登录社区云，与社区用户共同成长
邀请您加入社区
在日常事件研判工作中，海量数据的预处理与清洗占据了大量时间。为了提升效率，我尝试借助AI“偷个懒”——通过编写自动化脚本，配合DeepSeek与ChatGPT构建半自动化的处理流程。具体思路：利用DeepSeek进行语言润色与Prompt优化，利用ChatGPT生成核心代码（包括正则匹配、数据清洗、批量处理逻辑等）。最初只想实现一个基础的清洗脚本，没想到逐步扩展到日志解析、特征提取与结果校验等环节
本文介绍了一个基于 ONNX Runtime 的在线人脸识别比对系统的全栈实现。系统采用 Python Tornado 作为后端，ONNX Runtime 进行模型推理，前端使用原生 JavaScript。它通过 AES 加密加载模型，对用户上传的两张图片进行人脸检测、年龄/性别估计、姿态角计算与活体特征提取，最终利用余弦相似度计算并映射为 0~100 的直观分数。文章详细拆解了图像预处理、多属性
numpy提供了argwhere 方法筛选数组中非0项，然后返回这些项的坐标。1.针对二分类将预测出来的二值图像划分为布尔前景/背景。4. 列表切割(所有坐标数*95%)的数组。3. 对坐标进行排序：np.sort()2.所有前景的坐标计算。
本文针对蒙西电网次日实时电价预测与储能套利问题，构建了基于 LightGBM 与 GradientBoostingRegressor（GBR）的预测模型，并结合特征工程与超参数优化提升模型效果。实验发现，储能收益相比传统预测误差，更依赖于电价波动的相对排序与振幅，因此提出了动态振幅增强方法以扩大套利空间。最终模型在保持预测稳定性的同时，显著提升了储能收益与比赛成绩。
要打印模型内部的梯度流，可以通过注册PyTorch的**前向/反向钩子（hooks）**来捕获并记录各层在前向传播和反向传播过程中的梯度信息。核心原理是在模型的前向传播和反向传播路径上插入回调函数，用于提取和保存中间梯度数据。
摘要 在PyTorch模型导出ONNX时，"No Adapter To Version 17 for Resize"和".numpy() not supported"错误常见于包含Resize算子的模型。本文提供了一套完整的解决方案：首先升级ONNX及相关库至最新版本；其次明确指定opset_version=17以保留最新特性；然后通过将模型中的Parame
本文介绍了深度学习中的块和层概念，通过PyTorch实现自定义神经网络组件。主要内容包括：1）块的基本功能与编程实现，包括前向传播和参数存储；2）从零构建多层感知机（MLP）类，展示如何继承nn.Module并实现关键方法；3）仿制Sequential类的实现原理，通过有序字典管理网络层；4）讨论在自定义块中执行任意代码和控制流的灵活性。文章通过代码示例演示了如何组合简单层构建复杂模型，为理解神经
【数据分析实践要点】数据探索是基础，需检查数据类型、缺失值和分布特征；数据清洗需处理缺失值、重复值等问题。可视化工具(matplotlib/seaborn)能直观呈现数据规律。常用库包括pandas(核心操作)、numpy(数值计算)和scikit-learn(机器学习)。预处理时需标准化数据并进行特征工程。分析方法上，EDA可挖掘数据特征，模型选择需匹配问题类型。项目应遵循完整流程，注重代码规范
F1分数是评估机器学习模型性能的重要指标，它是精确率（Precision）和召回率（Recall）的调和平均，最大值严格为1。当模型预测完全正确时，F1达到1；若任一指标趋近0，F1也趋近0。精确率衡量预测可靠性，召回率体现覆盖率，二者常需权衡。F1的作用是平衡两者，确保模型既可信又全面。实际应用中需根据场景需求侧重不同指标：如垃圾邮件检测优先精确率，癌症筛查则重召回率。理解F1的数学约束与指标意
中草药饮片识别系统是一个融合人工智能图像识别技术的综合性平台，旨在为中草药的智能化识别与分类提供高效解决方案。该系统采用前后端分离的先进架构设计，创新性地集成基于 Java 的 RuoYi 框架与基于 Python 的 Django 框架作为双后端，通过 API 接口实现无缝协同，构建了功能完备的中草药图像识别体系。
本文记录了深度学习环境的详细配置过程。使用Python 3.9.10+Anaconda 2021.10+PyTorch 1.10+CUDA 11.3组合，强调版本兼容性需匹配电脑配置（通过nvidia-smi查询CUDA支持）。安装步骤包括Anaconda基础安装、环境变量配置、虚拟环境创建(torch1.10)、PyTorch套件安装及常见问题处理（如镜像源冲突、NumPy版本报错需降级到1.2
三维及以上数组用于表示更复杂的结构，如三维空间数据（体积像素）、视频帧序列（时间 + 空间维度）、张量（机器学习中的高维数据）等。数组的维度是数组的核心属性之一，它决定了数据的组织形式和结构，对数据存储、访问、运算及算法设计都有着至关重要的影响。线性结构的代表 一维数组是最简单的数组形式，数据按顺序排列成一条 “直线”，类似数学中的向量。由结果可知该shap数组为三维数组，可以利用上面学习的数组操
本文系统介绍了NumPy数组的基础知识及其在深度学习中的应用。主要内容包括：1.数组维度概念及与Tensor的关系，强调NumPy是深度学习框架的基础；2.一维、二维及多维数组的结构特点与创建方法；3.随机数组生成的四种方法对比及其适用场景；4.数组运算（加减乘除、矩阵运算）和索引操作（包括切片和高级索引）；5.结合实例演示了SHAP值在模型特征重要性分析中的应用，通过随机森林分类器展示了SHAP
是NumPy库中用于生成正态分布（高斯分布）随机数的函数。该函数广泛用于统计分析、机器学习中的数据生成和模拟实验。
本文系统解析Python核心库Numpy的高维数据操控之道，直击传统列表在存储与计算中的性能瓶颈。通过掌握ndarray的多维结构（shape/ndim/dtype）、矩阵生成术（zeros/arange/随机矩阵）和向量化运算（广播机制/矩阵乘法），开发者可轻松实现千倍性能飞跃。内容涵盖数据创建、类型转换、统计函数、排序去重等实战技巧，特别针对图像处理、机器学习场景，揭秘
NumPy 提供了一系列的数组操作函数或方法，包括形状调整、元素增删、合并拆分、数学运算等，是数据科学、机器学习和科学计算中处理数值数据的核心工具。
在机器学习中转置常用于：调整图像数据的通道顺序。将时间序列数据从 (序列长度, 特征数) 转为 (特征数, 序列长度)。神经网络中的权重矩阵维度匹配。卷积操作中的滤波器方向调整。
Conda是数据科学、机器学习和Python开发中不可或缺的环境管理工具，能够有效解决依赖冲突和版本不兼容问题。本文全面介绍了Conda的基础概念、核心操作和高级应用，包括环境创建、激活、删除、库的安装与卸载等。此外，还探讨了如何配置国内高速下载源、导出与迁移环境配置、多环境管理以及打包可移植环境等高级技巧。文章还详细讲解了如何在PyCharm、Jupyter Notebook等主流IDE中集成C
Cluster 0: 新客户或低活跃度客户，需要通过促销活动等手段提高其消费频率和金额。Cluster 1: 高频消费者或忠诚客户，是企业的核心客户群体，需要提供优质服务和个性化营销策略来保持其忠诚度。Cluster 2: 高价值但低活跃度客户，需要通过定向营销等手段重新激活其消费行为。
`numpy`（Numerical Python）是 Python 生态中用于高性能科学计算的基础库，其核心是 多维数组对象（`ndarray`），支持矢量化运算、广播机制和底层 C 优化。它广泛应用于数据科学、机器学习、信号处理等领域，是 `pandas`、`scikit-learn`、`TensorFlow` 等库的底层依赖。
numexpr 是一个用于高效数值计算的 Python 库，特别适合对大型数组进行快速的数学运算。它通过将 Python 表达式编译为优化的机器代码（利用多线程和向量化指令），显著提高计算性能。numexpr 是基于 NumPy 的扩展，通常与 NumPy 数组一起使用，适用于科学计算、数据分析和机器学习等场景。
模块的命名一定要符合标识符命名规则test(5,6)注意：若调用相同的模块，第二个会覆盖第一个。即使用第二个模块。
一般对于程序员来说编程语言自带的 int、long、float 等类型就已经够用了。但是在机器学习领域，数据量都是非常大的，比如一张 224x224 的 RGB 图片用 float32 类型存储时，就需要占用 588 KB 内存，进行各种运算时会消耗大量的计算机资源。对于一些特定的数据类型 GPU 才支持加速，深度学习框架也会对数据类型有所要求，所以在 AI 领域，数据类型非常重要。
在本项目中，运用 Python 搭配机器学习技术，对数据集展开深度剖析。数据处理完成后，将处理结果以直观、生动的可视化形式呈现出来
数据表示的历史背景NumPy 是 Python 科学计算的基础库，早期设计为处理多维数组TensorFlow 由 Google Brain 团队开发，采用张量（Tensor）作为核心数据结构两者在矩阵存储方式上存在历史遗留的不一致性矩阵维度的关键概念矩阵维度表示为行数×列数（如 2×3 矩阵）行向量（1×n）与列向量（n×1）的区别NumPy 一维数组（ndarray）与二维矩阵的差异数据输入的维
本例使用了一个Abalone（Datasets - UCI Machine Learning Repository）数据集， 其中包含关于鲍鱼的信息。数据以data形式保存在dataset文件夹中，其中 abalone.data是数据，abalone.names是本案例数据的英文解释。以下是数据集的 中文解释：数据集地址鲍鱼 - UCI 机器学习存储库通过物理测量预测鲍鱼的年龄。鲍鱼的年龄是通过将
深度学习图片分类任务理论。
返回一个元组，元组中的每个元素表示数组在对应维度上的大小。元组的长度等于数组的维度数。shape 属性功能：1.返回一个由数组维度构成的元组2.通过赋值，可以用来调整数组维度的大小注意：如果使用shape属性修改数组的形状，则修改的是原数组的形状，reshape修改数组的形状会返回一个新数组，不修改原数组的形状。
邱锡鹏老师《神经网络与深度学习》Numpy 练习题（不一定唯一，欢迎大家积极讨论和提供更优方案）
NumPy 作为一个高效的多维数组科学计算库，广泛应用于人工智能（AI）的各个领域中，提供了基础数据结构、高效计算等能力，几乎贯穿了数据处理、模型训练、算法实现和结果分析的等各个环节，是我们在入门 AI 时必须学习和掌握的一个基础库。
本文将介绍人工智能必备数学基础之统计分析，通过详细的Python代码，在学习相关概率分布的同时，为Python语言夯实基础，内容持续更新中
朴素贝叶斯算法基于贝叶斯定理，通过计算给定特征条件下每个类别的概率，选择概率最大的类别作为预测结果。其核心假设是特征之间相互独立，这一假设虽然在现实中往往不成立，但朴素贝叶斯在许多任务中仍然表现出色。
决策树是一种直观且强大的机器学习算法，广泛应用于分类和回归任务。它通过树状结构的决策规则来建模数据，易于理解和解释。今天，我们就来深入探讨决策树的原理、实现和应用。
支持向量机（Support Vector Machine，SVM）是一种强大的监督学习算法，广泛应用于分类和回归任务。SVM的核心思想是通过寻找最优超平面来最大化不同类别数据点之间的间隔，从而实现分类或回归。今天，我们就来深入探讨支持向量机的原理、实现和应用。
在这一集中，我们将带你了解机器学习的基本概念、主要类型以及它在现实生活中的应用。无论你是初学者还是有一定经验的开发者，这篇文章都会为你打下坚实的基础。同时，我们还完成了Python环境的搭建，并通过一个简单的数据集进行了实践操作。是人工智能（AI）的一个分支，旨在让计算机从数据中自动学习规律，并根据这些规律做出预测或决策，而无需明确编程指令。Python是机器学习的首选语言，因为它拥有丰富的库和社
NumPy 提供的丰富的数学函数库
本文介绍了一种基于伪标签策略的半监督学习方法，用于解决深度学习中的数据标注不足问题。该方法通过以下步骤实现：1）用初始模型预测无标签数据；2）筛选置信度高于0.99的预测作为伪标签；3）混合伪标签数据和真实标签数据进行训练。文章详细展示了实现过程，包括数据预处理、模型架构设计、训练验证流程等关键技术环节。实验结果表明，该方法能有效利用无标签数据提升模型性能，同时通过设置高置信度阈值避免低质量伪标签
Numpy是Python中用于科学计算的核心库，提供了高效的N维数组对象ndarray。相比Python原生列表，ndarray具有显著优势：内存连续存储提升访问速度，支持并行化运算，底层C语言实现带来更高效率。ndarray支持多维数组操作，通过shape属性表示维度，dtype属性指定元素类型（如int32、float64等）。这些特性使Numpy成为机器学习和大规模数据处理的理想工具，能显著
MATLAB代码：基于二阶锥优化及OLTC档位选择的配电网优化调度关键词：OLTC档位选择 二阶锥优化 动态优化 最优潮流参考文档：《主动配电网最优潮流研究及其应用实例》仅参考部分模型，非完全复现《主动配电网多源协同运行优化研究_乔珊》仅参考部分模型，非完全复现仿真平台：MATLAB YALMIP+CPLEX优势：代码注释详实，适合参考学习，全程有讲解！，全程有讲解！程序非常精品！
本文系统讲解了机器学习中的多元分析方法，通过Python代码演示了多元数据处理全流程。主要内容包括：1）多元数据探索与可视化；2）参数估计方法；3）缺失值处理技术；4）多元正态分布建模；5）多元分类与回归实现；6）模型复杂度调整策略；7）离散特征处理方法。所有章节均配有可运行的完整代码和可视化效果对比，直观展示不同方法的优劣。文章还提供了习题练习和参考文献，帮助读者从理论到实践全面掌握多元分析方法
Anaconda 自带 Jupyter Notebook自动帮你管理 Python 和常用科学计算库非常适合学习 / 写作业 / 数据分析 / 机器学习。
NumPy（Numerical Python）是 Python 科学计算领域的核心基础库，核心提供了高性能的多维数组对象ndarray，以及一套专为数组设计的高效操作函数。相较于 Python 原生列表，NumPy 数组在数值计算、批量数据处理中能实现数量级的效率提升，是数据分析、机器学习、数值模拟等领域的必备工具。numpy的数据类型为ndarraynp.array()是基础转换方式，用于标准化
本文系统介绍了NumPy中的线性代数基础及其在机器学习中的应用。主要内容包括：1）标量与向量的基本运算；2）矩阵的乘法、转置、逆等核心操作；3）重点讲解机器学习中常用的矩阵操作，包括批次向量化、协方差矩阵计算、SVD分解、特征分解等，并给出实践建议；4）介绍低秩近似和矩阵求逆的数值稳定性问题。通过Python代码示例演示了如何使用NumPy实现这些线性代数运算，为机器学习实践提供了重要的数学工具基
本文深入探讨了Numpy一维向量在行向量和列向量之间的灵活转换技巧，揭示了其在科学计算和机器学习中的实用价值。通过实例演示了广播机制、矩阵乘法中的自动适配以及维度明确指定的最佳实践，帮助开发者高效处理数值计算任务，提升代码性能与可读性。
在Python数据分析、机器学习、人工智能以及科学计算领域，NumPy是绝对的基石库。全称Numerical Python，它提供高性能的多维数组对象ndarray，运算速度比Python原生列表快几十甚至上百倍，后续学习Pandas、Matplotlib、机器学习框架都必须先掌握NumPy基础。
基于某在线零售平台全年交易数据，本研究运用RFM模型与K‑means聚类对客户进行分层分析。首先构建R、F、M指标，通过均值阈值初步划分客户类型，再经肘部法则确定K=3，将客户分为重要价值客户（簇2）、潜在价值客户（簇0）和一般挽留客户（簇1）。进一步拓展国家市场分析，利用气泡图与四象限法识别出潜力市场、现金牛市场及问题市场。退货行为分析显示，重要价值客户个体退货频率高，一般挽留客户退货金额占比最
用「下采样」替代之前的 SMOTE 过采样，解决信用卡欺诈检测的类别不平衡问题，并基于逻辑回归模型完成从数据预处理、参数调优到模型评估的全流程，整体逻辑围绕 “下采样平衡数据→交叉验证选最优参数→模型训练→多维度评估” 展开。
numpy
——numpy
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
DeepSeek技术社区
AtomGit开源社区
全球具身智能开发者社区
脑启社区
北京朝阳AI社区
