滤波无非就是把数据中的噪声（无用的干扰信息）进行过滤去除。好比在景区拍照，你永远都会拍到别的游客！自拍除外。其实记住一句话，**滤波的核心就是调参**。前人已经为我们设计了很多算法，也有人为我们把代码写入库内。 **好人一生平安！** 我们做的仅仅是简简单单的调参。这就好像给一个二次函数寻找零点。$$f(x) = x^2-2 \quad \quad$$我们目的就是找到使f(x)最接近0的那个值，但

提前开个文章。前几天搭建环境给劝退，还是过几天选用老版本的visual studio和Opencv、PCL库吧。用的vs2019，opencv倒是弄好了，pcl报各种各样的错。一开始想用vscode，弄了半天也是弄不好。然后又想用vcpkg这个类似于python里pip的东西，又各种掉坑里。有大佬会的话，求带。...

import matplotlib.pyplot as pltfrom sklearn.datasets.samples_generator import make_blobsfrom sklearn.cluster import KMeans# 生成测试数据# X为样本特征，Y为样本簇类别，共1000个样本，每个样本2个特征，对应x和y轴，共4个簇，# 簇中心在[-1,-1], [0,0],[1

基础篇结束。以后的模块单独开一篇文章。

输入为12个特征，[‘age’, ‘sibsp’, ‘parch’, ‘fare’, ‘female’, ‘male’, ‘embark_C’, ‘embark_Q’, ‘embark_S’, ‘class_1’, ‘class_2’, ‘class_3’]再到隐藏层12和8和神经元，最后输出2个预测结果。

这章内容是真多啊！（学完之后又回到开头感叹）将图像从基础像素到局部信息再到整体信息即将图片由低级特征到高级特征进行逐级计算，逐级累计。计算机中对图片的处理可以理解为离散微积分的过程。利用卷积操作对图片的局部信息处理，生成低级特征对低级特征进行多次卷积操作，生成中级特征、高级特征将多个局部信息的高级特征组合到一起，生成最终的解释结果这就是卷积神经网络比全连接权重更少，对数据进行基于区域小规模运算，改

PyTorch深度学习和图神经网络（卷 1）——基础知识>一书配套代码，该章为实例，不做具体分析，只叙述大致流程。先利用sklearn生成如下数据集。我将随机种子设置为404然后开始搭建网络，该网络模型共三层，输入、隐藏、输出。第一层为两个输入，即为点的横纵坐标，第二层为任意设置的神经元个数用来拟合，第三层为2个输出，即为两种类别。

本书之后的内容与当前需求不符合不再学习信息熵与概率的计算关系…联合熵、条件熵、交叉熵、相对熵（KL散度）、JS散度、互信息。

本书之后的内容与当前需求不符合不再学习信息熵与概率的计算关系…联合熵、条件熵、交叉熵、相对熵（KL散度）、JS散度、互信息。

cv2.error: OpenCV(4.8.0) :-1: error: (-5:Bad argument) in function 'putText' Overload resolution failed: Can't parse 'org'. Sequence item with index 0 has a wrong type in function 'rectangle' Overload