可视化

作者 微信:tangy8080 电子邮箱:914661180@qq.com 更新时间：2019-06-19 10:10:42 星期三 欢迎您订阅和分享我的订阅号,订阅号内会不定期分享一些我自己学习过程中的编写的文章 如您在阅读过程中发现文章错误,可添加我的微信 tangy8080 进行反馈.感谢您的支持。 文章主题 安装Kibana来查看ElasticSearch中的数据 前置条件 完成了本章节的第一，第二节 安装kibana 创建授权文件 由于kibana免费版本不提供认证功能,所以在这里我们使用Basic Authentication来完成一个简单的用户认证 #安装httpd，用于生成认证文件 yum -y install httpd #创建用户 echo "$(htpasswd -nb -C 5 kibana yourpassword)" >> auth #在k8s中创建保密字典 kubectl create secret generic basic-auth --from-file=auth It's important the file generated is named auth (actually - that the secret has a key data.auth), otherwise the ingress-controller returns a

1 ElasticHD 1.0 下载 传送门: https://github.com/360EntSecGroup-Skylar/ElasticHD/releases 根据机器环境选择对应的版本. 如Linux,选择: elasticHD_linux_amd64.zip 1.2 解压 unzip elasticHD_linux_amd64.zip -d /path/to/ES 1.3 添加文件读写权限 sudo chmod 777 ElasticHD 1.4 运行 # 进入ES文件夹 cd path/to/ES # 执行文件 exec ./ElasticHD -p 127.0.0.1:9800 # 或者这样执行 ./ElasticHD -p 127.0.0.1:9800 To view elasticHD console open http://127.0.0.1:9800 in browser 图 ElasticHD首页信息 2 Kibana 2.1 下载 传送门: https://www.elastic.co/cn/downloads/past-releases#kibana 选择需要的版本. 2.2 安装 tar -zxvf kibana-6.3.0-linux-x86_64.tar.gz -C /usr/kibana 2.3 配置 cd /usr/kibana/kibana

ZFNet 目录 ZFNet 目录 观察1-利用反卷积实现可视化 观察2–特征可视化 结论 观察3-不同层在不同迭代时期的变化 观察4-特征不变性 结论 观察5-图片相关性分析 相关性计算方式 结论 遮挡影响 观察6——特征分析 结论 总结 本问主要记录一下该论中的一些结论 观察1-利用反卷积实现可视化 注意图中的注释，解释了整个反卷积的过程如何实现了对后层特征图进行逆向可视化； 1）卷积层的逆向操作：将原始网络层的特征矩阵进行转置，然后反卷积操作，最后映射到输入的图片层，可实现可视化； 2）池化层的逆向操作： 反池化过程，对于最大池化，将后层值填到前层池化时取最大值的位置，其他位置补0，如下图所示。 观察2–特征可视化 1）下面图是训练后进行可视化展示图；左边是反卷积出的可视化特征，右边是对应的输入图片（从原图中裁剪出的含有对象的patches图作为输入图） 结论 1）重构特征只包含那些具有判别能力的纹理结构： 第五层，第一行第二列的9张图输入图片差异很大，但是对应的重构输入特征则都表示了背景的草地，没有显示五花八门的对象。 2）每层网络的功能性特点： a）第二层： ：主要针对物体的边缘和轮廓，以及与颜色的组合 a）第三层： ：拥有更加复杂的不变性，主要展示了相似的纹理（如第一行第一列的网络模型，第二行第四列的花纹） a）第四层： ：不同组重构特征存在重大差异性

上篇文章中我们介绍了ZFNet的发展历程和一些算法小心机，在这篇文章中我们将分享一下ZFNet的训练细节！Come on！！！Baby！！！ 一、ZFNet训练细节 【AlexNet和ZFNet的区别】 1.AlexNet中使用2个GPU运的稀疏连接；在ZFNet中被单GPU密集连接替换； 2.将AlexNet第一层卷积核由11变成7，步长由4变为2（预告一波）； 【ZFNet的训练】 ------（预处理）该模型在ImageNet 2012培训集上进行了培训（130万张图像，分布在1000多个不同的类别）。 ------每个RGB图像都经过预处理，方法是将最小尺寸调整为256，裁剪图片中间的256x256区域，然后减去整张图像每个像素的颜色均值，然后用10个不同224x224窗口对原图像进行裁剪（中间区域加上四个角落，及水平翻转图像）。 ------进行随机梯度下降法，对128个图片组成的块来更新参数。 ------起始学习率为0.01，动量系数为0.9。当验证集误差趋近于收敛时，手动调整学习率。 ------在全连接网络中使用系数为0.5的dropout（Hinton等，2012），且所有权值都初始化为0.01，偏置设为0。 ------高训练集的大小。 ------我们在70个迭代之后停止了训练，在单个GTX580 GPU上花了大约12天，基于（Krizhevsky等

华为云文档数据库DDS，在高性能、高可用、高安全、可弹性伸缩的基础上，提供了一键部署，弹性扩容，容灾，备份，恢复，监控等服务能力。小云妹带您体验可视化的实例管理平台，实例登录、数据备份等高频需求一键操作，轻松管理运维数据库~ 一起通过“云图说”来看看： 点击“ 了解更多 ”，文档数据库服务 DDS 等着您！ 来源： CSDN 作者： 华为云 链接： https://blog.csdn.net/devcloud/article/details/103158954

一、安装Apache和PHP yum install httpd php 二、安装SVN yum install subversion mod_dav_svn 三、查看版本号： svnserve --version 四、创建SVN repo目录和权限信息目录 mkdir /var/www/svn mkdir /var/www/svnconfig 五、创建SVN权限文件和密码文件 touch /var/www/svnconfig/accessfile touch /var/www/svnconfig/passwdfile 六、安装iF.SVnAdmin 下载：svnadmin-1.6.2.zip文件 wget http://sourceforge.net/projects/ifsvnadmin/files/svnadmin-1.6.2.zip/download 解压： unzip svnadmin-1.6.2.zip 把解压后的文件 iF.SVNAdmin-stable-1.6.2 拷贝到 /var/www/html/svnadmin cp -r iF.SVNAdmin-stable-1.6.2/ /var/www/html/svnadmin 更改data目录的读写模式 chmod -R 777 /var/www/html/svnadmin/data/ 更改 /var/www

前面的博客里有提到决策树，我们也了解了决策树的构建过程，如果可以可视化决策树，把决策树打印出来，对我们理解决策树的构建会有很大的帮助。这篇文章中，我们就来看下如何可视化输出一棵决策树。 一、安装相应的插件 我们需要安装Graphviz和pygraphviz， 教程 ，这个教程里有详细的安装过程，这里就不赘述了。 二、运行实例 我们依然以iris数据集为例，打印输出决策树看下效果。 #coding=utf-8 import numpy as np import pandas as pd import pydotplus def lrisTrain (): #预处理-引入鸢尾数据： from sklearn.datasets import load_iris iris = load_iris() from sklearn.cross_validation import train_test_split # 把数据分为测试数据和验证数据 train_data,test_data,train_target,test_target=train_test_split(iris.data,iris.target,test_size= 0.2,random_state= 1) #Model(建模)-引入决策树 from sklearn import tree #建立一个分类器 clf = tree

模式一：normal模式 作用主要是用来浏览，输入各种和在文档中移动。 模式二：编辑模式 用于对文件的编辑： 常用的插入命令： a在光标位置后编辑, i在光标位置前编辑, o在下一行插入; A在光标所在行的末尾编辑, I在光标所在行的行头编辑, O在光标所处的上一行编辑。 模式三：命令模式 进入编辑模式之前，可以在输入：set nu 为文档设置行号。 wq 写入退出 vs 竖分屏 sp 横分屏 模式四：可视化模式 来源： https://www.cnblogs.com/-mjs/p/11370139.html

卷积神经网络简单可视化 在本次练习中，我们将可视化卷积层 4 个过滤器的输出（即 feature maps）。 加载图像 import cv2 import matplotlib.pyplot as plt %matplotlib inline img_path = 'images/udacity_sdc.png' bgr_img = cv2.imread(img_path) gray_img = cv2.cvtColor(bgr_img, cv2.COLOR_BGR2GRAY) gray_img = gray_img.astype("float32")/255 plt.imshow(gray_img, cmap='gray') plt.show() 定义并可视化过滤器（卷积核） import numpy as np filter_vals = np.array([[-1, -1, 1, 1], [-1, -1, 1, 1], [-1, -1, 1, 1], [-1, -1, 1, 1]]) print('Filter shape: ', filter_vals.shape) Filter shape: (4, 4) filter_1 = filter_vals filter_2 = -filter_1 filter_3 = filter_1.T filter_4 =

Cytoscape.js Graph theory (network) library for visualisation and analysis 用于可视化和分析的图论 (网络) 库 https://js.cytoscape.org/ https://www.npmjs.com/package/cytoscape visualization & visualisation 可视化 visual, visualization, visualize, visible, visibility, visually, visualisation Graph theory https://en.wikipedia.org/wiki/Graph_theory https://www.javascripting.com/view/cytoscape-js https://blog.js.cytoscape.org/2016/05/24/getting-started/ 来源： https://www.cnblogs.com/xgqfrms/p/10068995.html