟stack while(pc<len(code)): c=code[pc] print("正在处理字符'{}'".format(c)) if c=='<': ptr-=1 elif c=='>': ptr+=1 elif c=='+': data[ptr]+=1 ...

2020年11月25号：配置环境（python3.5），运行prepare_data.py，成功提取训练集数据到imgs文件夹；但在提取测试集时报错，原因是python3.5及其之前的版本中的Path()都不继承自str类，于是手动给路径包裹了str()，成功提取除二进制格式保存的文件分别至单独的文件夹（blp后缀，不知道这是什么，先放着）； 2020年11月26号：运行python train.py失败，从gihub issue了解到作者用了python3.6，于是重新配环境，试错，期间遇到了各种包装不上以及其他问题（发现作者还用了mxnet用于提取数据）； 2020年11月27号：继续配环境，好像是配好了（python3.6），虽然还会报numpy的错误：ModuleNotFoundError: No module named 'numpy.core._multiarray_umath'，但是并不影响模型的训练； 于是开始运行train.py，会报RuntimeError: cuda runtime error (2) : out of memory at / ...

分类 一图一标签 语义分割 像素级分类 那怎么做语义分割呢？ 滑动窗口在一开始，人们想到了滑动窗口 如上图所示，滑动窗口的思路是：对图中的每一个像素点，以该像素点为中心，取一个区域（手动指定窗口大小），对该区域利用卷积神经网络做分类，区域所属类别即为该区域对应像素点的所属类别。 尽管这是完全能用的吧，但由于一张图中的像素点个数有时候会特别多（比如高分辨率图片），此时，采用滑动窗口会带来较大的运算量，所以有了下面的全卷积网络方法。 全卷积使用全卷积做语义分割的思路如下图所示 对于一张输入的图片，使用padding保证在卷积过程中得到特征图尺寸与输入图片尺寸一致，做多次卷积；在最后一次卷积时，使用C个卷积核以保证最后输出的通道数为C，这里的C是全部类别的个数；最后，对于每一个像素点，分别计算该像素点在通道维度上的取值(由于通道数等于类别数等于C，所以此时会有C个值)与标准答案(形式见下面的补充)之间的交叉熵，再把全部像素点计算得到的交叉熵相加，就得到了总的损失，接下来反向回传就可以更新参数，优化模型了。 【补充】这里每一个像素点所属类别的标准答案是一个数，将其做one-hot操作 ...

Why ResNet ? 当神经网络层数变深时，模型性能可能会不增反降。 举个例子，对于某数据集，考虑以下情况： 在测试集上，100层的网络性能低于20层的网络 在训练集上，100层的网络性能低于20层的网络 单单看前者，猜想出现过拟合的可能性较大。因为100层的网络能够拟合更加复杂的函数，对训练集的拟合效果也会更好，但可能导致在测试集上表现并不好（100层网络可能仅仅是记住了训练集的每一个样本的特征及其训练标签，而在面对新的没有见过的样本（比如测试样本）时，就无能为力了）。 然而，再看后者，在训练集上都不达标了，这显然不是过拟合，并且网络越深性能越差，一定是某些其他地方出了问题！ 没错，在100层网络的训练过程中，网络的正、反向信息流动不顺畅，从而导致网络没有充分被训练，这正是上面的例子中现象产生的原因！ **残差网络(ResNet)**的提出解决了这一问题，它通过从当前层（不妨记作Current Layer）直接向经过某个网络块（不妨记作F_Block）后得到的后面的层（不妨记作Layer）之间加一条线，使得Current Layer的信息可以直接传给Layer。这样，即使F ...

导入相关包123456789101112import tensorflow as tfimport tensorflow_addons as tfafrom tensorflow.keras.layers import Dropout, Concatenate,BatchNormalization,LeakyReLU,UpSampling2D, Conv2Dfrom tensorflow.keras.optimizers import Adamimport matplotlib.pyplot as pltimport sysimport osfrom skimage.transform import resizeimport imageiofrom glob import globimport numpy as nptf.keras.backend.set_floatx('float64') 读取数据1234567891011121314151617181920212223242526272829303132333435363738394041424344454 ...

通过采样等方式获取高清图片的低分辨率版本，两者形成一一映射的关系，作为准备好的数据集。 不同于之前的GAN的输入为noise，SRGAN 的输入为低分辨率图片，希望通过对抗的方式学习如何生成低分辨率图片的超清版本。 主要改动的地方除了生成器和判别器的架构外，就是损失函数了：判别器的损失函数无需改动，而生成器的损失函数在原来的基础上，需要再增加两项，一个是真实图片与生成图片的均方误差，另一个是真实图片与生成图片经过vgg19提取得到的特征之间的均方误差（论文中把这两个合起来叫做内容损失，而之前生成器的损失叫做对抗损失，内容损失+对抗损失=感知损失）。 代码导入相关函数1234567import tensorflow as tfimport matplotlib.pyplot as pltimport numpy as npfrom tensorflow.keras import layersimport scipy#需要执行 pip install scipy==1.2.1 来给scipy降级from glob import globimport datetime 准备数据12345 ...