原本想用keras的cifar10数据集，但是load_data()的过程太慢了，于是自己各找了猫和狗的10张RGB照片，并且通过opencv将图片全部压缩成32x32尺寸的图像，然后猫和狗各有7张图像用来训练卷积神经网络，剩余的各自3张用来进行测试，测试结果的高低很大程度上取决于训练集，如果训练集图像（指32x32尺寸）分辨率较高，卷积神经网络参数设置合理，最终测试结果的accuracy也会较高

from lxml import etreeimport urllibimport urllib.requestimport xlwtimport pandas as pdfrom pyecharts import Geoimport matplotlib.pyplot as pltimport matplotlib as mpldef getpage(url):req...

原本想用keras的cifar10数据集，但是load_data()的过程太慢了，于是自己各找了猫和狗的10张RGB照片，并且通过opencv将图片全部压缩成32x32尺寸的图像，然后猫和狗各有7张图像用来训练卷积神经网络，剩余的各自3张用来进行测试，测试结果的高低很大程度上取决于训练集，如果训练集图像（指32x32尺寸）分辨率较高，卷积神经网络参数设置合理，最终测试结果的accuracy也会较高

sklearn(scikit-learn)是python机器学习常用的第三方模块，是一个开源的机器学习库，它支持监督学习和非监督学习。它还为模型拟合、数据预处理、模型选择和评估以及许多其他实用工具提供了各种工具。sklearn对机器学习的常用算法进行了封装，包括回归、降维、分类、聚类等。对于以下的机器学习分类实践所用到的函数及方法进行说明。1.np.c_[ ]和np.r_[ ]的用法解析&gt..

torch.nn.Conv2d()为torch中的卷积层，参数如下：def __init__(self, in_channels,out_channels,kernel_size, stride=1,padding=0, dilation=1,groups=1, bias=True,padding_mode='zero

CV领域最近几年发展火热，各种先进算法、模型层出不穷，CV领域的科研工作者和从业者也被迫需要天天学习新的structure，幻想有朝一日能够提出实现SOTA的方法。图像识别兜兜转转，居然从MLP开始经过CNN、Transformer又回到了MLP，近日，谷歌大脑团队提出的MLP-Mixer又引发了CV领域的浪潮，论文发布在arXiv，仔细发现参与的研究者大多也是Vision Transformer

print(optimizer.state_dict()['param_groups'][0]['lr'])

数据集来源于某个比赛，文件是.json格式，内部嵌套了多个字典：json文件中的每一项的键是论文id,值是一个字典，该字典又包含键authors(作者)、title(论文题目)、abstract(摘要)、keywords(关键字)、venue(期刊)、year(年份)、id(论文编号)。第一步数据清洗的关键是从json文件中提取有用成分，这里只提取了作者名、作者所在机构和作者论文的关键字，由于文件

import cv2 as cvimage=cv.imread("E:\\python\\timg.jpg",1)#使用级联分类器对人脸进行训练和检测face_engine=cv.CascadeClassifier("E:\\python\\haarcascade_frontalface_default.xml")#捕获所有人脸轮廓，返回人脸轮廓的坐标以及宽度和高度faces=fa...

卷积神经网络的概念最早出自科学家提出的感受野，在19世纪60年代科学家通过对猫的视觉皮层细胞研究发现，每一个视觉神经元只会处理一小块区域的视觉图像。这明显区别于传统的神经网络，传统的神经网络是一种全连接模型，在处理大量数据时，由于这种全连接模型使得模型复杂度大大提升，而且易出现过拟合的现象。然而在卷积神经网络中，可以利用空间结构关系减少需要学习的参数量，提高算法的训练效率。而且，第一个卷积层会直.