transform

图像分类案例2

阅读更多关于图像分类案例2

# 在本节notebook中，使用后续设置的参数在完整训练集上训练模型，大致需要40-50分钟 # 请大家合理安排GPU时长，尽量只在训练时切换到GPU资源 # 也可以在Kaggle上访问本节notebook： # https://www.kaggle.com/boyuai/boyu-d2l-dog-breed-identification-imagenet-dogs import torch import torch . nn as nn import torch . optim as optim import torchvision import torchvision . transforms as transforms import torchvision . models as models import os import shutil import time import pandas as pd import random # 设置随机数种子 random . seed ( 0 ) torch . manual_seed ( 0 ) torch . cuda . manual_seed ( 0 ) data_dir = '/home/kesci/input/Kaggle_Dog6357/dog-breed-identification' # 数据集目录 label

专栏 | 基于 Jupyter 的特征工程手册：数据预处理（一）

阅读更多关于专栏 | 基于 Jupyter 的特征工程手册：数据预处理（一）

点击上方“ AI有道 ”，选择“置顶”公众号重磅干货，第一时间送达作者： Yingxiang Chen & Zihan Yang 编辑：红色石头特征工程在机器学习中的重要性不言而喻，恰当的特征工程能显著提升机器学习模型性能。我们在 Github 上整理编写了一份系统的特征工程教程，供大家参考学习。项目地址： https://github.com/YC-Coder-Chen/feature-engineering-handbook 本文将探讨数据预处理部分：介绍了如何利用 scikit-learn 处理静态的连续变量，利用 Category Encoders 处理静态的类别变量以及利用 Featuretools 处理常见的时间序列变量。目录特征工程的数据预处理我们将分为三大部分来介绍：静态连续变量静态类别变量时间序列变量本文将介绍 1.1 静态连续变量的数据预处理。下面将结合 Jupyter，使用 sklearn，进行详解。 1.1 静态连续变量 1.1.1 离散化离散化连续变量可以使模型更加稳健。例如，当预测客户的购买行为时，一个已有 30 次购买行为的客户可能与一个已有 32 次购买行为的客户具有非常相似的行为。有时特征中的过精度可能是噪声，这就是为什么在 LightGBM 中，模型采用直方图算法来防止过拟合。离散连续变量有两种方法。 1.1.1.1

阅读更多关于 transform

现在开始正式学习CSS3，我所学习的知识来源于w3cplus，作者是大漠。我开始写这个博客之前征求了大漠的意见，问能否把w3cplus上学到的知识写到我自己的博客上以加深印象，大漠很快的回复了，说知识是用来分享的。大师风范，乐于分享。我也要认真踏实的学。原文在这里 http://www.w3cplus.com/content/css3-transform CSS3制作动画的几个属性：变形(transform) 、转换(transition) 、动画(animation) . 这次学习第一个属性—— 变形transform 。 Transform字面上就是变形、改变的意思。在 CSS3 中 transform 主要包括以下5种：旋转rotate 、扭曲skew 、缩放scale 和移动translate 以及矩阵变形matrix .下面看css3中transform的旋转rotate、扭曲skew、缩放scale和移动translate具体如何实现。从 transform 的语法开始。 transform : none | < transform-function > [ < transform-function > ]* 也就是： transform : rotate | scale | skew | translate | matrix; none

HTML+CSS 绘制太阳系各个行星运行轨迹

阅读更多关于 HTML+CSS 绘制太阳系各个行星运行轨迹

模拟宇宙太阳系 <!DOCTYPE html> <html lang="en"> <head> <meta charset="UTF-8"> <meta name="viewport" content="width=device-width, initial-scale=1.0"> <title>模拟太阳系</title>  <style> .solarsys { width: 800px; height: 800px; position: relative; margin: 0 auto; background-color: #000000; padding: 0; transform: scale(1); } /*太阳*/ .sun { left: 357px; top: 357px; height: 90px; width: 90px; background-color: rgb(248, 107, 35); border-radius: 50%; box-shadow: 5px 5px 10px rgb(248, 107, 35), -5px -5px 10px rgb(248, 107, 35), 5px -5px 10px rgb(248, 107, 35), -5px 5px 10px rgb(248, 107, 35);

ASP.NET 4.0 新特性--Web.Config Transformation（原创）

阅读更多关于 ASP.NET 4.0 新特性--Web.Config Transformation（原创）

. Net Framework 4.0(4) 系列文章 Web.Config Transformation详解，这部分内容比较简单，关键是用没有用过的问题，所以这里希望帮助大家实践一下。一概述：在VS2010中引入在Config 文件中使用XML DOCUMENT TRANSFORM,这一个特性就是帮助你Web.config能方便的从部署配置文件转化到产品配置文件。协助Web.Config Transformation这两个功能就是web.debug.config, web.release.config等.这些文件的最后都会匹配到MSBuild中的配置文件去。其实是在web.debug.config和web.release.config来写一些描述文件，再通过Transformation Engine来转化。在Transformation Engine 执行下面任务首先是识别Locator属性是否设置，来判断是否使用XML转换，接着就是从原配置的XML文件中获得相应节点，再从转换的XML文件中招到适合Transform的值相匹配的节点，然后将他们转化到指定的XML配置文件。在转化中主要依赖的是Transform的attribute. 二：实践基础部分：要使用XML-Document-Transform engine就要先引用XML-Document

c++ string 类型　大小写转换　

阅读更多关于 c++ string 类型　大小写转换

还是用以前的库函数就行的，toupper(int c)小写变大写和tolower(int c)大写变小写可以直接这么干 1 string s = "ABCDEFG"; 2 3 for( int i = 0; i < s.size(); i++ ) 4 { 5 s[i] = tolower(s[i]); 6 } 7 8 cout<<s<<endl; 参考了大佬的博客园，发现stl 中有个叫transform 的函数今天来一起递归预习一下 1 string s = "ABCDEFG"; 2 string result; 3 4 transform(s.begin(),s.end(),s.begin(),::tolower); 5 cout<<s<<endl; 6 return 0; 别忘了包含一下algorithm头文件来源： https://www.cnblogs.com/zhmlzhml/p/12330497.html

hexo自定义css样式

阅读更多关于 hexo自定义css样式

文章目录自定义CSS部分彩色标签心形转动分类底栏修改配置文件解释站点配置文件主题配置文件个人博客 https://www.renke666.top 尽管在配置文件中做了修改美化了博客，但原有样式还是比较简陋，修改的话就需要自定义CSS样式。这也算是美化博客的一大步进展吧，踩了很多坑。这篇算是博客的美化部分暂时完结之作，花了很多的精力去美化，整体从十二月初断断续续的忙，寒假初期忙了会也算是忙了有两个月吧。果然写博客不是关键，捣鼓才是关键，中间还是学到挺多也挺值得的。然而慢慢捣鼓发现还有很多很多新鲜神奇的东西，目前也没有太多时间，暂且放一边。以后就专心写点东西放上来了，在电脑上写有时东西一多一乱就不好找，这下也算有个地方可以聚合一下。首先需要HTML+CSS+JS基础，在修改样式时参考了很多博客好的样式，也学到了很多，中间踩了很多坑，基础很关键。回顾前面的美化过程其实走了很多弯路，最好是在有基础的情况下，然后把配置文件详细搞清楚，再大概了解 \themes\next\layout 部分的 .swig 文件的具体格式和用法就能完成的很快，且可以较轻松的自定义各布局。新版本的hexo自定义CSS需要在 \themes\next\source\css\main.styl 中 // Custom Layer 之后也就是最后增加自己自定义的CSS 写HTML和CSS用

2D和3D效果

阅读更多关于 2D和3D效果

一、2D效果 1.CSS3过渡通过CSS3，我们可以在不使用Flash动画或JavaScript的情况下，当元素从一种样式变换为另一种样式时为元素添加效果要实现这一点，必须规定两项内容：规定希望把效果添加到哪个CSS属性上规定效果时长下面列出转换属性：属性描述 transition 简写属性，用于在一个属性中设置四个过渡属性 transition-property 规定应用过渡的CSS属性名称 transition-duration 定义过渡效果花费的时间。默认是0 transition-timing-function 规定过渡效果的时间曲线。默认是ease transition-delay 规定过渡效果何时开始。默认是0 具体说明：【语法】：transition-property：none|all|property；【说明】：transition-property属性规定应用过渡效果的CSS属性名称。当指定的CSSshuxing 改变时，过渡效果将开始 none：没有属性会获得过渡效果 all：所有属性都将获得过渡效果 property：定义应用过渡效果的CSS属性名称列表，列表以逗号分隔【语法】：transition-duration：time 【说明】：transition-duration属性规定完成过渡效果需要花费的时间以秒或毫秒计 time

利用kaggle+pytorch进行机器学习1（图像分类）

阅读更多关于利用kaggle+pytorch进行机器学习1（图像分类）

最近在学习机器学习，一开始准备适应tensorflow框架，结果学习的时候发现tensrflow2.0与1.0版本兼容性太差，于是采用pytorch框架。对于学生党而言，免费的GPU是最重要的资源，kaggle提供了每周30个小时的免费GPU，基本满足了学习需要。没有自己写源码，参考了kaggle上面的一个资源，并作了一定注释和修改。 #导入必要的包 import numpy as np # linear algebra import pandas as pd # data processing, CSV file I/O (e.g. pd.read_csv) import os import torch import torch.nn as nn import cv2 import matplotlib.pyplot as plt import torchvision from torch.utils.data import Dataset, DataLoader, ConcatDataset from torchvision import transforms import copy import tqdm from PIL import Image %matplotlib inline 在这里插入代码片 #图片文件解压缩 !unzip ../input/train -d

sklearn数据预处理

阅读更多关于 sklearn数据预处理

/*--> */ /*--> */ /*--> */ /*--> */ /*--> */ /*--> */ /*--> */ /*--> */ 1、数据预处理概述 ¶ 数据预处理是构建特征工程的基本环境，并且是提高算法精确度的有效手段。数据预处理需要根据数据本身的特性进行，不同的格式有不同的处理要求，比如无效的要剔除，缺失值要回填和冗余维度的选择等。大致主要分为三个步骤：数据的准备、转换和输出。本文主要利用sklearn讲解转换数据的常用方法。 2、无量纲化 ¶ 在机器学习算法实践中，我们往往有着将不同规格的数据转换到同一规格，或不同分布的数据转换到某个特定分布的需求，这种需求统称为将数据无量纲化。数据的无量纲化可以是线性的，也可以是非线性的。线性的无量纲化包括中心化（Zero-centered或者Mean-subtraction）处理和缩放处理（Scale）。中心化的本质是让所有记录减去一个固定值，即让数据样本数据平移到某个位置。缩放的本质是通过除以一个固定值，将数据固定在某个范围之中，取对数也算是一种缩放处理。（1）preprocessing.MinMaxScaler类在scikit-learn中，可以通过数据MinMaxScaler来调整数据尺度，将属性缩放到一个指定的范围，或者将数据标准化并将数据都聚集到0附近，方差为1。即先将数据移动了$min(x)$个单位,按极差

订阅 transform