今天用python实现了一下神经网络回归，遇到了好几个问题，总结了一下问题的类型和解决方案：本文侧重实现过程中的问题解决代码如下：from sklearn import datasetsimport numpy as npfrom sklearn.model_selection import train_test_splitfrom sklearn import preproces...

上一篇介绍了决策树，如何给出类别概率，那么很自然就想了随机森林。细节不说了，直接看代码。from sklearn.datasets import load_irisfrom sklearn import treefrom sklearn.ensemble import RandomForestClassifierimport numpy as npimport graphvizx = load_i

conda create -n Tensorlite python=3.8 (这一块与以前写过Tensorflow 2.* 安装一样)再输入 conda create -n Tensorlite python=3.8 就成功了！这一步选择 增加解释器 选择conda enviroment 下拉菜单就可以发现。cd /pycharm-community-2022.2.3/bin 执行。这一步需要按一

上一章节已经实现了yolov3模型，接下来就要用fastapi来部署模型。代码如下建立一个文件夹用来返回图片预测的结果import osdir_name = "images_uploaded"if not os.path.exists(dir_name):os.mkdir(dir_name)接下来实现部署模型代码import ioimport uvicornimport numpy as npim

上一篇介绍了决策树，如何给出类别概率，那么很自然就想了随机森林。细节不说了，直接看代码。from sklearn.datasets import load_irisfrom sklearn import treefrom sklearn.ensemble import RandomForestClassifierimport numpy as npimport graphvizx = load_i

运行bert代码时的报错及解决方案。

上一章节已经实现了yolov3模型，接下来就要用fastapi来部署模型。代码如下建立一个文件夹用来返回图片预测的结果import osdir_name = "images_uploaded"if not os.path.exists(dir_name):os.mkdir(dir_name)接下来实现部署模型代码import ioimport uvicornimport numpy as npim

VMware虚拟机安装Ubuntu

今天用python实现了一下神经网络回归，遇到了好几个问题，总结了一下问题的类型和解决方案：本文侧重实现过程中的问题解决代码如下：from sklearn import datasetsimport numpy as npfrom sklearn.model_selection import train_test_splitfrom sklearn import preproces...

时，已经提到过了如何安装一个虚拟的环境，这样做可以保证每个项目的package之间不会出现冲突。但是最近遇到了一个小问题，就是如果写代码时候用的Jupyternotebook时，选择changekernel的位置并没有，新安装好的虚拟环境，只有一个自带python3(ipykernel)，如下图。我们选择Pytorch后，就可以使用我们配置好的Pytorch环境了。针对这个问题查了一些资料，终于搞