[numpy]的搜索结果

...入了解Python，NumPy，Matplotlib和Pandas。 第3课：从CSV加载数据。 第4课：了解具有描述性统计信息的数据。 第5课：通过可视化了解数据。 第6课：通过预处理数据准备建模。 第7课：使用重采样方法进行算法评估。 第8课：算法评估指标。 第9课：现场检查算法。 第10课：模型比较和选择。 第11课：通过算法调整提高准确性。 第12课：利用集合预测提高准确性。 第13课：完成并保存模型。 第14课：Hello World端到端项目。 每节课可能需要您60秒钟或最多30分钟。花点时间按照自己的进度完成课程。提出问题，甚至在以下评论中发布结果。 这些课程希望您能开始学习并做事。我会给您提示，但每节课的重点是迫使您学习从哪里寻求有关Python平台的帮助（提示，我直接在此博客上获得了所有答案，请使用搜索特征）。 在早期课程中，我确实提供了更多帮助，因为我希望您树立一些信心和惯性。 挂在那里，不要放弃！ 第1课：下载并安装Python和SciPy 您必须先访问平台才能开始使用Python进行机器学习。 今天的课程很简单，您必须在计算机上下载并安装Python 3.6平台。 访问Python主页并下载适用于您的操作系统（Linux，OS X或Windows）的Python。在计算机上安装Python。您可能需要使用特定于平台的软件包管理器，例如OS X上的macports或RedHat Linux上的yum。 您还需要安装SciPy平台和scikit-learn库。我建议使用与安装Python相同的方法。 您可以使用Anaconda一次安装所有内容（更加容易）。推荐给初学者。 通过在命令行中键入“ python”来首次启动Python。 使用以下代码检查所有您需要的版本： 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 Python version import sys print('Python: {}'.format(sys.version)) scipy import scipy print('scipy: {}'.format(scipy.__version__)) numpy import numpy print('numpy: {}'.format(numpy.__version__)) matplotlib import matplotlib print('matplotlib: {}'.format(matplotlib.__version__)) pandas import pandas print('pandas: {}'.format(pandas.__version__)) scikit-learn import sklearn print('sklearn: {}'.format(sklearn.__version__)) 如果有任何错误，请停止。现在该修复它们了。 需要帮忙？请参阅本教程： 如何使用Anaconda设置用于机器学习和深度学习的Python环境 第2课：深入了解Python，NumPy，Matplotlib和Pandas。 您需要能够读写基本的Python脚本。 作为开发人员，您可以很快选择新的编程语言。Python区分大小写，使用哈希（＃）进行注释，并使用空格指示代码块（空格很重要）。 今天的任务是在Python交互环境中练习Python编程语言的基本语法和重要的SciPy数据结构。 练习作业，在Python中使用列表和流程控制。 练习使用NumPy数组。 练习在Matplotlib中创建简单图。 练习使用Pandas Series和DataFrames。 例如，以下是创建Pandas DataFrame的简单示例。 1 2 3 4 5 6 7 8 dataframe import numpy import pandas myarray = numpy.array([[1, 2, 3], [4, 5, 6]]) rownames = ['a', 'b'] colnames = ['one', 'two', 'three'] mydataframe = pandas.DataFrame(myarray, index=rownames, columns=colnames) print(mydataframe) 第3课：从CSV加载数据 机器学习算法需要数据。您可以从CSV文件加载自己的数据，但是当您开始使用Python进行机器学习时，应该在标准机器学习数据集上进行练习。 今天课程的任务是让您轻松地将数据加载到Python中并查找和加载标准的机器学习数据集。 您可以在UCI机器学习存储库上下载和练习许多CSV格式的出色标准机器学习数据集。 练习使用标准库中的CSV.reader（）将CSV文件加载到Python 中。 练习使用NumPy和numpy.loadtxt（）函数加载CSV文件。 练习使用Pandas和pandas.read_csv（）函数加载CSV文件。 为了让您入门，下面是一个片段，该片段将直接从UCI机器学习存储库中使用Pandas来加载Pima Indians糖尿病数据集。 1 2 3 4 5 6 Load CSV using Pandas from URL import pandas url = "https://raw.githubusercontent.com/jbrownlee/Datasets/master/pima-indians-diabetes.data.csv" names = ['preg', 'plas', 'pres', 'skin', 'test', 'mass', 'pedi', 'age', 'class'] data = pandas.read_csv(url, names=names) print(data.shape) 到现在为止做得很好！等一下 到目前为止有什么问题吗？在评论中提问。 第4课：使用描述性统计数据理解数据 将数据加载到Python之后，您需要能够理解它。 您越了解数据，可以构建的模型就越精确。了解数据的第一步是使用描述性统计数据。 今天，您的课程是学习如何使用描述性统计信息来理解您的数据。我建议使用Pandas DataFrame上提供的帮助程序功能。 使用head（）函数了解您的数据以查看前几行。 使用shape属性查看数据的维度。 使用dtypes属性查看每个属性的数据类型。 使用describe（）函数查看数据的分布。 使用corr（）函数计算变量之间的成对相关性。 以下示例加载了皮马印第安人糖尿病发病数据集，并总结了每个属性的分布。 1 2 3 4 5 6 7 Statistical Summary import pandas url = "https://raw.githubusercontent.com/jbrownlee/Datasets/master/pima-indians-diabetes.data.csv" names = ['preg', 'plas', 'pres', 'skin', 'test', 'mass', 'pedi', 'age', 'class'] data = pandas.read_csv(url, names=names) description = data.describe() print(description) 试试看！ 第5课：通过可视化了解数据 从昨天的课程继续，您必须花一些时间更好地了解您的数据。 增进对数据理解的第二种方法是使用数据可视化技术（例如，绘图）。 今天，您的课程是学习如何在Python中使用绘图来单独理解属性及其相互作用。再次，我建议使用Pandas DataFrame上提供的帮助程序功能。 使用hist（）函数创建每个属性的直方图。 使用plot（kind ='box'）函数创建每个属性的箱须图。 使用pandas.scatter_matrix（）函数创建所有属性的成对散点图。 例如，下面的代码片段将加载糖尿病数据集并创建数据集的散点图矩阵。 1 2 3 4 5 6 7 8 9 Scatter Plot Matrix import matplotlib.pyplot as plt import pandas from pandas.plotting import scatter_matrix url = "https://raw.githubusercontent.com/jbrownlee/Datasets/master/pima-indians-diabetes.data.csv" names = ['preg', 'plas', 'pres', 'skin', 'test', 'mass', 'pedi', 'age', 'class'] data = pandas.read_csv(url, names=names) scatter_matrix(data) plt.show() 样本散点图矩阵 第6课：通过预处理数据准备建模 您的原始数据可能未设置为最佳建模形式。 有时您需要对数据进行预处理，以便最好地将问题的固有结构呈现给建模算法。在今天的课程中，您将使用scikit-learn提供的预处理功能。 scikit-learn库提供了两个用于转换数据的标准习语。每种变换在不同的情况下都非常有用：拟合和多重变换以及组合的拟合与变换。 您可以使用多种技术来准备数据以进行建模。例如，尝试以下一些方法 使用比例和中心选项将数值数据标准化（例如，平均值为0，标准偏差为1）。 使用范围选项将数值数据标准化（例如，范围为0-1）。 探索更高级的功能工程，例如Binarizing。 例如，下面的代码段加载了Pima Indians糖尿病发病数据集，计算了标准化数据所需的参数，然后创建了输入数据的标准化副本。 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 Standardize data (0 mean, 1 stdev) from sklearn.preprocessing import StandardScaler import pandas import numpy url = "https://raw.githubusercontent.com/jbrownlee/Datasets/master/pima-indians-diabetes.data.csv" names = ['preg', 'plas', 'pres', 'skin', 'test', 'mass', 'pedi', 'age', 'class'] dataframe = pandas.read_csv(url, names=names) array = dataframe.values separate array into input and output components X = array[:,0:8] Y = array[:,8] scaler = StandardScaler().fit(X) rescaledX = scaler.transform(X) summarize transformed data numpy.set_printoptions(precision=3) print(rescaledX[0:5,:]) 第7课：使用重采样方法进行算法评估 用于训练机器学习算法的数据集称为训练数据集。用于训练算法的数据集不能用于为您提供有关新数据的模型准确性的可靠估计。这是一个大问题，因为创建模型的整个思路是对新数据进行预测。 您可以使用称为重采样方法的统计方法将训练数据集划分为子集，一些方法用于训练模型，而另一些则被保留，并用于估计看不见的数据的模型准确性。 今天课程的目标是练习使用scikit-learn中可用的不同重采样方法，例如： 将数据集分为训练集和测试集。 使用k倍交叉验证来估计算法的准确性。 使用留一法交叉验证来估计算法的准确性。 下面的代码段使用scikit-learn通过10倍交叉验证来评估Pima Indians糖尿病发作的Logistic回归算法的准确性。 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Evaluate using Cross Validation from pandas import read_csv from sklearn.model_selection import KFold from sklearn.model_selection import cross_val_score from sklearn.linear_model import LogisticRegression url = "https://raw.githubusercontent.com/jbrownlee/Datasets/master/pima-indians-diabetes.data.csv" names = ['preg', 'plas', 'pres', 'skin', 'test', 'mass', 'pedi', 'age', 'class'] dataframe = read_csv(url, names=names) array = dataframe.values X = array[:,0:8] Y = array[:,8] kfold = KFold(n_splits=10, random_state=7) model = LogisticRegression(solver='liblinear') results = cross_val_score(model, X, Y, cv=kfold) print("Accuracy: %.3f%% (%.3f%%)") % (results.mean()100.0, results.std()100.0) 您获得了什么精度？在评论中让我知道。 您是否意识到这是中间点？做得好！ 第8课：算法评估指标 您可以使用许多不同的指标来评估数据集上机器学习算法的技能。 您可以通过cross_validation.cross_val_score（）函数在scikit-learn中指定用于测试工具的度量，默认值可用于回归和分类问题。今天课程的目标是练习使用scikit-learn软件包中可用的不同算法性能指标。 在分类问题上练习使用“准确性”和“ LogLoss”度量。 练习生成混淆矩阵和分类报告。 在回归问题上练习使用RMSE和RSquared指标。 下面的代码段演示了根据Pima Indians糖尿病发病数据计算LogLoss指标。 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 Cross Validation Classification LogLoss from pandas import read_csv from sklearn.model_selection import KFold from sklearn.model_selection import cross_val_score from sklearn.linear_model import LogisticRegression url = "https://raw.githubusercontent.com/jbrownlee/Datasets/master/pima-indians-diabetes.data.csv" names = ['preg', 'plas', 'pres', 'skin', 'test', 'mass', 'pedi', 'age', 'class'] dataframe = read_csv(url, names=names) array = dataframe.values X = array[:,0:8] Y = array[:,8] kfold = KFold(n_splits=10, random_state=7) model = LogisticRegression(solver='liblinear') scoring = 'neg_log_loss' results = cross_val_score(model, X, Y, cv=kfold, scoring=scoring) print("Logloss: %.3f (%.3f)") % (results.mean(), results.std()) 您得到了什么日志损失？在评论中让我知道。 第9课：抽查算法 您可能无法事先知道哪种算法对您的数据效果最好。 您必须使用反复试验的过程来发现它。我称之为现场检查算法。scikit-learn库提供了许多机器学习算法和工具的接口，以比较这些算法的估计准确性。 在本课程中，您必须练习抽查不同的机器学习算法。 对数据集进行抽查线性算法（例如线性回归，逻辑回归和线性判别分析）。 抽查数据集上的一些非线性算法（例如KNN，SVM和CART）。 抽查数据集上一些复杂的集成算法（例如随机森林和随机梯度增强）。 例如，下面的代码片段对Boston House Price数据集上的K最近邻居算法进行了抽查。 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 KNN Regression from pandas import read_csv from sklearn.model_selection import KFold from sklearn.model_selection import cross_val_score from sklearn.neighbors import KNeighborsRegressor url = "https://raw.githubusercontent.com/jbrownlee/Datasets/master/housing.data" names = ['CRIM', 'ZN', 'INDUS', 'CHAS', 'NOX', 'RM', 'AGE', 'DIS', 'RAD', 'TAX', 'PTRATIO', 'B', 'LSTAT', 'MEDV'] dataframe = read_csv(url, delim_whitespace=True, names=names) array = dataframe.values X = array[:,0:13] Y = array[:,13] kfold = KFold(n_splits=10, random_state=7) model = KNeighborsRegressor() scoring = 'neg_mean_squared_error' results = cross_val_score(model, X, Y, cv=kfold, scoring=scoring) print(results.mean()) 您得到的平方误差是什么意思？在评论中让我知道。 第10课：模型比较和选择 既然您知道了如何在数据集中检查机器学习算法，那么您需要知道如何比较不同算法的估计性能并选择最佳模型。 在今天的课程中，您将练习比较Python和scikit-learn中的机器学习算法的准确性。 在数据集上相互比较线性算法。 在数据集上相互比较非线性算法。 相互比较同一算法的不同配置。 创建比较算法的结果图。 下面的示例在皮马印第安人发病的糖尿病数据集中将Logistic回归和线性判别分析进行了比较。 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 Compare Algorithms from pandas import read_csv from sklearn.model_selection import KFold from sklearn.model_selection import cross_val_score from sklearn.linear_model import LogisticRegression from sklearn.discriminant_analysis import LinearDiscriminantAnalysis load dataset url = "https://raw.githubusercontent.com/jbrownlee/Datasets/master/pima-indians-diabetes.data.csv" names = ['preg', 'plas', 'pres', 'skin', 'test', 'mass', 'pedi', 'age', 'class'] dataframe = read_csv(url, names=names) array = dataframe.values X = array[:,0:8] Y = array[:,8] prepare models models = [] models.append(('LR', LogisticRegression(solver='liblinear'))) models.append(('LDA', LinearDiscriminantAnalysis())) evaluate each model in turn results = [] names = [] scoring = 'accuracy' for name, model in models: kfold = KFold(n_splits=10, random_state=7) cv_results = cross_val_score(model, X, Y, cv=kfold, scoring=scoring) results.append(cv_results) names.append(name) msg = "%s: %f (%f)" % (name, cv_results.mean(), cv_results.std()) print(msg) 哪种算法效果更好？你能做得更好吗？在评论中让我知道。 第11课：通过算法调整提高准确性 一旦找到一种或两种在数据集上表现良好的算法，您可能希望提高这些模型的性能。 提高算法性能的一种方法是将其参数调整为特定的数据集。 scikit-learn库提供了两种方法来搜索机器学习算法的参数组合。在今天的课程中，您的目标是练习每个。 使用您指定的网格搜索来调整算法的参数。 使用随机搜索调整算法的参数。 下面使用的代码段是一个示例，该示例使用网格搜索在Pima Indians糖尿病发病数据集上的Ridge回归算法。 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 Grid Search for Algorithm Tuning from pandas import read_csv import numpy from sklearn.linear_model import Ridge from sklearn.model_selection import GridSearchCV url = "https://raw.githubusercontent.com/jbrownlee/Datasets/master/pima-indians-diabetes.data.csv" names = ['preg', 'plas', 'pres', 'skin', 'test', 'mass', 'pedi', 'age', 'class'] dataframe = read_csv(url, names=names) array = dataframe.values X = array[:,0:8] Y = array[:,8] alphas = numpy.array([1,0.1,0.01,0.001,0.0001,0]) param_grid = dict(alpha=alphas) model = Ridge() grid = GridSearchCV(estimator=model, param_grid=param_grid, cv=3) grid.fit(X, Y) print(grid.best_score_) print(grid.best_estimator_.alpha) 哪些参数取得最佳效果？你能做得更好吗？在评论中让我知道。 第12课：利用集合预测提高准确性 您可以提高模型性能的另一种方法是组合来自多个模型的预测。 一些模型提供了内置的此功能，例如用于装袋的随机森林和用于增强的随机梯度增强。可以使用另一种称为投票的合奏将来自多个不同模型的预测组合在一起。 在今天的课程中，您将练习使用合奏方法。 使用随机森林和多余树木算法练习装袋。 使用梯度增强机和AdaBoost算法练习增强合奏。 通过将来自多个模型的预测组合在一起来练习投票合奏。 下面的代码段演示了如何在Pima Indians糖尿病发病数据集上使用随机森林算法（袋装决策树集合）。 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 Random Forest Classification from pandas import read_csv from sklearn.model_selection import KFold from sklearn.model_selection import cross_val_score from sklearn.ensemble import RandomForestClassifier url = "https://raw.githubusercontent.com/jbrownlee/Datasets/master/pima-indians-diabetes.data.csv" names = ['preg', 'plas', 'pres', 'skin', 'test', 'mass', 'pedi', 'age', 'class'] dataframe = read_csv(url, names=names) array = dataframe.values X = array[:,0:8] Y = array[:,8] num_trees = 100 max_features = 3 kfold = KFold(n_splits=10, random_state=7) model = RandomForestClassifier(n_estimators=num_trees, max_features=max_features) results = cross_val_score(model, X, Y, cv=kfold) print(results.mean()) 你能设计出更好的合奏吗？在评论中让我知道。 第13课：完成并保存模型 找到有关机器学习问题的良好模型后，您需要完成该模型。 在今天的课程中，您将练习与完成模型有关的任务。 练习使用模型对新数据（在训练和测试过程中看不到的数据）进行预测。 练习将经过训练的模型保存到文件中，然后再次加载。 例如，下面的代码片段显示了如何创建Logistic回归模型，将其保存到文件中，之后再加载它以及对看不见的数据进行预测。 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 Save Model Using Pickle from pandas import read_csv from sklearn.model_selection import train_test_split from sklearn.linear_model import LogisticRegression import pickle url = "https://raw.githubusercontent.com/jbrownlee/Datasets/master/pima-indians-diabetes.data.csv" names = ['preg', 'plas', 'pres', 'skin', 'test', 'mass', 'pedi', 'age', 'class'] dataframe = read_csv(url, names=names) array = dataframe.values X = array[:,0:8] Y = array[:,8] test_size = 0.33 seed = 7 X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=test_size, random_state=seed) Fit the model on 33% model = LogisticRegression(solver='liblinear') model.fit(X_train, Y_train) save the model to disk filename = 'finalized_model.sav' pickle.dump(model, open(filename, 'wb')) some time later... load the model from disk loaded_model = pickle.load(open(filename, 'rb')) result = loaded_model.score(X_test, Y_test) print(result) 第14课：Hello World端到端项目 您现在知道如何完成预测建模机器学习问题的每个任务。 在今天的课程中，您需要练习将各个部分组合在一起，并通过端到端的标准机器学习数据集进行操作。 端到端遍历虹膜数据集（机器学习的世界） 这包括以下步骤： 使用描述性统计数据和可视化了解您的数据。 预处理数据以最好地揭示问题的结构。 使用您自己的测试工具抽查多种算法。 使用算法参数调整来改善结果。 使用集成方法改善结果。 最终确定模型以备将来使用。 慢慢进行，并记录结果。 您使用什么型号？您得到了什么结果？在评论中让我知道。 结束！ （看你走了多远） 你做到了。做得好！ 花一点时间，回头看看你已经走了多远。 您最初对机器学习感兴趣，并强烈希望能够使用Python练习和应用机器学习。 您可能是第一次下载，安装并启动Python，并开始熟悉该语言的语法。 在许多课程中，您逐渐地，稳定地学习了预测建模机器学习项目的标准任务如何映射到Python平台上。 基于常见机器学习任务的配方，您使用Python端到端解决了第一个机器学习问题。 使用标准模板，您所收集的食谱和经验现在可以自行解决新的和不同的预测建模机器学习问题。 不要轻描淡写，您在短时间内就取得了长足的进步。 这只是您使用Python进行机器学习的起点。继续练习和发展自己的技能。 喜欢点下关注，你的关注是我写作的最大支持 本篇文章为转载内容。原文链接：https://blog.csdn.net/m0_37337849/article/details/104016531。 该文由互联网用户投稿提供，文中观点代表作者本人意见，并不代表本站的立场。 作为信息平台，本站仅提供文章转载服务，并不拥有其所有权，也不对文章内容的真实性、准确性和合法性承担责任。 如发现本文存在侵权、违法、违规或事实不符的情况，请及时联系我们，我们将第一时间进行核实并删除相应内容。

...ataimport numpy as np PyTorch importsimport torchimport torchvision Load a pretrained PyTorch model -------------------------------model_name = "resnet18"model = getattr(torchvision.models, model_name)(pretrained=True) or model = torchvision.models.resnet18(pretrained=True) or pth_file = 'resnet18-f37072fd.pth' model = torchvision.models.resnet18() ckpt = torch.load(pth_file) model.load_state_dict(ckpt)model = model.eval() We grab the TorchScripted model via tracinginput_shape = [1, 3, 224, 224]input_data = torch.randn(input_shape)scripted_model = torch.jit.trace(model, input_data).eval() Load a test image ----------------- Classic cat example!from PIL import Image img_url = "https://github.com/dmlc/mxnet.js/blob/main/data/cat.png?raw=true" img_path = download_testdata(img_url, "cat.png", module="data")img_path = 'cat.png'img = Image.open(img_path).resize((224, 224)) Preprocess the image and convert to tensorfrom torchvision import transformsmy_preprocess = transforms.Compose([transforms.Resize(256),transforms.CenterCrop(224),transforms.ToTensor(),transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),])img = my_preprocess(img)img = np.expand_dims(img, 0) Import the graph to Relay ------------------------- Convert PyTorch graph to Relay graph. The input name can be arbitrary.input_name = "input0"shape_list = [(input_name, img.shape)]mod, params = relay.frontend.from_pytorch(scripted_model, shape_list) Relay Build ----------- Compile the graph to llvm target with given input specification.target = tvm.target.Target("llvm", host="llvm")dev = tvm.cpu(0)with tvm.transform.PassContext(opt_level=3):lib = relay.build(mod, target=target, params=params) Execute the portable graph on TVM --------------------------------- Now we can try deploying the compiled model on target.from tvm.contrib import graph_executordtype = "float32"m = graph_executor.GraphModule(lib["default"](dev)) Set inputsm.set_input(input_name, tvm.nd.array(img.astype(dtype))) Executem.run() Get outputstvm_output = m.get_output(0) Look up synset name ------------------- Look up prediction top 1 index in 1000 class synset. synset_url = "".join( [ "https://raw.githubusercontent.com/Cadene/", "pretrained-models.pytorch/master/data/", "imagenet_synsets.txt", ] ) synset_name = "imagenet_synsets.txt" synset_path = download_testdata(synset_url, synset_name, module="data") https://raw.githubusercontent.com/Cadene/pretrained-models.pytorch/master/data/imagenet_synsets.txtsynset_path = 'imagenet_synsets.txt'with open(synset_path) as f:synsets = f.readlines()synsets = [x.strip() for x in synsets]splits = [line.split(" ") for line in synsets]key_to_classname = {spl[0]: " ".join(spl[1:]) for spl in splits} class_url = "".join( [ "https://raw.githubusercontent.com/Cadene/", "pretrained-models.pytorch/master/data/", "imagenet_classes.txt", ] ) class_name = "imagenet_classes.txt" class_path = download_testdata(class_url, class_name, module="data") https://raw.githubusercontent.com/Cadene/pretrained-models.pytorch/master/data/imagenet_classes.txtclass_path = 'imagenet_classes.txt'with open(class_path) as f:class_id_to_key = f.readlines()class_id_to_key = [x.strip() for x in class_id_to_key] Get top-1 result for TVMtop1_tvm = np.argmax(tvm_output.numpy()[0])tvm_class_key = class_id_to_key[top1_tvm] Convert input to PyTorch variable and get PyTorch result for comparisonwith torch.no_grad():torch_img = torch.from_numpy(img)output = model(torch_img) Get top-1 result for PyTorchtop1_torch = np.argmax(output.numpy())torch_class_key = class_id_to_key[top1_torch]print("Relay top-1 id: {}, class name: {}".format(top1_tvm, key_to_classname[tvm_class_key]))print("Torch top-1 id: {}, class name: {}".format(top1_torch, key_to_classname[torch_class_key])) 2. 配置vscode   安装两个vscode远程连接所需的两个插件，具体如下图所示：   安装完成之后，在左侧工具栏会出现一个图标，点击图标进行ssh配置： ssh yourname@yourip -A   然后右键选择在当前窗口进行连接：   除此之外，还可以设置免费登录，具体可参考这篇文章。   当然，也可以使用windows本地的WSL2，vscode连接WSL还需要安装WSL和Dev Containers这两个插件。   在服务器端执行code .会自动安装vscode server，安装位置在用户的根目录下： 3. 安装FFI Navigator   由于TVM是由Python和C++混合开发，且大多数的IDE仅支持在同一种语言中查找函数定义，因此对于跨语言的FFI 调用，即Python跳转到C++或者C++跳转到Python，vscode是做不到的。虽然解决这个问题在技术上可能非常具有挑战性，但我们可以通过构建一个与FFI注册码模式匹配并恢复必要信息的项目特定分析器来解决这个问题，FFI Navigator就这样诞生了，作者仍然是陈天奇博士。   安装方式如下： 建议使用源码安装git clone https://github.com/tqchen/ffi-navigator.git 安装python依赖cd ffi-navigator/pythonpython setyp.py install   vscode需要安装FFI Navigator插件，直接搜索安装即可(安装到服务器端)。   最后需要在.vscode/setting.json进行配置，内容如下： {"python.analysis.extraPaths": ["${workspaceFolder}/python"], // 添加额外导入路径, 告诉pylance自定义的python库在哪里"ffi_navigator.pythonpath": "/home/liyanpeng/anaconda3/envs/tvmenv/bin/python", // 配置FFI Navigator"python.defaultInterpreterPath": "/home/liyanpeng/anaconda3/envs/tvmenv/bin/python","files.associations": {"type_traits": "cpp","fstream": "cpp","thread": "cpp",".tcc": "cpp"} }   更详细内容可以参考项目链接。 结束语   对于vscode的使用技巧及C/C++相关的配置，这里不再详细的介绍了，感兴趣的小伙伴们可以了解下。 本篇文章为转载内容。原文链接：https://blog.csdn.net/qq_42730750/article/details/126723224。 该文由互联网用户投稿提供，文中观点代表作者本人意见，并不代表本站的立场。 作为信息平台，本站仅提供文章转载服务，并不拥有其所有权，也不对文章内容的真实性、准确性和合法性承担责任。 如发现本文存在侵权、违法、违规或事实不符的情况，请及时联系我们，我们将第一时间进行核实并删除相应内容。

...的重要工具，其内置的NumPy库提供了更强大的向量化和矩阵运算功能，其中包括高效的幂运算方法。 例如，在处理大规模数据集时，通过NumPy的numpy.power()函数可以快速进行数组元素的幂运算，极大地提升了处理复杂模型训练、特征工程等场景下的计算性能。此外，对于涉及复杂数学概念如指数函数、对数函数等高级运算，Python的SciPy库也提供了丰富且高效的实现。 同时，对于初学者或者想要深化理解计算机如何实现快速幂运算的人来说，可以进一步研究算法层面的“快速幂”算法。这种算法利用分治思想，将指数运算转化为一系列位操作，从而大大降低了时间复杂度，尤其在处理大整数幂运算时优势明显，是ACM竞赛、密码学等领域必备的基础知识。 综上所述，Python中幂运算符的高效运用只是冰山一角，结合现代编程库以及底层算法原理的学习与探索，能够帮助我们在实际项目开发和科学研究中更好地驾驭各类数学运算挑战。

...，利用Kotlin的Numpy-like库koma可以实现类似Python Numpy对多维数组的强大支持，这对于科学计算和数据分析尤为重要。 总之，掌握Kotlin数组的各种特性并适时关注其最新进展，能够帮助开发者在日常编码工作中更加游刃有余，提高应用程序的运行效率和代码可读性。

...Netimport numpy as npdef get_generator():global operation_seed_counter 全局变量 在局部变量可以引用全局变量并修改operation_seed_counter += 1g_cuda_generator = torch.Generator(device="cuda")g_cuda_generator.manual_seed(operation_seed_counter)return g_cuda_generatorclass AugmentNoise(object): 添加噪声的类def __init__(self, style):print(style)if style.startswith('gauss'):self.params = [float(p) / 255.0 for p in style.replace('gauss', '').split('_')]if len(self.params) == 1:self.style = "gauss_fix"elif len(self.params) == 2:self.style = "gauss_range"elif style.startswith('poisson'):self.params = [float(p) for p in style.replace('poisson', '').split('_')]if len(self.params) == 1:self.style = "poisson_fix"elif len(self.params) == 2:self.style = "poisson_range"def add_train_noise(self, x):shape = x.shapeif self.style == "gauss_fix":std = self.params[0]std = std torch.ones((shape[0], 1, 1, 1), device=x.device)noise = torch.cuda.FloatTensor(shape, device=x.device)torch.normal(mean=0.0,std=std,generator=get_generator(),out=noise)return x + noiseelif self.style == "gauss_range":min_std, max_std = self.paramsstd = torch.rand(size=(shape[0], 1, 1, 1),device=x.device) (max_std - min_std) + min_stdnoise = torch.cuda.FloatTensor(shape, device=x.device)torch.normal(mean=0, std=std, generator=get_generator(), out=noise)return x + noiseelif self.style == "poisson_fix":lam = self.params[0]lam = lam torch.ones((shape[0], 1, 1, 1), device=x.device)noised = torch.poisson(lam x, generator=get_generator()) / lamreturn noisedelif self.style == "poisson_range":min_lam, max_lam = self.paramslam = torch.rand(size=(shape[0], 1, 1, 1),device=x.device) (max_lam - min_lam) + min_lamnoised = torch.poisson(lam x, generator=get_generator()) / lamreturn noiseddef add_valid_noise(self, x):shape = x.shapeif self.style == "gauss_fix":std = self.params[0]return np.array(x + np.random.normal(size=shape) std,dtype=np.float32)elif self.style == "gauss_range":min_std, max_std = self.paramsstd = np.random.uniform(low=min_std, high=max_std, size=(1, 1, 1))return np.array(x + np.random.normal(size=shape) std,dtype=np.float32)elif self.style == "poisson_fix":lam = self.params[0]return np.array(np.random.poisson(lam x) / lam, dtype=np.float32)elif self.style == "poisson_range":min_lam, max_lam = self.paramslam = np.random.uniform(low=min_lam, high=max_lam, size=(1, 1, 1))return np.array(np.random.poisson(lam x) / lam, dtype=np.float32)model_path = 'test_dir/unet_gauss25_b4e100r02/2022-03-02-22-24/epoch_model_040.pth' 导入训练的模型文件device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')net = UNet().to(device)net.load_state_dict(torch.load(model_path, map_location=device))net.eval()noise_adder = AugmentNoise(style='gauss25')img = Image.open('validation/Kodak/000014.jpg')im = np.array(img, dtype=np.float32) / 255.0origin255 = im.copy()origin255 = origin255.astype(np.uint8)noisy_im = noise_adder.add_valid_noise(im)H = noisy_im.shape[0]W = noisy_im.shape[1]val_size = (max(H, W) + 31) // 32 32noisy_im = np.pad(noisy_im,[[0, val_size - H], [0, val_size - W], [0, 0]],'reflect')transformer = transforms.Compose([transforms.ToTensor()])noisy_im = transformer(noisy_im)noisy_im = torch.unsqueeze(noisy_im, 0)noisy_im = noisy_im.cuda()with torch.no_grad():prediction = net(noisy_im)prediction = prediction[:, :, :H, :W]prediction = prediction.permute(0, 2, 3, 1)prediction = prediction.cpu().data.clamp(0, 1).numpy()prediction = prediction.squeeze()pred255 = np.clip(prediction 255.0 + 0.5, 0, 255).astype(np.uint8)Image.fromarray(pred255).convert('RGB').save('test1.png') 输入图像 尺寸大小为(408, 310)，PIL读入后进行归一化处理。 img = Image.open('validation/Kodak/00001.jpg')print('img', img.size) img (408, 310)im = np.array(img, dtype=np.float32) / 255.0print('im', im.shape) im (310, 408, 3) 先对不规则图像进行填充，要求填充的尺寸是32的倍数，否则输入到网络中会报错。在训练的时候是随机裁剪256256的切片的。 b = torch.rand(1, 3, 255, 255).to('cuda')a = net(b)print(a.shape) 在卷积神经网络中，为了避免因为卷积运算导致输出图像缩小和图像边缘信息丢失，常常采用图像边缘填充技术，即在图像四周边缘填充0，使得卷积运算后图像大小不会缩小，同时也不会丢失边缘和角落的信息。在Python的numpy库中，常常采用numpy.pad()进行填充操作。 val_size = (max(H, W) + 31) // 32 32noisy_im = np.pad(noisy_im,[[0, val_size - H], [0, val_size - W], [0, 0]],'reflect') ‘reflect’， 表示对称填充。 上图转自 http://t.zoukankan.com/shuaishuaidefeizhu-p-14179038.html >>> a = [1, 2, 3, 4, 5]>>> np.pad(a, (2, 3), 'reflect')array([3, 2, 1, 2, 3, 4, 5, 4, 3, 2]) 个人感觉使用reflect操作，而不是之间的填充0是为了在边缘去噪的时候更平滑一些。镜像填充后的图如下： 输入网络后，得到预测结果。最后进行裁剪，得到去噪后的图像。 prediction = prediction[:, :, :H, :W] 本篇文章为转载内容。原文链接：https://blog.csdn.net/qq_42948594/article/details/124712116。 该文由互联网用户投稿提供，文中观点代表作者本人意见，并不代表本站的立场。 作为信息平台，本站仅提供文章转载服务，并不拥有其所有权，也不对文章内容的真实性、准确性和合法性承担责任。 如发现本文存在侵权、违法、违规或事实不符的情况，请及时联系我们，我们将第一时间进行核实并删除相应内容。

...处理或科学计算场景，NumPy库提供的ndarray对象在性能上远超Python原生列表，可以实现快速的矩阵运算和统计分析。 近期，一篇发布于“Real Python”网站的文章深入探讨了如何利用列表推导式(List Comprehensions)和生成器表达式(Generator Expressions)对列表进行复杂操作，如过滤、映射和压缩数据，从而提升代码可读性和运行效率。文章还介绍了functools模块中的reduce函数，用于对列表元素执行累积操作，如求乘积、求序列中最长连续子序列等。 另外，在实际编程实践中，掌握列表的排序、切片、连接、复制等基本操作同样至关重要。例如，使用sorted()函数或列表的sort()方法对列表进行排序；利用切片技术实现列表的部分提取或替换；通过extend()和+运算符完成列表合并等。这些操作不仅能丰富你对Python列表的理解，更能在日常开发任务中助你事半功倍。 总的来说，深入学习和熟练运用Python列表的各种特性与功能，不仅有助于数据分析和处理，更能提升代码编写质量，使程序更加简洁、高效。同时，关注Python社区的最新动态和最佳实践，将能持续拓展你的编程技能边界，紧跟时代发展步伐。

...于涉及复杂数字结构如numpy数组或pandas DataFrame的数据验证具有重要意义。 此外，针对Web开发场景下的用户输入验证，框架Django和Flask提供了内置的表单验证机制，能够自动检查并转换用户提交的数字信息，极大地提升了开发效率和用户体验。 总的来说，Python在数字处理与验证方面持续优化和发展，开发者应紧跟社区动态，充分利用新特性与最佳实践，以提升应用程序的安全性和稳定性。

...，Python有诸如NumPy、SciPy等强大的第三方库支持，它们不仅能高效处理数组和矩阵运算，还能解决线性代数、微积分等问题，展现了Python在数学计算领域的强大实力。 因此，掌握Python的数学计算技巧并结合相关库的运用，将极大地提升我们在数据分析、AI开发以及网络爬虫等现代技术领域的实战能力，为应对复杂多变的数据挑战提供有力的支持。

...ts import numpy as np 创造随机样本 data = np.random.normal(0, 1, 100) 执行高斯分布验证 stat, p = stats.normaltest(data) 判断是否高斯分布 if p< 0.05: print("数据不满足高斯分布") else: print("数据满足高斯分布") 以上代码中，首先创造一组随机样本，然后运用normaltest方法执行高斯分布验证。normaltest方法的输出结果包括两个参数stat和p，其中p即为验证结果的p值。若p值小于0.05，则判断数据不满足高斯分布；若p值大于等于0.05，则判断数据满足高斯分布。 高斯分布在数据分析中十分常见，因此高斯分布验证也十分重要。在执行一些统计分析时，正确判断数据是否满足高斯分布有助于提高模型的准确性。

...于处理HTTP请求，numpy库则广泛应用于科学计算和数据分析领域，这些都是Python支持库和模块的具体实例。

...v2 import numpy as np 识别四方形的方法 def detect_square(image): 变为灰阶图片 gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) 执行高斯平滑 blurred = cv2.GaussianBlur(gray, (5, 5), 0) 执行边缘识别 edges = cv2.Canny(blurred, 100, 200) 找到边缘 contours, hierarchy = cv2.findContours(edges, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) 遍历边缘 for cnt in contours: approx = cv2.approxPolyDP(cnt, cv2.arcLength(cnt, True) 0.02, True) 如果有四个角点，说明是四方形 if len(approx) == 4: (x, y, w, h) = cv2.boundingRect(approx) aspectRatio = float(w) / h 验证长宽比是否逼近1，这样就剔除了长方形 if aspectRatio >= 0.9 and aspectRatio<= 1.1: return True return False 加载图片 img = cv2.imread("square.png") 调用识别四方形的方法 is_square = detect_square(img) 如果是四方形，就打印True；要不然，打印False print(is_square) 上述程序中，我们首先导入了需要的库，然后设定了一个识别四方形的方法detect_square。该方法首先将图片变为灰阶图片，然后执行高斯平滑和边缘识别，接着找到边缘，并遍历边缘。如果有四个角点，说明是四方形；再验证长宽比是否逼近1，这样就剔除了长方形。最后返回True或False。接着我们读入了一张图片，调用识别四方形的方法，如果返回True，则打印True，要不然打印False。

...性。 import numpy as np from sklearn.datasets import make_blobs from sklearn.cluster import KMeans 生成随机数据 X, _ = make_blobs(n_samples=1000, centers=4) 创建 KMeans 模糊分类模型实例 class FuzzyKMeans: def __init__(self, n_clusters=4, m=2, max_iter=100): self.n_clusters = n_clusters self.m = m self.max_iter = max_iter def fit(self, X): N = X.shape[0] C = self.n_clusters kmeans = KMeans(n_clusters=C) labels = kmeans.fit_predict(X) centroids = kmeans.cluster_centers_ 设定初始值隶属度二维数组 U = np.random.rand(N, C) U = np.divide(U, np.sum(U, axis=1, keepdims=True)) for i in range(self.max_iter): 求解中心点 centroids = np.dot(U.T, X) / np.sum(U, axis=0, keepdims=True) 求解隶属度二维数组 d = np.power(np.sum(np.power(X[:, np.newaxis] - centroids, 2), axis=2), 1 / (self.m - 1)) U = np.divide(1, np.power(np.add(np.divide(d[:, np.newaxis], d[:, np.newaxis] - U), 1), 1 / (self.m - 1))) self.labels_ = np.argmax(U, axis=1) self.cluster_centers_ = centroids 对随机数据进行模糊分类 fkm = FuzzyKMeans(n_clusters=4, m=2) fkm.fit(X) print(fkm.labels_) print(fkm.cluster_centers_) 以上代码是利用Python实现模糊分类算法的简单示例。算法主要分为两部分：确定中心点和求解隶属度二维数组。中心点的确定类似于K-Means算法，而求解隶属度二维数组则需要使用模糊数理中的公式进行求解。

...量。 import numpy as np def gradient_descent(X, y, theta, alpha, num_iters): m = y.size J_history = np.zeros(num_iters) for i in range(num_iters): h = X.dot(theta) theta = theta - alpha (1/m) (X.T.dot(h-y)) J_history[i] = compute_cost(X, y, theta) return(theta, J_history) def compute_cost(X, y, theta): m = y.size h = X.dot(theta) J = 1/(2m) np.sum(np.square(h-y)) return(J) 上述代码执行了一个梯度下降函数值，其中X为特征矩阵，y为目标变量，theta为当前变量的初始值，alpha为学习率，num_iters为迭代次数。函数值中使用了一个计算损失函数值的函数值compute_cost，这个函数值执行了简单的线性回归的成本函数值的计算。 在实际应用中，我们需要先对数据进行标准化处理，以便使数据在相同的比例下进行。我们还需要使用交叉验证来选取适当的超变量，以防止模型过拟合或欠拟合。此外，我们还可以将其与其他优化算法（如牛顿法）进行比较，以获得更高的效能。 总之，梯度下降算法是机器学习中的一个关键算法，Python也提供了丰富的工具和库来执行梯度下降算法。通过学习和使用Python，我们可以更好地了解和应用这些算法，从而获得更好的结果。

...ns import numpy as np 创建样本数据 np.random.seed(0) X = np.random.rand(100, 2) 使用FCM算法进行聚类 model = KMeans(n_clusters=3, init='random', max_iter=500, tol=1e-4, n_init=10, random_state=0).fit(X) 输出结果 print("Cluster labels: ", model.labels_) 在这个例子中，我们使用了sklearn库中的KMeans类来实现FCM算法。当我们调节这个叫做n_clusters的参数时，其实就是在决定我们要划分出多少个小组或者类别出来。就像是在分苹果，我们通过这个参数告诉程序：“嘿，我想要分成n_clusters堆儿”。这样一来，它就会按照我们的要求生成相应数量的簇了。init参数用于指定初始化质心的方式，max_iter和tol参数分别用于控制迭代次数和停止条件。 五、结论 FCM算法是一种简单而有效的聚类方法，它可以处理包含噪声和不完整数据的数据集。在Python的世界里，我们能够超级轻松地借助sklearn这个强大的库，玩转FCM算法，就像拼积木一样简单有趣。当然，实际应用中可能需要对参数进行调整以获得最佳效果。希望这篇文章能帮助你更好地理解和应用FCM算法。

...代码：import numpy as np import matplotlib.pyplot as plt from scipy.fftpack import rfft, irfft, fftfreq, fft, ifft def xcorr_freq(s1,s2): pad1 = np.zeros(len(s1)) pad2 = np.zeros(len(s2)) s1 = np.hstack([s1,pad1]) s2 = np.hstack([pad2,s2]) f_s1 = fft(s1) f_s2 = fft(s2) f_s2c = np.conj(f_s2) f_s = f_s1 f_s2c denom = abs(f_s) denom[denom < 1e-6] = 1e-6 f_s = f_s / denom This line is the only difference between GCC-PHAT and normal cross correlation return np.abs(ifft(f_s))[1:] 我通过注释fs = fs / denom检查了这个函数产生的结果与宽带信号的正常互相关相同。在 下面是一个示例测试代码，显示上面的GCC-PHAT代码的性能比正常的互相关差： ^{pr2}$ 以下是GCC-PHAT的结果： 以下是正常互相关的结果： 由于GCC-PHAT应该能为宽带信号提供更好的互相关性能，我知道我的代码有问题。非常感谢任何帮助！在 本篇文章为转载内容。原文链接：https://blog.csdn.net/weixin_39622217/article/details/117174324。 该文由互联网用户投稿提供，文中观点代表作者本人意见，并不代表本站的立场。 作为信息平台，本站仅提供文章转载服务，并不拥有其所有权，也不对文章内容的真实性、准确性和合法性承担责任。 如发现本文存在侵权、违法、违规或事实不符的情况，请及时联系我们，我们将第一时间进行核实并删除相应内容。

...忽视的学习宝库，例如NumPy、Pandas用于数据分析，Django、Flask构建Web应用框架等。 值得注意的是，在实际编程实践中，掌握如何运用版本控制工具Git管理Python项目源码，使用Jupyter Notebook或VS Code等高效IDE进行开发调试，以及利用unittest、pytest等单元测试框架保证代码质量，同样是现代Python程序员必备技能的一部分。 总之，随着Python生态系统的持续繁荣和更新迭代，深入理解和掌握这门语言显得尤为重要，而每日坚持学习和实践则有助于快速成长为一名优秀的Python程序员。

...v2 import numpy as np 读取图像 image = cv2.imread('example.jpg', cv2.IMREAD_GRAYSCALE) 二值化处理 _, binary_image = cv2.threshold(image, 127, 255, cv2.THRESH_BINARY) 保存结果 cv2.imwrite('binary_example.jpg', binary_image) 3.1.2 锐化 其次，我们可以使用图像锐化技术来增强图像的边缘。这就像给图像打了一剂强心针，让它看起来更加清晰。 python 使用自定义核进行锐化 kernel = np.array([[0, -1, 0], [-1, 5,-1], [0, -1, 0]], dtype=np.float32) sharpened_image = cv2.filter2D(binary_image, -1, kernel) 保存结果 cv2.imwrite('sharpened_example.jpg', sharpened_image) 3.2 调整Tesseract参数 除了图像预处理之外，我们还可以通过调整Tesseract的参数来提高识别精度。Tesseract提供了许多参数，我们可以根据实际情况进行调整。 3.2.1 设置Page Segmentation Mode Tesseract的Page Segmentation Mode（PSM）参数可以帮助我们更好地控制文本区域的分割方式。例如，如果我们知道图像中只有一行文本，可以设置为PSM_SINGLE_LINE，这样Tesseract就会更专注于这一行文本的识别。 python import pytesseract 设置PSM参数 custom_config = r'--psm 6' text = pytesseract.image_to_string(sharpened_image, config=custom_config) print(text) 3.2.2 提高字符分割精度 另一个参数是Char Whitespace，它可以帮助我们更好地控制字符之间的间距。要是文本行与行之间的距离比较大，你可以把这数值调大一点。这样一来，Tesseract这个工具就能更轻松地分辨出每个字母了。 python 提高字符分割精度 custom_config = r'--oem 1 --psm 6 -c tessedit_char_whitesp=1' text = pytesseract.image_to_string(sharpened_image, config=custom_config) print(text) 4. 实战案例 接下来，让我们来看一个实战案例。假设我们有一张边缘模糊的文本图像，我们需要使用Tesseract来进行识别。 4.1 图像预处理 首先，我们对图像进行二值化和锐化处理： python import cv2 import numpy as np 读取图像 image = cv2.imread('example.jpg', cv2.IMREAD_GRAYSCALE) 二值化处理 _, binary_image = cv2.threshold(image, 127, 255, cv2.THRESH_BINARY) 使用自定义核进行锐化 kernel = np.array([[0, -1, 0], [-1, 5,-1], [0, -1, 0]], dtype=np.float32) sharpened_image = cv2.filter2D(binary_image, -1, kernel) 保存结果 cv2.imwrite('sharpened_example.jpg', sharpened_image) 4.2 调整Tesseract参数 然后，我们使用Tesseract进行识别，并设置一些参数来提高识别精度： python import pytesseract 设置PSM参数 custom_config = r'--psm 6' text = pytesseract.image_to_string(sharpened_image, config=custom_config) print(text) 4.3 结果分析 经过上述处理，我们得到了较为清晰的图像，并且识别结果也更加准确。当然，实际效果可能会因图像质量的不同而有所差异，但至少我们已经尽力了！ 5. 总结 总之，面对文本边缘模糊的问题，我们可以通过图像预处理和调整Tesseract参数来提高识别精度。虽然这招不是啥灵丹妙药，但在很多麻烦事儿上，它已经挺管用了。希望大家在使用Tesseract时能够多尝试不同的方法，找到最适合自己的方案。

...v2 import numpy as np import pytesseract 加载图像 image = cv2.imread('path_to_your_image.jpg') 锐化图像 kernel = np.array([[0, -1, 0], [-1, 5,-1], [0, -1, 0]]) sharpened = cv2.filter2D(image, -1, kernel) 增强对比度 adjusted = cv2.convertScaleAbs(sharpened, alpha=2, beta=30) 转换为灰度图 gray = cv2.cvtColor(adjusted, cv2.COLOR_BGR2GRAY) 使用Tesseract进行文本识别 text = pytesseract.image_to_string(gray, lang='chi_sim') 如果是中文，则指定语言为'chi_sim' print(text) 这段代码首先对图像进行了锐化和对比度增强，然后转换为灰度图，最后才交给Tesseract进行识别。这样可以大大提高识别的成功率。 --- 好了，这就是今天的所有内容了。希望这篇分享对你有所帮助，尤其是在处理模糊图像时。嘿，别忘了，科技这东西总是日新月异的，遇到难题别急着放弃，多探索探索，说不定会有意想不到的收获呢！如果你有任何问题或者想分享你的经验，欢迎随时交流！

...thon的强大库，如NumPy、SciPy和Matplotlib，来进行精确的数据分析和可视化。这不仅提高了工作效率，还使得复杂问题的解决变得更加直观和高效。 此外，Python在医疗健康领域的应用也引起了广泛关注。近期，一篇发表在《自然》杂志上的研究指出，Python被用于开发一种新型的人工智能算法，该算法能够通过分析患者的基因数据，预测疾病风险和治疗效果。这种方法不仅大大提高了诊断的准确性，还为个性化医疗提供了新的可能性。通过Python的强大数据分析能力，研究人员可以更有效地处理大规模的医疗数据，从而加速新药的研发和临床试验。 与此同时，Python在教育领域的应用也越来越受到重视。例如，哈佛大学的一门在线课程“CS50”就使用Python作为主要教学语言，帮助学生掌握编程基础和算法思维。这门课程不仅吸引了全球数百万学生，还推动了编程教育的普及和发展。通过Python的学习，学生们能够更好地理解和解决现实世界中的问题，培养创新思维和解决问题的能力。 这些最新的应用实例不仅展示了Python在各领域的强大潜力，也体现了编程教育的重要性。无论是在科研、医疗还是教育领域，Python都发挥着不可替代的作用，为各行各业带来了前所未有的机遇。

...用，pandas结合numpy、scikit-learn等工具包构建收益指数模型的研究也日益增多。《自然》杂志子刊《自然-机器智能》上的一项研究详细介绍了如何通过pandas实现多源金融数据融合，并基于此计算累计收益和调整后的收益指数，从而为投资者提供更精准的投资决策依据。 同时，Python社区也在持续优化和完善pandas的功能，以适应不断变化的金融市场环境。例如，针对股息派发、拆股等特殊事件对收益计算的影响，开发者正在积极研发新的API，以便更便捷地纳入此类信息到金融数据的时间序列分析中。 总之，Python及pandas在金融经济数据分析中的地位不断提升，其在解决实际业务问题方面的出色表现，使得更多专业人士和机构开始重视并依赖这一强大工具。对于寻求提升金融数据分析能力的读者来说，深入学习和掌握pandas已成为当务之急。同时，关注Python相关社区和最新研究进展，将有助于及时了解和应用最新的金融数据分析技术。

...识点 思维导图整理 Numpy常见用法全部OneNote笔记 全部笔记思维导图整理 Pandas常见用法全部OneNote笔记 全部笔记思维导图整理 Matplotlib常见用法全部OneNote笔记 全部笔记思维导图整理 PyTorch常见用法全部OneNote笔记 全部笔记思维导图整理 Scikit-Learn常见用法全部OneNote笔记 全部笔记思维导图整理 Java相关技术/ssm框架全部笔记 Spring springmvc Mybatis jsp 科技相关 小米手机 小米 红米 历代手机型号大全 发布时间 发布价格 常见手机品牌的各种系列划分及其特点 历代CPU和GPU的性能情况和常见后缀的含义 思维导图整理 本篇文章为转载内容。原文链接：https://blog.csdn.net/weixin_43959833/article/details/115670535。 该文由互联网用户投稿提供，文中观点代表作者本人意见，并不代表本站的立场。 作为信息平台，本站仅提供文章转载服务，并不拥有其所有权，也不对文章内容的真实性、准确性和合法性承担责任。 如发现本文存在侵权、违法、违规或事实不符的情况，请及时联系我们，我们将第一时间进行核实并删除相应内容。

...dit上的数学主题 Numpy资源 如果你是用Python实现相关的机器学习项目，那么Numpy对你而言是非常有帮助的。 Numpy API文档写得很好，以下是一些参考资料，读者可以阅读它们来了解更多关于Numpy的工作原理及某些特定的功能。 Numpy参考 Numpy数组创建例程 Numpy数组操作例程 Numpy线性代数 Scipy线性代数 如果你同时也在寻找关于Numpy和Scipy更多的资源，下面有几个好的参考教材： 2017·用Python进行数据分析 2017·Elegant Scipy 2015·Numpy指南 作者信息 Jason Brownlee，机器学习专家，专注于机器学习教育 文章原标题《Top Resources for Learning Linear Algebra for Machine Learning》，作者：Jason Brownlee， 译者：海棠，审阅：袁虎。 原文链接 干货好文，请关注扫描以下二维码： 本篇文章为转载内容。原文链接：https://blog.csdn.net/yunqiinsight/article/details/79722954。 该文由互联网用户投稿提供，文中观点代表作者本人意见，并不代表本站的立场。 作为信息平台，本站仅提供文章转载服务，并不拥有其所有权，也不对文章内容的真实性、准确性和合法性承担责任。 如发现本文存在侵权、违法、违规或事实不符的情况，请及时联系我们，我们将第一时间进行核实并删除相应内容。