什么是感知机？机器学习中有分类和回归两大问题：回归预测线性问题，例如房子价格、每一年的降水量 。分类给物体分类，输出之后输出判断是一个香蕉还是一个苹果。感知机是神经网络的基础引入问题颜色越红，形状越圆的是苹果颜色越黄，形状为长条的是香蕉这是数据分布的散点图，怎么才能找到一个线来把香蕉和苹果分类出来呢？决策边界y=mx + b是线性回归预测的数据都是分布在线上的点分类问题产生一个决策线，在决策线上方

PyTorch在前面使用纯手工做了线性回归，线性回归的问题其实就是求解损失函数最小的情况下的w值。在PyTorch里面很多的函数都进行了封装，我们直接用就可以。损失函数手写损失函数def loss(y, y_pred):"""损失函数"""# (真实值 - 预测值)^2 的平均值return ((y_pred - y)**2).mean()PyTorch封装的损失函数损失函数就是计算 （预测值-真

图像融合按照一定的比例将两张图片融合在一起addWeighted()方法：参数1第一张图片矩阵参数2第一张图片矩阵的权重参数3第二张图片矩阵参数4第二张图片矩阵的权重融合之后的偏移量进行叠加的两张图片宽高应该相同叠加之后的像素偏移值如果填的话不要填太大,超过255会导致图像偏白import cv2import cv2 as cvimg = cv.imread("img/lena.jpg")tony

目录登录逻辑登录逻辑图解用户登录逻辑流程登录逻辑视图内代码多用户登录（判断是用手机号登录还是用户名登录）退出逻辑退出逻辑流程退出登录视图内代码登录逻辑登录逻辑图解用户登录逻辑流程提取前端的数据① 用户输入的用户名② 用户输入的密码③用户是否勾选记住密码验证参数① 判断参数是否全部都有② 验证用户用户名和密码是否正确保持登录状态处理记住密码① 如果勾选了记住密码就设置session有效期，看需求要记

为什么要整理数据对于这种“宽”数据，在展示方面来说没有什么问题，但是数据分析的时候我们需要“长”数据，这时候就需要整理数据整理成我们想要的样子。melt函数把字段拆分成数据id_vars参数：保留哪个字段（可以保留多个字段）var_name参数：为其余转换的字段起别名value_name参数：为值的那一列起别名pew_long = pd.melt(pew,id_vars='religion',va

转换为字符串类型tips['sex_str'] = tips['sex'].astype(str)转换为数值类型转为数值类型还可以使用to_numeric()函数DataFrame每一列的数据类型必须相同，当有些数据中有缺失，但不是NaN时（如missing,null等），会使整列数据变成字符串类型而不是数值型，这个时候可以使用to_numeric处理#创造包含'missing'为缺失值的数据ti

什么是Apply自定义函数？Pandas提供了很多处理数据的API，如果自己的需求不能被这些API满足的时候，我们就需要写自定义函数使用apply函数apply函数接收一个自定义函数，将DataFrame的 行/列 数据传递给自定义函数处理。apply函数类似for循环，遍历行/列的每一个元素，比原生的for循环效率高。Series使用apply自定义函数创建数据创建自定义函数调用apply函数传

PyTorch在前面使用纯手工做了线性回归，线性回归的问题其实就是求解损失函数最小的情况下的w值。在PyTorch里面很多的函数都进行了封装，我们直接用就可以。损失函数手写损失函数def loss(y, y_pred):"""损失函数"""# (真实值 - 预测值)^2 的平均值return ((y_pred - y)**2).mean()PyTorch封装的损失函数损失函数就是计算 （预测值-真

什么是线性回归？线性回归是利用函数对一个或多个自变量和因变量之间关系进行建模的一种回归分析, 简单来说线性回归其实是试图找到自变量与因变量之间的关系比如房子的面积和价格：房子的面积越大，房子的价格就越高假设房子的面积和价格符合方程y = mx + b准备房子面积和价格的数据import numpy as npdata = np.array([[80,200],[95,230],[104,245],

正向传播神经网络本质上就是一个复杂且有很多参数的复合函数，数据为函数的输入，结果为函数的输出。正向传播就是通过函数的输入以及神经网络，得到函数的输出。通常用来验证当前的参数是否是最优解，或者已经训练好的模型用来检测。例如函数： y=w∗xy = w*xy=w∗x通过调整过的参数www和数据xxx传入进去：获取到预测值 y′y'y′获取到损失值：loss=(y−y′)2loss = (y - y')