• Python|机器学习-逻辑回归模型
    逻辑回归模型就是需要将预测结果划分为两种状态,一般为0和1。所以我们引入一个可以将所有结果表示在0-1闭区间的函数:y=1/z=θ*x用J表示损失函数,计算交叉熵为损失函数的值。交叉熵函数可以衡量预测结果与实际结果的相似性。离散变量的交叉熵计算:,带入0-1的模型则如下J=y*log+(1-y)*log,化简如下:J=-y*log-(1-y)*logdef cross_entropy: n_samples = y.shape[0] return sum/n_samples优化模型如下:θ=θ-α*(J/θ)这里简单求一下偏导数就可以了,y是常数。J/θ=*xdef optimize: n = X.shape[0] alpha = 1e-1 y_hat = model dtheta = * dtheta = np.sum dtheta=dtheta.reshape theta = theta - alpha * dthetareturntheta之后可以对这种分类问题进行简单的评估,比如准确率,召回率,精确率。使用sklearn自带的数据进行测试。
  • Python|机器学习-一元线性回归
    一元线性回归模型很简单y1=ax+b+ε,y1为实际值,ε为正态的误差。y2=ax+b,y2为预测值。ε=y1-y2。def model(a,b,x):  # x is vector,a and b are the common number. return a*x+b这里将整组数据的预测结果方差作为损失函数。J(a,b)=sum((y1-y2)^2)/ndef cost(a,b,x,y):    # x is argu, y is actual result.        n=len(x)    re...
  • Python|传统方法实现车牌定位
    如果给你一张图片,你会怎么找出图片中的车牌呢?是用传统的方法依靠特征筛选找到车牌?还是用新款的RTX2080Ti煤气灶来炼丹呢?虽然我知道炼丹只需要丢原材料,但是很明显,我连原材料都不会放,那么我只能老老实实地选择最传统的依靠车牌的特征从而来定位它了。分析车牌,发现车牌有以下特征:车牌的长宽比是由大小的限制的,一般长比宽不回大于5,也不会小于2;车牌在一张图片中的面积也是有大小的,具体要根据拍摄的位置估算一张车牌的面积;车牌内的字符将车牌内各区域分割开来。车牌定位思路图片裁剪去噪黑白化区域扩充轮廓查找区域筛...
  • 整合图像处理写成GUI程序
    图像处理的部分也结束了,把matlab写的代码做了一下整合,写了一个简单的程序。程序能够完整地走完米粒图的提取,可以将一张被噪声污染的米粒图,通过图像增强,图像还原等手段,将图中的米粒与其他区域分分割开来。软件结构很简单,因为功能很少。主要集中在菜单栏以及弹出的对话框,从而完成整个程序的操作。其中算法都是自己实现的,但是其中傅里叶的变换和逆变换中,还有二值形态学的卷积时考虑到效率的问题,将离散傅里叶变换替换成了提供的快速傅里叶变换以及反变换,二值形态学的开闭以及膨胀腐蚀也都换成了库函数。程序是dip的大作业...
  • 没有基础也能写个小程序
    文章记录了小程序的设计思路,介绍了使用的技术,描述了提交审核的故事,还提供了最终的完整源码背景说明微信小程序自从发布以来就占据着超高的话题热度,一直以来都想开发一款自己的小程序,但苦于不懂前端迟迟没有开始。偶然发现了ColorUI这个开源的小程序组件库,界面好看且提供Demo,心中狂喜马上动手做个什么小程序呢?想了一圈这半年多一直坚持在写技术文章,为此开通了微信公众号,因为公众号查看文章列表不友好,且不方便在微信以外的渠道传播,我又利用Github Pages搭建了运维咖啡吧网站主页,就想做个类似于网站主页...
个人资料

世与俗,致敬之。 这里谈Python,当然也会提及MySQL。 如果不小心用java或者c实现代码,也请不要惊讶。 除此之外这里还有着各种关于Python编程和MySQL的资料。