跟我学算法 - 读取excel文件(xlrd)
摘要：import xlrd import numpy as np # fname 表示文件名 fname = '1白.xlsx'# 打开文件 bk = xlrd.open_workbook(fname)# 获取表格的个数 shxrange = bk.nsheets cast = []# 取第2个表格到最后一个表格 for i in range(1, shxrange): sh = bk.sh...
阅读全文
posted @
2018-11-27 11:18
python我的最爱
阅读(230)
推荐(0) 编辑
解决pip安装时的Readtime out问题
摘要：方法一 pip --default-timeout=100 install -U Pillow就可以了方法二 pip install pyinstaller -i https://pypi.doubanio.com/simple指定网站
阅读全文
posted @
2018-11-09 10:54
python我的最爱
阅读(435)
推荐(0) 编辑
跟我学算法-图像识别之图像分类（下）(GoogleNet网络, ResNet残差网络, ResNext网络， CNN设计准则）
摘要：1.GoogleNet 网络： Inception V1 - Inception V2 - Inception V3 - Inception V4 1. Inception v1 split - merge - 1*1卷积，3*3卷积， 5*5卷积， 3*3池化 输入层：inception 1*1
阅读全文
posted @
2018-10-15 21:54
python我的最爱
阅读(1731)
推荐(0) 编辑
跟我学算法-图像识别之图像分类（上）(基础神经网络， 卷积神经网络（CNN)， AlexNet，NIN, VGG）
摘要：1.基础神经网络： 输入向量ｘ，权重向量w， 偏置标量b， 激活函数sigmoid（增加非线性度） 优化手段： 梯度下降优化， BP向后传播（链式规则） 梯度下降优化： 1. 使用得目标函数是交叉熵 c = 1/nΣΣ[yj*lnaj^2 + (1-yj)*ln(1-aj^2)] yj表示得是样本标
阅读全文
posted @
2018-10-15 18:31
python我的最爱
阅读(618)
推荐(0) 编辑
跟我学算法-人脸识别（Siamese network) 推导
摘要：Siamese network 训练神经网络存在两种形式： 第一种：通过Siamese network 和 三元组损失函数 来训练图片之间的间隔 第二种： 通过Siamese network 和 sigmoid函数来实现二分类的训练 第一种情况： 在最后一层使用得是128， 1， d(x(1), x
阅读全文
posted @
2018-10-15 11:44
python我的最爱
阅读(901)
推荐(1) 编辑
跟我学算法-xgboost(集成算法)基本原理推导
摘要：1.构造损失函数的目标函数 2.对目标函数进行泰勒展开 3.把样本遍历转换成叶子节点遍历，合并正则化惩罚项 4.求wj进行求导，使得当目标函数等于0时的wj的值 5.将求解得到的wj反导入方程中，解得最终的目标函数 6.对样本进行分割时，用分割前的目标函数的值-分割后左右子树的目标函数的值，来划分得
阅读全文
posted @
2018-10-14 15:01
python我的最爱
阅读(219)
推荐(0) 编辑
跟我学算法-PCA(降维)基本原理推导
摘要：Pca首先 1.对数据进行去均值 2.构造一个基本的协方差矩阵1/m(X)*X^T 3对协方差矩阵进行变化，得到对角化矩阵，即对角化上有数值，其他位置上的数为0(协方差为0)，即求特征值和特征向量的过程 4.求得特征向量的单位化矩阵，单位化特征向量矩阵*原始数据（去均值后的）即降维操作,单位化特征向
阅读全文
posted @
2018-10-13 22:54
python我的最爱
阅读(499)
推荐(1) 编辑
跟我学算法-svm支持向量机算法推导
摘要：Svm算法又称为支持向量机，是一种有监督的学习分类算法，目的是为了找到两个支持点，用来使得平面到达这两个支持点的距离最近。 通俗的说：找到一条直线，使得离该线最近的点与该线的距离最远。 我使用手写进行了推导 求解实例 软间隔，通过设置C，使得目标函数的松弛因子发生变化，松弛因子越大，表示分类越不严格
阅读全文
posted @
2018-10-13 21:19
python我的最爱
阅读(180)
推荐(0) 编辑
决策树与树集成模型（bootstrap， 决策树（信息熵，信息增益， 信息增益率， 基尼系数），回归树, Bagging, 随机森林， Boosting， Adaboost， GBDT， XGboost）
摘要：1.bootstrap 在原始数据的范围内作有放回的再抽样M个, 样本容量仍为n，原始数据中每个观察单位每次被抽到的概率相等, 为1/n , 所得样本称为Bootstrap样本。于是可得到参数θ的一个估计值θ^(b)，这样重复若干次，记为B 。为了可以避免一些误差点对少量树的决策影响。 2.决策树
阅读全文
posted @
2018-10-10 22:05
python我的最爱
阅读(922)
推荐(0) 编辑
图片拼接SIFT
摘要：图片拼接 SIFT： 特征点处理：位置插值，去除低对比度点，去除边缘点 方向估计 描述子提取 下面的程序中使用： 第一步： 使用SIFT生成器提取描述子和特征 第二步： 使用KNN检测来自A，B图的SIFT特征匹配对， 形成视觉变化矩阵H 第三步： 将图片A进行视觉变化，将B图片放在变换图片的左边，
阅读全文
posted @
2018-10-08 17:04
python我的最爱
阅读(1119)
推荐(0) 编辑
图像特征与描述子（直方图， 聚类， 边缘检测， 兴趣点/关键点， Harris角点， 斑点（Blob), SIFI, 纹理特征）
摘要：1.直方图 用于计算图片特征，表达， 使得数据具有总结性， 颜色直方图对数据空间进行量化，好比10个bin 2. 聚类 类内对象的相关性高 类间对象的相关性差 常用算法：kmeans， EM算法， meanshift， 谱聚类（密度聚类）， 层次聚类 kmeans聚类 选取k个类中心，随机选取 计算
阅读全文
posted @
2018-10-08 15:30
python我的最爱
阅读(1895)
推荐(0) 编辑
跟我学算法-吴恩达老师（误差分析, 正确标注, 开发集和测试集的划分， 数据不匹配，迁移学习， 多任务学习， 端到端学习）
摘要：1. 误差分析 通过分析错误的标记，来判断主要是哪个原因引起了错误,这是猫的分类，观察被分错图片的原因,总结需要优化的条件 image Dog Great cat blurry comment 1 2 3 4 5 6 2. 进行正确标注 当前错误率为10%， 进行误差分析后，由于0.6%的错误标记引
阅读全文
posted @
2018-10-02 15:32
python我的最爱
阅读(247)
推荐(0) 编辑
跟我学算法-吴恩达老师（正交化， 单实数评估指标, 满足指标, (训练集，开发集， 测试集的分布), 改变指标， 人类的表现 ）
摘要：1.正交化 指使用单个手段来控制一个指标，如样本的偏差过大时，即欠拟合，就采用增加模型复杂程度，来降低样本偏差 2.单实数评估指标单实数评估样本也是我们平时常说的优化指标 accruacy = （tp + tn）/ (tp+fp+tn+fn) precesion = (tp) / (tp+fp) r
阅读全文
posted @
2018-09-30 22:03
python我的最爱
阅读(177)
推荐(0) 编辑
跟我学算法-吴恩达老师（超参数调试, batch归一化, softmax使用，tensorflow框架举例）
摘要：1. 在我们学习中，调试超参数是非常重要的。 超参数的调试可以是a学习率，（β1和β2，ε）在Adam梯度下降中使用, layers层数, hidden units 隐藏层的数目, learning_rate_dacay 学习率衰减, mini-batch size 每次迭代的样本数目 当需要调节的
阅读全文
posted @
2018-09-28 20:21
python我的最爱
阅读(380)
推荐(0) 编辑
跟我学算法-吴恩达老师(mini-batchsize，指数加权平均，Momentum 梯度下降法，RMS prop， Adam 优化算法， Learning rate decay)
摘要：1.mini-batch size 表示每次都只筛选一部分作为训练的样本,进行训练，遍历一次样本的次数为(样本数/单次样本数目) 当mini-batch size 的数量通常介于1，m 之间 当为1时，称为随机梯度下降 一般我们选择64，128， 256等样本数目 2. 指数加权平均 v0 = 0
阅读全文
posted @
2018-09-25 16:25
python我的最爱
阅读(857)
推荐(0) 编辑
跟我学算法-吴恩达老师（偏差方差，正则化，正则化输入，梯度消失和爆炸，梯度检测）
摘要：1.训练样本的分布 交叉验证指的是训练集和验证集，为了防止在训练过程中受到部分训练样本的影响 一般当样本数目较少时，采用60/20/20的比例，60%的训练集，20%的验证集，20%的测试集当样本数目较大时，一般可以采用2.5%的验证集和1%的测试集，其他都是训练样本。 很多情况下，我们会不适用测试
阅读全文
posted @
2018-09-25 13:59
python我的最爱
阅读(541)
推荐(0) 编辑
跟我学算法-吴恩达老师的浅层神经网络
摘要：浅层神经网络，这里使用的是一个输入层，一个隐层（4个神经元）， 一个输出层 使用sigmoid函数做激活函数，在进行反向传播的梯度下降中，由于导数过小，速度下降会变得很慢,使用非线性激活函数，是为了使得中间层神经元连接是存在意义的. 一般我们在初始化w时，采用随机值做初始化，为了使得不同样本输入，在
阅读全文
posted @
2018-09-20 21:29
python我的最爱
阅读(364)
推荐(0) 编辑
跟我学算法-吴恩达老师的logsitic回归
摘要：logistics回归是一种二分类问题，采用的激活函数是sigmoid函数，使得输出值转换为(0,1)之间的概率 A = sigmoid(np.dot(w.T, X) + b ) 表示预测函数 dz = A - Y ， A 表示的是预测结果， y 表示的是实际结果 cost = -y*logA -
阅读全文
posted @
2018-09-18 23:36
python我的最爱
阅读(470)
推荐(0) 编辑
跟我学算法-pca(降维)
摘要：pca是一种黑箱子式的降维方式，通过映射，希望投影后的数据尽可能的分散， 因此要保证映射后的方差尽可能大，下一个映射的方向与当前映射方向正交 pca的步骤： 第一步: 首先要对当前数据(去均值)求协方差矩阵，协方差矩阵= 数据*数据的转置/(m-1) m表示的列数，对角线上表示的是方差，其他位置表示
阅读全文
posted @
2018-08-24 22:16
python我的最爱
阅读(638)
推荐(0) 编辑
跟我学算法聚类(DBSCAN)
摘要：DBSCAN 是一种基于密度的分类方法 若一个点的密度达到算法设定的阖值则其为核心点（即R领域内点的数量不小于minPts） 所以对于DBSCAN需要设定的参数为两个半径和minPts 我们以一个啤酒的分类指标来做第一步：提取数据，并分配变量 第二步：构建模型,并做测试，我们使用的r半径为10，最小
阅读全文
posted @
2018-08-24 17:09
python我的最爱
阅读(555)
推荐(0) 编辑
