timcanby

keras入门笔记2:我们来玩卷积层（ Convolution Layer）～一层卷积层分类Mnist！

哈啰哈啰～继之前的：

keras深度学习入门笔记附录1：让我们看看有多少种让搭建好的模型开始跑的方式（fit 和 train on batch）

https://blog.csdn.net/timcanby/article/details/103644089

从代码案例入门keras1:LeNet对手写数字Mnist分类

https://blog.csdn.net/timcanby/article/details/103620371

之后，小女子打算整理一个扫盲系列的第二个入门笔记：让我们来用一层卷积层分类Mnist：

（搬走代码给github小星星啊）

盆友们应该知道,全联接层为flatten后的数据注入类别信息，这就说明什么呢，其实我只要多一点epochs，只用一层fc都可以玩mnist分类。数据的导入代码见（从代码案例入门keras1:LeNet对手写数字Mnist分类），模型部分的代码如下：

model = Sequential()
model.add(Flatten(name='flatten',input_shape=(28, 28, 1)))
model.add(Dense(10,activation='softmax',name='fc1'))
model.compile(loss=keras.losses.categorical_crossentropy,
    optimizer=keras.optimizers.Adam(),
    metrics=['accuracy']

完整代码：https://github.com/timcanby/Kares__StudyNotes/blob/master/oneFCTest.py

网络的结构就是：

Layer (type)                 Output Shape              Param #   
=================================================================
  history=model.fit(x=X_train,y=Y_train, batch_size=batch_size,nb_epoch=n_epochs)
flatten (Flatten)            (None, 784)               0         
_________________________________________________________________
fc1 (Dense)                  (None, 10)                7850      
=================================================================
Total params: 7,850
Trainable params: 7,850
Non-trainable params: 0
_________________________________________________________________

如此简单粗暴。换句话说就是数据读进去就把它拉成一维然后喂给输出是十个概率的softmax装载全联接层。这样只训练一道是肯定不行的比如epoch1:

Epoch 1/100

  100/60000 [..............................] - ETA: 1:06 - loss: 14.8443 - acc: 0.0700
 4200/60000 [=>............................] - ETA: 2s - loss: 13.9142 - acc: 0.1276  
 9200/60000 [===>..........................] - ETA: 1s - loss: 11.9051 - acc: 0.2503
14500/60000 [======>.......................] - ETA: 0s - loss: 10.2923 - acc: 0.3507
20700/60000 [=========>....................] - ETA: 0s - loss: 8.9224 - acc: 0.4362 
26400/60000 [============>.................] - ETA: 0s - loss: 8.0683 - acc: 0.4899
31100/60000 [==============>...............] - ETA: 0s - loss: 7.5861 - acc: 0.5201
37200/60000 [=================>............] - ETA: 0s - loss: 6.9932 - acc: 0.5568
43300/60000 [====================>.........] - ETA: 0s - loss: 6.5184 - acc: 0.5865
48900/60000 [=======================>......] - ETA: 0s - loss: 6.1924 - acc: 0.6069
54000/60000 [==========================>...] - ETA: 0s - loss: 5.9157 - acc: 0.6243
59900/60000 [============================>.] - ETA: 0s - loss: 5.6578 - acc: 0.6403
60000/60000 [==============================] - 1s 11us/step - loss: 5.6542 - acc: 0.6406

为什么不行？感受一下如果你心不在学习上给你看一遍的东西你能记住吗？？哈哈哈哈所以我们如果在不去仔细观察的前提下看得多了我们也可以记住，所以在100个epoch后我们可以看到：

  100/60000 [..............................] - ETA: 1s - loss: 0.9671 - acc: 0.9400
 3500/60000 [>.............................] - ETA: 0s - loss: 1.1487 - acc: 0.9280
 7000/60000 [==>...........................] - ETA: 0s - loss: 1.1750 - acc: 0.9256
10900/60000 [====>.........................] - ETA: 0s - loss: 1.1918 - acc: 0.9249
16100/60000 [=======>......................] - ETA: 0s - loss: 1.2007 - acc: 0.9242
20600/60000 [=========>....................] - ETA: 0s - loss: 1.1664 - acc: 0.9266
24300/60000 [===========>..................] - ETA: 0s - loss: 1.1546 - acc: 0.9272
27700/60000 [============>.................] - ETA: 0s - loss: 1.1421 - acc: 0.9280
31400/60000 [==============>...............] - ETA: 0s - loss: 1.1560 - acc: 0.9270
34700/60000 [================>.............] - ETA: 0s - loss: 1.1615 - acc: 0.9267
38000/60000 [==================>...........] - ETA: 0s - loss: 1.1517 - acc: 0.9273
41300/60000 [===================>..........] - ETA: 0s - loss: 1.1367 - acc: 0.9283
44200/60000 [=====================>........] - ETA: 0s - loss: 1.1420 - acc: 0.9279
47500/60000 [======================>.......] - ETA: 0s - loss: 1.1386 - acc: 0.9282
51200/60000 [========================>.....] - ETA: 0s - loss: 1.1340 - acc: 0.9285
56100/60000 [===========================>..] - ETA: 0s - loss: 1.1314 - acc: 0.9287
60000/60000 [==============================] - 1s 13us/step - loss: 1.1286 - acc: 0.9289

机器看了100遍以后表示记住了92.89%哈哈。当然今天的主题不是这个。我们今天来看的是当你有一点点学习欲望的时候如何学习知识

为什么这么说呢，大家可能看到过说卷积层是个抽取局部细节的过滤器，它把图像抽象到高度抽象的空间在进行分类：

图片来自：https://towardsdatascience.com/a-comprehensive-guide-to-convolutional-neural-networks-the-eli5-way-3bd2b1164a53

也是这篇文章里说的一样：The objective of the Convolution Operation is to extract the high-level featuressuch as edges, from the input image.

就是说机器在尝试把图像的轮廓啊，颜色信息抽象到高纬再进行分类也就是，尝试去用“脑子理解这张图”了。所以我们今天就看看用一层的卷积来分类mnist，看看这个卷积究竟神奇在哪里，今天的模型架构如下：

在刚刚的基础下：from keras.layers import Conv2D

然后模型部分是：

model = Sequential()
model.add(Conv2D(16, kernel_size=(3,3), strides=(1, 1), padding='same', activation='tanh',name='conv',input_shape=(28, 28, 1)))
model.add(Flatten(name='flatten'))
model.add(Dense(10,activation='softmax',name='fc1'))
model.compile(loss=keras.losses.categorical_crossentropy,
    optimizer=keras.optimizers.Adam(),
    metrics=['accuracy'])

然后跑一下：可以看到只需要一个epoch，batchsize=100

  100/60000 [..............................] - ETA: 1:35 - loss: 2.5583 - acc: 0.0700
  800/60000 [..............................] - ETA: 15s - loss: 1.2045 - acc: 0.6087 
 1500/60000 [..............................] - ETA: 10s - loss: 0.8945 - acc: 0.7080
 2200/60000 [>.............................] - ETA: 8s - loss: 0.7685 - acc: 0.7582 
 2800/60000 [>.............................] - ETA: 7s - loss: 0.7062 - acc: 0.7779
 3500/60000 [>.............................] - ETA: 6s - loss: 0.6357 - acc: 0.8009
 4200/60000 [=>............................] - ETA: 6s - loss: 0.5920 - acc: 0.8174
 4900/60000 [=>............................] - ETA: 6s - loss: 0.5481 - acc: 0.8312
 5600/60000 [=>............................] - ETA: 5s - loss: 0.5217 - acc: 0.8389
 6300/60000 [==>...........................] - ETA: 5s - loss: 0.4976 - acc: 0.8460
 7000/60000 [==>...........................] - ETA: 5s - loss: 0.4744 - acc: 0.8530
 7700/60000 [==>...........................] - ETA: 5s - loss: 0.4502 - acc: 0.8614
 8400/60000 [===>..........................] - ETA: 4s - loss: 0.4379 - acc: 0.8670
 9000/60000 [===>..........................] - ETA: 4s - loss: 0.4287 - acc: 0.8698
 9600/60000 [===>..........................] - ETA: 4s - loss: 0.4154 - acc: 0.8735
10200/60000 [====>.........................] - ETA: 4s - loss: 0.4035 - acc: 0.8769
10900/60000 [====>.........................] - ETA: 4s - loss: 0.3906 - acc: 0.8808
11600/60000 [====>.........................] - ETA: 4s - loss: 0.3851 - acc: 0.8830
12300/60000 [=====>........................] - ETA: 4s - loss: 0.3759 - acc: 0.8863
13000/60000 [=====>........................] - ETA: 4s - loss: 0.3666 - acc: 0.8892
13700/60000 [=====>........................] - ETA: 4s - loss: 0.3585 - acc: 0.8915
14400/60000 [======>.......................] - ETA: 4s - loss: 0.3498 - acc: 0.8942
15000/60000 [======>.......................] - ETA: 4s - loss: 0.3448 - acc: 0.8957
15700/60000 [======>.......................] - ETA: 3s - loss: 0.3383 - acc: 0.8978
16400/60000 [=======>......................] - ETA: 3s - loss: 0.3334 - acc: 0.8995
17100/60000 [=======>......................] - ETA: 3s - loss: 0.3268 - acc: 0.9016
17800/60000 [=======>......................] - ETA: 3s - loss: 0.3210 - acc: 0.9035
18500/60000 [========>.....................] - ETA: 3s - loss: 0.3159 - acc: 0.9049
19200/60000 [========>.....................] - ETA: 3s - loss: 0.3125 - acc: 0.9062
19900/60000 [========>.....................] - ETA: 3s - loss: 0.3088 - acc: 0.9074
20600/60000 [=========>....................] - ETA: 3s - loss: 0.3038 - acc: 0.9091
21300/60000 [=========>....................] - ETA: 3s - loss: 0.3005 - acc: 0.9103
22000/60000 [==========>...................] - ETA: 3s - loss: 0.2969 - acc: 0.9113
22700/60000 [==========>...................] - ETA: 3s - loss: 0.2929 - acc: 0.9126
23400/60000 [==========>...................] - ETA: 3s - loss: 0.2887 - acc: 0.9139
24100/60000 [===========>..................] - ETA: 3s - loss: 0.2858 - acc: 0.9146
24800/60000 [===========>..................] - ETA: 2s - loss: 0.2823 - acc: 0.9156
25500/60000 [===========>..................] - ETA: 2s - loss: 0.2779 - acc: 0.9168
26200/60000 [============>.................] - ETA: 2s - loss: 0.2750 - acc: 0.9176
26900/60000 [============>.................] - ETA: 2s - loss: 0.2724 - acc: 0.9186
27600/60000 [============>.................] - ETA: 2s - loss: 0.2696 - acc: 0.9195
28300/60000 [=============>................] - ETA: 2s - loss: 0.2674 - acc: 0.9203
29000/60000 [=============>................] - ETA: 2s - loss: 0.2655 - acc: 0.9210
29700/60000 [=============>................] - ETA: 2s - loss: 0.2638 - acc: 0.9214
30500/60000 [==============>...............] - ETA: 2s - loss: 0.2614 - acc: 0.9222
31200/60000 [==============>...............] - ETA: 2s - loss: 0.2590 - acc: 0.9229
31800/60000 [==============>...............] - ETA: 2s - loss: 0.2574 - acc: 0.9235
32500/60000 [===============>..............] - ETA: 2s - loss: 0.2553 - acc: 0.9240
33200/60000 [===============>..............] - ETA: 2s - loss: 0.2523 - acc: 0.9249
33900/60000 [===============>..............] - ETA: 2s - loss: 0.2503 - acc: 0.9255
34500/60000 [================>.............] - ETA: 2s - loss: 0.2479 - acc: 0.9263
35200/60000 [================>.............] - ETA: 2s - loss: 0.2463 - acc: 0.9267
35900/60000 [================>.............] - ETA: 1s - loss: 0.2454 - acc: 0.9270
36600/60000 [=================>............] - ETA: 1s - loss: 0.2440 - acc: 0.9275
37300/60000 [=================>............] - ETA: 1s - loss: 0.2432 - acc: 0.9276
38000/60000 [==================>...........] - ETA: 1s - loss: 0.2430 - acc: 0.9280
38700/60000 [==================>...........] - ETA: 1s - loss: 0.2413 - acc: 0.9285
39400/60000 [==================>...........] - ETA: 1s - loss: 0.2393 - acc: 0.9290
40100/60000 [===================>..........] - ETA: 1s - loss: 0.2375 - acc: 0.9296
40800/60000 [===================>..........] - ETA: 1s - loss: 0.2355 - acc: 0.9302
41500/60000 [===================>..........] - ETA: 1s - loss: 0.2336 - acc: 0.9307
42200/60000 [====================>.........] - ETA: 1s - loss: 0.2319 - acc: 0.9311
42900/60000 [====================>.........] - ETA: 1s - loss: 0.2302 - acc: 0.9317
43600/60000 [====================>.........] - ETA: 1s - loss: 0.2284 - acc: 0.9323
44300/60000 [=====================>........] - ETA: 1s - loss: 0.2274 - acc: 0.9324
45000/60000 [=====================>........] - ETA: 1s - loss: 0.2257 - acc: 0.9328
45600/60000 [=====================>........] - ETA: 1s - loss: 0.2244 - acc: 0.9331
46300/60000 [======================>.......] - ETA: 1s - loss: 0.2234 - acc: 0.9334
47000/60000 [======================>.......] - ETA: 1s - loss: 0.2226 - acc: 0.9335
47700/60000 [======================>.......] - ETA: 1s - loss: 0.2212 - acc: 0.9338
48300/60000 [=======================>......] - ETA: 0s - loss: 0.2201 - acc: 0.9341
49000/60000 [=======================>......] - ETA: 0s - loss: 0.2187 - acc: 0.9345
49700/60000 [=======================>......] - ETA: 0s - loss: 0.2176 - acc: 0.9348
50400/60000 [========================>.....] - ETA: 0s - loss: 0.2163 - acc: 0.9351
51100/60000 [========================>.....] - ETA: 0s - loss: 0.2149 - acc: 0.9356
51800/60000 [========================>.....] - ETA: 0s - loss: 0.2135 - acc: 0.9359
52500/60000 [=========================>....] - ETA: 0s - loss: 0.2125 - acc: 0.9362
53200/60000 [=========================>....] - ETA: 0s - loss: 0.2117 - acc: 0.9366
53800/60000 [=========================>....] - ETA: 0s - loss: 0.2107 - acc: 0.9369
54500/60000 [==========================>...] - ETA: 0s - loss: 0.2100 - acc: 0.9372
55200/60000 [==========================>...] - ETA: 0s - loss: 0.2094 - acc: 0.9375
55900/60000 [==========================>...] - ETA: 0s - loss: 0.2088 - acc: 0.9378
56600/60000 [===========================>..] - ETA: 0s - loss: 0.2082 - acc: 0.9378
57300/60000 [===========================>..] - ETA: 0s - loss: 0.2072 - acc: 0.9382
58000/60000 [============================>.] - ETA: 0s - loss: 0.2063 - acc: 0.9384
58700/60000 [============================>.] - ETA: 0s - loss: 0.2053 - acc: 0.9387
59300/60000 [============================>.] - ETA: 0s - loss: 0.2043 - acc: 0.9389
59900/60000 [============================>.] - ETA: 0s - loss: 0.2033 - acc: 0.9393
60000/60000 [==============================] - 5s 82us/step - loss: 0.2030 - acc: 0.9394

所以关于卷积层里的参数到底有什么奥秘呢？

Conv2D(16, kernel_size=(3,3), strides=(1, 1), padding='same', activation='tanh',name='conv',input_shape=(28, 28, 1))

我觉得这里最有疑问的应该就是第一第二个参数了，filter个数以及卷积核的大小。关于这两个参数的学术意义，很多大佬们都有剖析过，比如：https://blog.csdn.net/jyy555555/article/details/80515562

我觉得作者分析的贼详细所以，我们这个门在哪都还没有找到怎么入门的教程就看看在一层卷积层下这两个参数之间的关系：

代码：https://github.com/timcanby/Kares__StudyNotes/blob/master/20200101OneConvtest.py

代码加入了计算时间的测量，（最后注释的内容是可以看每一层的输出，感兴趣的朋友自行操作）这里摆放2*2 3*3 4*4 5*5在1-100个filter下的计算时间和accuracy，以及accuracy最高时候的filter数：

	2*2	3*3	4*4	5*5
图像

kernel=2
maxfilter 21
accMax 0.9319500026355187

kenel=3
maxfilter 16
accMax 0.9414833366622527

kernel=4
maxfilter 14
accMax 0.9419666689758499

kernel=5
maxfilter 9
accMax 0.9414000028371811

所以可见在一层的情况下，小核需要的filter数要稍微多一些会收获比较好的效果，但是看个人的数据我觉得还是各有各的特点。当kernel=5的时候计算量会增大但是在小输出的情况下就能有比较好的效果。

好的多余的分析盆友们可以自己去玩，今天就到这里。（转载请注明出处，github给小星星的是好青年）

机器学习与深度学习间关系与区别 ℒℴѵℯ心·动ꦿ໊ོ꫞ 人工智能学习深度学习 python
一、机器学习概述定义机器学习（MachineLearning,ML）是一种通过数据驱动的方法，利用统计学和计算算法来训练模型，使计算机能够从数据中学习并自动进行预测或决策。机器学习通过分析大量数据样本，识别其中的模式和规律，从而对新的数据进行判断。其核心在于通过训练过程，让模型不断优化和提升其预测准确性。主要类型1.监督学习（SupervisedLearning）监督学习是指在训练数据集中包含输入
理解Gunicorn：Python WSGI服务器的基石范范0825 ipython linux 运维
理解Gunicorn：PythonWSGI服务器的基石介绍Gunicorn，全称GreenUnicorn，是一个为PythonWSGI（WebServerGatewayInterface）应用设计的高效、轻量级HTTP服务器。作为PythonWeb应用部署的常用工具，Gunicorn以其高性能和易用性著称。本文将介绍Gunicorn的基本概念、安装和配置，帮助初学者快速上手。1.什么是Gunico
Python数据分析与可视化实战指南 William数据分析 python python 数据
在数据驱动的时代，Python因其简洁的语法、强大的库生态系统以及活跃的社区，成为了数据分析与可视化的首选语言。本文将通过一个详细的案例，带领大家学习如何使用Python进行数据分析，并通过可视化来直观呈现分析结果。一、环境准备1.1安装必要库在开始数据分析和可视化之前，我们需要安装一些常用的库。主要包括pandas、numpy、matplotlib和seaborn等。这些库分别用于数据处理、数学
python os.environ 江湖偌大 python 深度学习
os.environ['TF_CPP_MIN_LOG_LEVEL']='0'#默认值，输出所有信息os.environ['TF_CPP_MIN_LOG_LEVEL']='1'#屏蔽通知信息（INFO）os.environ['TF_CPP_MIN_LOG_LEVEL']='2'#屏蔽通知信息和警告信息（INFO\WARNING）os.environ['TF_CPP_MIN_LOG_LEVEL']='
Python中os.environ基本介绍及使用方法鹤冲天Pro #Python python 服务器开发语言
文章目录python中os.environos.environ简介os.environ进行环境变量的增删改查python中os.environ的使用详解1.简介2.key字段详解2.1常见key字段3.os.environ.get()用法4.环境变量的增删改查和判断是否存在4.1新增环境变量4.2更新环境变量4.3获取环境变量4.4删除环境变量4.5判断环境变量是否存在python中os.envi
Pyecharts数据可视化大屏：打造沉浸式数据分析体验我的运维人生信息可视化数据分析数据挖掘运维开发技术共享
Pyecharts数据可视化大屏：打造沉浸式数据分析体验在当今这个数据驱动的时代，如何将海量数据以直观、生动的方式展现出来，成为了数据分析师和企业决策者关注的焦点。Pyecharts，作为一款基于Python的开源数据可视化库，凭借其丰富的图表类型、灵活的配置选项以及高度的定制化能力，成为了构建数据可视化大屏的理想选择。本文将深入探讨如何利用Pyecharts打造数据可视化大屏，并通过实际代码案例
Python教程：一文了解使用Python处理XPath 旦莫 Python进阶 python 开发语言
目录1.环境准备1.1安装lxml1.2验证安装2.XPath基础2.1什么是XPath？2.2XPath语法2.3示例XML文档3.使用lxml解析XML3.1解析XML文档3.2查看解析结果4.XPath查询4.1基本路径查询4.2使用属性查询4.3查询多个节点5.XPath的高级用法5.1使用逻辑运算符5.2使用函数6.实战案例6.1从网页抓取数据6.1.1安装Requests库6.1.2代
python os.environ_python os.environ 读取和设置环境变量 weixin_39605414 python os.environ
>>>importos>>>os.environ.keys()['LC_NUMERIC','GOPATH','GOROOT','GOBIN','LESSOPEN','SSH_CLIENT','LOGNAME','USER','HOME','LC_PAPER','PATH','DISPLAY','LANG','TERM','SHELL','J2REDIR','LC_MONETARY','QT_QPA
将cmd中命令输出保存为txt文本文件落难Coder Windows cmd window
最近深度学习本地的训练中我们常常要在命令行中运行自己的代码，无可厚非，我们有必要保存我们的炼丹结果，但是复制命令行输出到txt是非常麻烦的，其实Windows下的命令行为我们提供了相应的操作。其基本的调用格式就是：运行指令>输出到的文件名称或者具体保存路径测试下，我打开cmd并且ping一下百度：pingwww.baidu.com>./data.txt看下相同目录下data.txt的输出：如果你再
使用Faiss进行高效相似度搜索 llzwxh888 faiss python
在现代AI应用中，快速和高效的相似度搜索是至关重要的。Faiss（FacebookAISimilaritySearch）是一个专门用于快速相似度搜索和聚类的库，特别适用于高维向量。本文将介绍如何使用Faiss来进行相似度搜索，并结合Python代码演示其基本用法。什么是Faiss？Faiss是一个由FacebookAIResearch团队开发的开源库，主要用于高维向量的相似性搜索和聚类。Faiss
python是什么意思中文-在python中%是什么意思编程大乐趣
Python中%有两种：1、数值运算：%代表取模，返回除法的余数。如：>>>7%212、%操作符（字符串格式化，stringformatting），说明如下：%[(name)][flags][width].[precision]typecode(name)为命名flags可以有+，-，''或0。+表示右对齐。-表示左对齐。''为一个空格，表示在正数的左侧填充一个空格，从而与负数对齐。0表示使用0填
Day1笔记-Python简介&标识符和关键字&输入输出 ~在杰难逃~ Python python 开发语言大数据数据分析数据挖掘
大家好，从今天开始呢，杰哥开展一个新的专栏，当然，数据分析部分也会不定时更新的，这个新的专栏主要是讲解一些Python的基础语法和知识，帮助0基础的小伙伴入门和学习Python，感兴趣的小伙伴可以开始认真学习啦！一、Python简介【了解】1.计算机工作原理编程语言就是用来定义计算机程序的形式语言。我们通过编程语言来编写程序代码，再通过语言处理程序执行向计算机发送指令，让计算机完成对应的工作，编程
python八股文面试题分享及解析(1) Shawn________ python
#1.'''a=1b=2不用中间变量交换a和b'''#1.a=1b=2a,b=b,aprint(a)print(b)结果：21#2.ll=[]foriinrange(3):ll.append({'num':i})print(11)结果:#[{'num':0},{'num':1},{'num':2}]#3.kk=[]a={'num':0}foriinrange(3):#0,12#可变类型，不仅仅改变
每日算法&面试题，大厂特训二十八天——第二十天（树）肥学 ⚡算法题⚡面试题每日精进 java 算法数据结构
目录标题导读算法特训二十八天面试题点击直接资料领取导读肥友们为了更好的去帮助新同学适应算法和面试题，最近我们开始进行专项突击一步一步来。上一期我们完成了动态规划二十一天现在我们进行下一项对各类算法进行二十八天的一个小总结。还在等什么快来一起肥学进行二十八天挑战吧！！特别介绍小白练手专栏，适合刚入手的新人欢迎订阅编程小白进阶python有趣练手项目里面包括了像《机器人尬聊》《恶搞程序》这样的有趣文章
Python快速入门 —— 第三节：类与对象孤华暗香 Python快速入门 python 开发语言
第三节：类与对象目标：了解面向对象编程的基础概念，并学会如何定义类和创建对象。内容：类与对象：定义类：class关键字。类的构造函数：__init__()。类的属性和方法。对象的创建与使用。示例：classStudent:def__init__(self,name,age,major):self.name&#
pyecharts——绘制柱形图折线图 2224070247 信息可视化 python java 数据可视化
一、pyecharts概述自2013年6月百度EFE(ExcellentFrontEnd）数据可视化团队研发的ECharts1.0发布到GitHub网站以来，ECharts一直备受业界权威的关注并获得广泛好评，成为目前成熟且流行的数据可视化图表工具，被应用到诸多数据可视化的开发领域。Python作为数据分析领域最受欢迎的语言，也加入ECharts的使用行列，并研发出方便Python开发者使用的数据
Python 实现图片裁剪（附代码） | Python工具剑客阿良_ALiang
前言本文提供将图片按照自定义尺寸进行裁剪的工具方法，一如既往的实用主义。环境依赖ffmpeg环境安装，可以参考我的另一篇文章：windowsffmpeg安装部署_阿良的博客-CSDN博客本文主要使用到的不是ffmpeg，而是ffprobe也在上面这篇文章中的zip包中。ffmpy安装：pipinstallffmpy-ihttps://pypi.douban.com/simple代码不废话了，上代码
【华为OD技术面试真题 - 技术面】- python八股文真题题库（4) 算法大师华为od 面试 python
华为OD面试真题精选专栏：华为OD面试真题精选目录:2024华为OD面试手撕代码真题目录以及八股文真题目录文章目录华为OD面试真题精选**1.Python中的`with`**用途和功能自动资源管理示例：文件操作上下文管理协议示例代码工作流程解析优点2.\_\_new\_\_和**\_\_init\_\_**区别__new____init__区别总结3.**切片（Slicing）操作**基本切片语法
python os 环境变量 CV矿工 python 开发语言 numpy
环境变量：环境变量是程序和操作系统之间的通信方式。有些字符不宜明文写进代码里，比如数据库密码，个人账户密码，如果写进自己本机的环境变量里，程序用的时候通过os.environ.get（）取出来就行了。os.environ是一个环境变量的字典。环境变量的相关操作importos"""设置/修改环境变量：os.environ[‘环境变量名称’]=‘环境变量值’#其中key和value均为string类
Python爬虫解析工具之xpath使用详解 eqa11 python 爬虫开发语言
文章目录Python爬虫解析工具之xpath使用详解一、引言二、环境准备1、插件安装2、依赖库安装三、xpath语法详解1、路径表达式2、通配符3、谓语4、常用函数四、xpath在Python代码中的使用1、文档树的创建2、使用xpath表达式3、获取元素内容和属性五、总结Python爬虫解析工具之xpath使用详解一、引言在Python爬虫开发中，数据提取是一个至关重要的环节。xpath作为一门
【华为OD技术面试真题 - 技术面】- python八股文真题题库（1）算法大师华为od 面试 python
华为OD面试真题精选专栏：华为OD面试真题精选目录:2024华为OD面试手撕代码真题目录以及八股文真题目录文章目录华为OD面试真题精选1.数据预处理流程数据预处理的主要步骤工具和库2.介绍线性回归、逻辑回归模型线性回归（LinearRegression）模型形式：关键点：逻辑回归（LogisticRegression）模型形式：关键点：参数估计与评估：3.python浅拷贝及深拷贝浅拷贝（Shal
nosql数据库技术与应用知识点皆过客，揽星河 NoSQL nosql 数据库大数据数据分析数据结构非关系型数据库
Nosql知识回顾大数据处理流程数据采集(flume、爬虫、传感器)数据存储(本门课程NoSQL所处的阶段)Hdfs、MongoDB、HBase等数据清洗(入仓)Hive等数据处理、分析(Spark、Flink等)数据可视化数据挖掘、机器学习应用(Python、SparkMLlib等)大数据时代存储的挑战(三高)高并发(同一时间很多人访问)高扩展(要求随时根据需求扩展存储)高效率(要求读写速度快)
《Python数据分析实战终极指南》 xjt921122 python 数据分析开发语言
对于分析师来说，大家在学习Python数据分析的路上，多多少少都遇到过很多大坑**，有关于技能和思维的**：Excel已经没办法处理现有的数据量了，应该学Python吗？找了一大堆Python和Pandas的资料来学习，为什么自己动手就懵了？跟着比赛类公开数据分析案例练了很久，为什么当自己面对数据需求还是只会数据处理而没有分析思路？学了对比、细分、聚类分析，也会用PEST、波特五力这类分析法，为啥
Python中深拷贝与浅拷贝的区别 yuxiaoyu.
转自：http://blog.csdn.net/u014745194/article/details/70271868定义：在Python中对象的赋值其实就是对象的引用。当创建一个对象，把它赋值给另一个变量的时候，python并没有拷贝这个对象，只是拷贝了这个对象的引用而已。浅拷贝：拷贝了最外围的对象本身，内部的元素都只是拷贝了一个引用而已。也就是，把对象复制一遍，但是该对象中引用的其他对象我不复
Python开发常用的三方模块如下：换个网名有点难 python 开发语言
Python是一门功能强大的编程语言，拥有丰富的第三方库，这些库为开发者提供了极大的便利。以下是100个常用的Python库，涵盖了多个领域：1、NumPy，用于科学计算的基础库。2、Pandas，提供数据结构和数据分析工具。3、Matplotlib，一个绘图库。4、Scikit-learn，机器学习库。5、SciPy，用于数学、科学和工程的库。6、TensorFlow，由Google开发的开源机
Python编译器鹿鹿~ Python编译器 Python python 开发语言后端
嘿嘿嘿我又来了啊有些小盆友可能不知道Python其实是有编译器的，也就是PyCharm。你们可能会问到这个是干嘛的又不可以吃也不可以穿好像没有什么用，其实你还说对了这个还真的不可以吃也不可以穿，但是它用来干嘛的呢。用来编译你所打出的代码进行运行（可能这里说的有点不对但是只是个人认为）现在我们来说说PyCharm是用来干嘛的。PyCharm是一种PythonIDE，带有一整套可以帮助用户在使用Pyt
一文掌握python面向对象魔术方法（二）程序员neil python python 开发语言
接上篇：一文掌握python面向对象魔术方法（一）-CSDN博客目录六、迭代和序列化：1、__iter__(self):定义迭代器，使得类可以被for循环迭代。2、__getitem__(self,key):定义索引操作，如obj[key]。3、__setitem__(self,key,value):定义赋值操作，如obj[key]=value。4、__delitem__(self,key):定义
一文掌握python常用的list（列表）操作程序员neil python python 开发语言
目录一、创建列表1.直接创建列表：2.使用list()构造器3.使用列表推导式4.创建空列表二、访问列表元素1.列表支持通过索引访问元素，索引从0开始：2.还可以使用切片操作访问列表的一部分：三、修改列表元素四、添加元素1.append()：在末尾添加元素2.insert()：在指定位置插入元素五、删除元素1.del：删除指定位置的元素2.remove()：删除指定值的第一个匹配项3.pop()：
Python实现简单的机器学习算法 master_chenchengg python python 办公效率 python开发 IT
Python实现简单的机器学习算法开篇：初探机器学习的奇妙之旅搭建环境：一切从安装开始必备工具箱第一步：安装Anaconda和JupyterNotebook小贴士：如何配置Python环境变量算法初体验：从零开始的Python机器学习线性回归：让数据说话数据准备：从哪里找数据编码实战：Python实现线性回归模型评估：如何判断模型好坏逻辑回归：从分类开始理论入门：什么是逻辑回归代码实现：使用skl
python中的深拷贝与浅拷贝 anshejd70787 python
深拷贝和浅拷贝浅拷贝的时候，修改原来的对象，浅拷贝的对象不会发生改变。1、对象的赋值对象的赋值实际上是对象之间的引用：当创建一个对象，然后将这个对象赋值给另外一个变量的时候，python并没有拷贝这个对象，而只是拷贝了这个对象的引用。当对对象做赋值或者是参数传递或者作为返回值的时候，总是传递原始对象的引用，而不是一个副本。如下所示：>>>aList=["kel","abc",123]>>>bLis
java封装继承多态等麦田的设计者 java eclipse jvm c encapsulatopn
最近一段时间看了很多的视频却忘记总结了，现在只能想到什么写什么了，希望能起到一个回忆巩固的作用。 1、final关键字译为：最终的 &
F5与集群的区别 bijian1013 weblogic 集群 F5
http请求配置不是通过集群，而是F5；集群是weblogic容器的，如果是ejb接口是通过集群。 F5同集群的差别，主要还是会话复制的问题，F5一把是分发http请求用的，因为http都是无状态的服务，无需关注会话问题，类似
LeetCode[Math] - #7 Reverse Integer Cwind java 题解 Math LeetCode Algorithm
原题链接：#7 Reverse Integer 要求：按位反转输入的数字例1：输入 x = 123, 返回 321 例2：输入 x = -123, 返回 -321 难度：简单分析：对于一般情况，首先保存输入数字的符号，然后每次取输入的末位（x%10）作为输出的高位（result = result*10 + x%10）即可。但
BufferedOutputStream 周凡杨
首先说一下这个大批量，是指有上千万的数据量。例子：有一张短信历史表，其数据有上千万条数据，要进行数据备份到文本文件，就是执行如下SQL然后将结果集写入到文件中！ select t.msisd
linux下模拟按键输入和鼠标被触发 linux
查看/dev/input/eventX是什么类型的事件， cat /proc/bus/input/devices 设备有着自己特殊的按键键码，我需要将一些标准的按键，比如0－9，X－Z等模拟成标准按键，比如KEY_0,KEY-Z等，所以需要用到按键模拟，具体方法就是操作/dev/input/event1文件，向它写入个input_event结构体就可以模拟按键的输入了。 linux/in
ContentProvider初体验肆无忌惮_ ContentProvider
ContentProvider在安卓开发中非常重要。与Activity，Service，BroadcastReceiver并称安卓组件四大天王。在android中的作用是用来对外共享数据。因为安卓程序的数据库文件存放在data/data/packagename里面，这里面的文件默认都是私有的，别的程序无法访问。如果QQ游戏想访问手机QQ的帐号信息一键登录，那么就需要使用内容提供者COnte
关于Spring MVC项目（maven）中通过fileupload上传文件 843977358 mybatis spring mvc 修改头像上传文件 upload
Spring MVC 中通过fileupload上传文件，其中项目使用maven管理。 1.上传文件首先需要的是导入相关支持jar包：commons-fileupload.jar,commons-io.jar 因为我是用的maven管理项目，所以要在pom文件中配置（每个人的jar包位置根据实际情况定） <!-- 文件上传 start by zhangyd-c --&g
使用svnkit api，纯java操作svn，实现svn提交，更新等操作 aigo svnkit
原文：http://blog.csdn.net/hardwin/article/details/7963318 import java.io.File; import org.apache.log4j.Logger; import org.tmatesoft.svn.core.SVNCommitInfo; import org.tmateso
对比浏览器，casperjs，httpclient的Header信息 alleni123 爬虫 crawler header
@Override protected void doGet(HttpServletRequest req, HttpServletResponse res) throws ServletException, IOException { String type=req.getParameter("type"); Enumeration es=re
java.io操作 DataInputStream和DataOutputStream基本数据流百合不是茶 java 流
1，java中如果不保存整个对象，只保存类中的属性，那么我们可以使用本篇文章中的方法，如果要保存整个对象先将类实例化后面的文章将详细写到 2，DataInputStream 是java.io包中一个数据输入流允许应用程序以与机器无关方式从底层输入流中读取基本 Java 数据类型。应用程序可以使用数据输出流写入稍后由数据输入流读取的数据。
车辆保险理赔案例 bijian1013 车险
理赔案例：一货运车，运输公司为车辆购买了机动车商业险和交强险，也买了安全生产责任险，运输一车烟花爆竹，在行驶途中发生爆炸，出现车毁、货损、司机亡、炸死一路人、炸毁一间民宅等惨剧，针对这几种情况，该如何赔付。赔付建议和方案：客户所买交强险在这里不起作用，因为交强险的赔付前提是：“机动车发生道路交通意外事故”；如果是交通意外事故引发的爆炸，则优先适用交强险条款进行赔付，不足的部分由商业
学习Spring必学的Java基础知识(5)—注解 bijian1013 java spring
文章来源：http://www.iteye.com/topic/1123823，整理在我的博客有两个目的：一个是原文确实很不错，通俗易懂，督促自已将博主的这一系列关于Spring文章都学完；另一个原因是为免原文被博主删除，在此记录，方便以后查找阅读。有必要对
【Struts2一】Struts2 Hello World bit1129 Hello world
Struts2 Hello World应用的基本步骤创建Struts2的Hello World应用，包括如下几步： 1.配置web.xml 2.创建Action 3.创建struts.xml，配置Action 4.启动web server，通过浏览器访问配置web.xml <?xml version="1.0" encoding="
【Avro二】Avro RPC框架 bit1129 rpc
1. Avro RPC简介 1.1. RPC RPC逻辑上分为二层，一是传输层，负责网络通信；二是协议层，将数据按照一定协议格式打包和解包从序列化方式来看，Apache Thrift 和Google的Protocol Buffers和Avro应该是属于同一个级别的框架，都能跨语言，性能优秀，数据精简，但是Avro的动态模式（不用生成代码，而且性能很好）这个特点让人非常喜欢，比较适合R
lua　set get cookie ronin47 lua cookie
lua: local access_token = ngx.var.cookie_SGAccessToken if access_token then ngx.header["Set-Cookie"] = "SGAccessToken="..access_token.."; path=/;Max-Age=3000" end
java-打印不大于N的质数 bylijinnan java
public class PrimeNumber { /** * 寻找不大于N的质数 */ public static void main(String[] args) { int n=100; PrimeNumber pn=new PrimeNumber(); pn.printPrimeNumber(n); System.out.print
Spring源码学习-PropertyPlaceholderHelper bylijinnan java spring
今天在看Spring 3.0.0.RELEASE的源码，发现PropertyPlaceholderHelper的一个bug 当时觉得奇怪，上网一搜，果然是个bug，不过早就有人发现了，且已经修复：详见： http://forum.spring.io/forum/spring-projects/container/88107-propertyplaceholderhelper-bug
[逻辑与拓扑]布尔逻辑与拓扑结构的结合会产生什么? comsci 拓扑
如果我们已经在一个工作流的节点中嵌入了可以进行逻辑推理的代码,那么成百上千个这样的节点如果组成一个拓扑网络,而这个网络是可以自动遍历的,非线性的拓扑计算模型和节点内部的布尔逻辑处理的结合,会产生什么样的结果呢? 是否可以形成一种新的模糊语言识别和处理模型呢? 大家有兴趣可以试试,用软件搞这些有个好处,就是花钱比较少,就算不成
ITEYE 都换百度推广了 cuisuqiang Google AdSense 百度推广广告外快
以前ITEYE的广告都是谷歌的Google AdSense，现在都换成百度推广了。为什么个人博客设置里面还是Google AdSense呢？都知道Google AdSense不好申请，这在ITEYE上也不是讨论了一两天了，强烈建议ITEYE换掉Google AdSense。至少，用一个好申请的吧。什么时候能从ITEYE上来点外快，哪怕少点
新浪微博技术架构分析 dalan_123 新浪微博架构
新浪微博在短短一年时间内从零发展到五千万用户，我们的基层架构也发展了几个版本。第一版就是是非常快的，我们可以非常快的实现我们的模块。我们看一下技术特点，微博这个产品从架构上来分析，它需要解决的是发表和订阅的问题。我们第一版采用的是推的消息模式，假如说我们一个明星用户他有10万个粉丝，那就是说用户发表一条微博的时候，我们把这个微博消息攒成10万份，这样就是很简单了，第一版的架构实际上就是这两行字。第
玩转ARP攻击 dcj3sjt126com r
我写这片文章只是想让你明白深刻理解某一协议的好处。高手免看。如果有人利用这片文章所做的一切事情，盖不负责。网上关于ARP的资料已经很多了，就不用我都说了。用某一位高手的话来说，“我们能做的事情很多，唯一受限制的是我们的创造力和想象力”。 ARP也是如此。以下讨论的机子有一个要攻击的机子：10.5.4.178 硬件地址：52:54:4C:98
PHP编码规范 dcj3sjt126com 编码规范
一、文件格式 1. 对于只含有 php 代码的文件，我们将在文件结尾处忽略掉 "?>" 。这是为了防止多余的空格或者其它字符影响到代码。例如：<?php$foo = 'foo';2. 缩进应该能够反映出代码的逻辑结果，尽量使用四个空格，禁止使用制表符TAB，因为这样能够保证有跨客户端编程器软件的灵活性。例
linux 脱机管理（nohup） eksliang linux nohup nohup
脱机管理 nohup 转载请出自出处：http://eksliang.iteye.com/blog/2166699 nohup可以让你在脱机或者注销系统后，还能够让工作继续进行。他的语法如下 nohup [命令与参数] --在终端机前台工作 nohup [命令与参数] & --在终端机后台工作但是这个命令需要注意的是，nohup并不支持bash的内置命令，所
BusinessObjects Enterprise Java SDK greemranqq java BO SAP Crystal Reports
最近项目用到oracle_ADF 从SAP/BO 上调用水晶报表，资料比较少，我做一个简单的分享，给和我一样的新手提供更多的便利。首先，我是尝试用JAVA JSP 去访问的。官方API：http://devlibrary.businessobjects.com/BusinessObjectsxi/en/en/BOE_SDK/boesdk_ja
系统负载剧变下的管控策略 iamzhongyong 高并发
假如目前的系统有100台机器，能够支撑每天1亿的点击量（这个就简单比喻一下），然后系统流量剧变了要，我如何应对，系统有那些策略可以处理，这里总结了一下之前的一些做法。 1、水平扩展这个最容易理解，加机器，这样的话对于系统刚刚开始的伸缩性设计要求比较高，能够非常灵活的添加机器，来应对流量的变化。 2、系统分组假如系统服务的业务不同，有优先级高的，有优先级低的，那就让不同的业务调用提前分组
BitTorrent DHT 协议中文翻译 justjavac bit
前言做了一个磁力链接和BT种子的搜索引擎 {Magnet & Torrent}，因此把 DHT 协议重新看了一遍。 BEP: 5Title: DHT ProtocolVersion: 3dec52cb3ae103ce22358e3894b31cad47a6f22bLast-Modified: Tue Apr 2 16:51:45 2013 -070
Ubuntu下Java环境的搭建 macroli java 工作 ubuntu
配置命令：　　$sudo apt-get install ubuntu-restricted-extras 　　再运行如下命令：　　$sudo apt-get install sun-java6-jdk 　　待安装完毕后选择默认Java. 　　$sudo update- alternatives --config java 　　安装过程提示选择，输入“2”即可，然后按回车键确定。
js字符串转日期（兼容IE所有版本） qiaolevip TO Date String IE
/** * 字符串转时间（yyyy-MM-dd HH:mm:ss） * result （分钟） */ stringToDate : function(fDate){ var fullDate = fDate.split(" ")[0].split("-"); var fullTime = fDate.split("
【数据挖掘学习】关联规则算法Apriori的学习与SQL简单实现购物篮分析 superlxw1234 sql 数据挖掘关联规则
关联规则挖掘用于寻找给定数据集中项之间的有趣的关联或相关关系。关联规则揭示了数据项间的未知的依赖关系，根据所挖掘的关联关系，可以从一个数据对象的信息来推断另一个数据对象的信息。例如购物篮分析。牛奶 ⇒ 面包 [支持度：3%，置信度：40%] 支持度3%：意味3%顾客同时购买牛奶和面包。置信度40%：意味购买牛奶的顾客40%也购买面包。规则的支持度和置信度是两个规则兴
Spring 5.0 的系统需求，期待你的反馈 wiselyman spring
Spring 5.0将在2016年发布。Spring5.0将支持JDK 9。 Spring 5.0的特性计划还在工作中，请保持关注，所以作者希望从使用者得到关于Spring 5.0系统需求方面的反馈。

keras入门笔记2:我们来玩卷积层（ Convolution Layer）～一层卷积层分类Mnist！

keras深度学习入门笔记附录1：让我们看看有多少种让搭建好的模型开始跑的方式（fit 和 train on batch）

从代码案例入门keras1:LeNet对手写数字Mnist分类

你可能感兴趣的:(keras,深度学习入门,深度学习,keras,mnist,卷积,python)