说明 1、opencv中使用cv2.add()添加两个图像，核心操作是在numpy中添加矩阵。 2、加入opencv的方法是饱和操作，即有上限值。 相加的两张图片，需要相同的尺寸和通道。 语法格式： cv2.add(src1, src2, dst=None, mask=None, dtype=None) 返回值：相加之后的图像。 其中src1与src2需要大小和通道数相等或者一副图像和一个标量（标量就是单个数字） 代码示例如下： import cv2 as cv   def img_add(sr…

方法 1、用手机号注册运动APP并登录。 2、复制相关代码并保存到一个文件中。 如文件名xiaomiyundong.py； 3、修改第144行手机号码及第146行密码，保存。 4、在python环境下运行文件。 python3xiaomiyundong.py； 5、可以设置定时任务。 例如，在软路由OpenWrt中设置的计划任务是: 0 18,19 * * * /usr/bin/python3 /usr/share/XiaoMiYunDong/xiaomiyundong.py >/tmp/…

1、os.chdir()方法用于改变当前工作目录到指定的路径。 2、语法为os.chdir(path) 3、参数path，要切换到的新路径。 4、返回值，如果允许访问返回True , 否则False。 实例 import os os.chdir(‘G:/阿里云盘/音乐/’) datanames = os.listdir() print(datanames) for file in datanames:     if ‘ – ‘ in file:         new_name = file.r…

说明 1、模型集成是指将一系列不同模型的预测结果集成在一起，从而获得更好的预测结果。 2、对于模型集成来说，模型的多样性非常重要。Diversityisstrength.用于集成的模型应尽可能好，同时应尽可能不同。 同一的网络，使用不同的随机初始化，多次独立训练，然后集成，意义不大。更好的方法是使用结构非常不同的模型进行集成，这样每个模型的偏差就会在不同的方向上相互抵消，结果就会更加稳定准确。 实例 可以用多种不同的方法来集成它们，最简单的办法是，取平均： final_preds = 0.25 …

1、手动调参，但这种方法依赖于大量的经验，而且比较费时。 许多情况下，工程师依靠试错法手工调整超参数进行优化，有经验的工程师可以在很大程度上判断如何设置超参数，从而提高模型的准确性。 2、网格化寻优，是最基本的超参数优化方法。 利用这种技术，我们只需要为所有超参数的可能性建立一个独立的模型，评估每个模型的性能，选择产生最佳结果的模型和超参数。 from sklearn.datasets import load_iris from sklearn.svm import SVC iris = loa…

1、残差连接是目前常用的组件，解决了大规模深度学习模型梯度消失和瓶颈问题。 通常，在10层以上的模型中追加残差连接可能有帮助。 from keras import layers   x = …   y = layers.Conv2D(128, 3, activation=’relu’, padding=’same’)(x) y = layers.Conv2D(128, 3, activation=’relu’, padding=’same’)(y) y = layers.MaxPooling…

说明 1、通过特征本身的方差来筛选特征。特征的方差越小，特征的变化越不明显。 2、变化越不明显的特征对我们区分标签没有太大作用，因此应该消除这些特征。 实例 def variance_demo():     “””     过滤低方差特征     :return:     “””     # 1. 获取数据     data = pd.read_csv(‘factor_returns.csv’)     data = data.iloc[:, 1:-2]     print(‘data:\n’,…

说明 1、PCA是最经典、最实用的降维技术，尤其在辅助图形识别中表现突出。 2、用来减少数据集的维度，同时保持数据集中对方差贡献最大的特征。 保持低阶主成分，而忽略高阶成分，低阶成分往往能保留数据的最重要部分。 实例 from sklearn.feature_selection import VarianceThreshold   # 特征选择  VarianceThreshold删除低方差的特征(删除差别不大的特征) var = VarianceThreshold(threshold=1.0)…

说明 1、将原始数据转换为均值为0，标准差在1范围内。 2、对标准化而言：如果出现异常点，由于有一定数据量，少量异常点对平均值的影响不大，因此方差变化不大。 实例 def stand_demo():     “””     标准化     :return:     “””     # 1. 获取数据     data = pd.read_csv(‘dating.txt’)     data = data.iloc[:, :3]     print(‘data:\n’, data)       #…

说明 1、通过对原始数据进行变换把数据映射到(默认为[0,1])之间。 2、能够加快梯度下降求最优解的速度，并有可能提高精度。 实例 def minmax_demo():     “””     归一化     :return:     “””     # 1.获取数据     data = pd.read_csv(‘dating.txt’)       data = data.iloc[:, :3]     # print(“data:\n”, data)     # 2.实例化一个转换器类 …