函数图像

添加图例的两种方法 1.【推荐使用】在plot函数中增加label参数，然后在后面加上plt.legend() plt.plot(x, x*3.0, label='Fast') plt.plot(x, x/3.0, label='Slow') plt.legend() 2.legend方法中传入字符串列表 plt.plot(x,np.sin(x),x,np.cos(x)) plt.legend(["sin","cos"]) 接下来是两篇文章的阅读笔记（将自己不懂的地方标注了一下） 第一篇： 用python的matplotlib画图时，往往需要加图例说明。如果不设置任何参数，默认是加到图像的内侧的最佳位置。 如果需要将该legend移到图像外侧，有多种方法，这里介绍一种。 在plt.legend()函数中加入若干参数：plt.legend(bbox_to_anchor=(num1, num2), loc=num3, borderaxespad=num4)，只要加上这些参数并给他们设置一定的值，则就会将图例放在外面。 具体设置参考文章：https://blog.csdn.net/Poul_henry/article/details/82533569 第二篇：原文链接：https://blog.csdn.net/Poul_henry/article/details/88311964

文章目录 一 监督学习 1 classification分类 （1） Binary Decision Tree(BDT)二分决策树 （2） Naive Bayesian Classifier朴素贝叶斯分类器 （3） Neural Network(NN)神经网络 （4）Convolution NN(CNN)卷积神经网络 （5）Deep Belief Networks(DBN)深度信念网络 （6）Recurrent NN(RNN)深度循环神经网络 2 regression回归 （1）LinearRegression线性回归： （2）树回归： 二 强化学习 1 Q-learning 2 Deep Q Networks 3 Double Q-learning 4 Prioritized experience replay 三 无监督学习 1 Dimensionality Reduction降维 （1）Stacked Auto-Encoders(SAE)栈式自编码 （2）Local Linear Embedding局部线性嵌入 2 Clustering聚类 （1）聚类算法简介 （2）聚类算法分类 （3）KMeans算法 （4）层次聚类（hierarchical clustering） （5） DBSCAN（基于密度的聚类算法） 3 Density Estimation密度估计 一 监督学习

所有参考来自网上仅仅做学习记录用，具体正确性需要在具体项目各自验证，不涉及具体错误代码处理调试等问题，欢迎发现发现问题~ 参考： 1. https://blog.csdn.net/LiheZhu/article/details/50485317 2. https://mangoroom.cn/opencv/opencv-learning-imread.html 1 . 该函数位于Highgui.h和Loadsave.cpp文件中。 Mat imread( const string& filename, int flags ) { Mat img; imread_( filename, flags, LOAD_MAT, &img ); return img; } 接下来看一下imread_函数中关于flags的部分 int type = decoder->type(); if( flags != -1 ) { if( (flags & CV_LOAD_IMAGE_ANYDEPTH) == 0 ) type = CV_MAKETYPE(CV_8U, CV_MAT_CN(type)); if( (flags & CV_LOAD_IMAGE_COLOR) != 0 || ((flags & CV_LOAD_IMAGE_ANYCOLOR) != 0 && CV_MAT_CN(type) >

吐血整理！140种Python标准库、第三方库和外部工具都有了 Python那些事 今天 文章转载自公众号 大数据 ， 作者 宋天龙 导读： Python数据工具箱涵盖从数据源到数据可视化的完整流程中涉及到的常用库、函数和外部工具。其中既有Python内置函数和标准库，又有第三方库和工具。 这些库可用于文件读写、网络抓取和解析、数据连接、数清洗转换、数据计算和统计分析、图像和视频处理、音频处理、数据挖掘/机器学习/深度学习、数据可视化、交互学习和集成开发以及其他Python协同数据工作工具。 作者：宋天龙 来源：大数据（ID：hzdashuju） 内容摘编自《Python数据分析与数据化运营》（第2版） 为了区分不同对象的来源和类型，本文将在描述中通过以下方法进行标识： Python内置函数： Python自带的内置函数。函数无需导入，直接使用。例如要计算-3.2的绝对值，直接使用abs函数，方法是 abs( -3.2) Python标准库： Python自带的标准库。Python标准库无需安装，只需要先通过import方法导入便可使用其中的方法。例如导入string模块，然后使用其中的find方法： import string string.find( 'abcde', 'b') 第三方库： Python的第三方库。这些库需要先进行安装（部分可能需要配置）。 外部工具：

3.1 基本概念 3.1.1 神经网络组成 神经网络类型众多，其中最为重要的是多层感知机。为了详细地描述神经网络，我们先从最简单的神经网络说起。 感知机 多层感知机中的特征神经元模型称为感知机，由Frank Rosenblatt于1957年发明。 简单的感知机如下图所示： 其中$x_1$，$x_2$，$x_3$为感知机的输入，其输出为： $ output = \left{ \begin{aligned} 0, \quad if \ \ \sumi wi xi \leqslant threshold \ 1, \quad if \ \ \sumi wi xi > threshold \end{aligned} \right. $ 假如把感知机想象成一个加权投票机制，比如 3 位评委给一个歌手打分，打分分别为$ 4 $分、$1$ 分、$-3 $分，这$ 3$ 位评分的权重分别是 $1、3、2$，则该歌手最终得分为 $4 \times 1 + 1 \times 3 + (-3) \times 2 = 1$ 。按照比赛规则，选取的 $threshold$ 为 $3$，说明只有歌手的综合评分大于$ 3$ 时，才可顺利晋级。对照感知机，该选手被淘汰，因为： $$ \sumi wi x_i < threshold=3, output = 0 $$ 用 $-b$ 代替 $threshold$