「日拱一碼」015 機器學習常用庫——scikit-learn

目錄

數據預處理

數據標準化（StandardScaler）

數據歸一化（MinMaxScaler）

數據離散化（KBinsDiscretizer）

缺失值處理（SimpleImputer）

特征選擇

基于單變量特征選擇（SelectKBest）

遞歸特征消除（RFE）

特征重要性評估（通過模型的feature_importances_屬性）

模型選擇與評估

交叉驗證（cross_val_score）

訓練集和測試集劃分（train_test_split）

網格搜索（GridSearchCV）

模型評估指標

監督學習

線性回歸（LinearRegression）

邏輯回歸（LogisticRegression）

支持向量機（SVM）

決策樹（DecisionTreeClassifier/DecisionTreeRegressor）

隨機森林（RandomForestClassifier/RandomForestRegressor）

K近鄰（KNeighborsClassifier/KNeighborsRegressor）

無監督學習

K均值聚類（KMeans）

層次聚類（AgglomerativeClustering）

主成分分析（PCA）

DBSCAN（Density-Based Spatial Clustering of Applications with Noise）

?神經網絡

多層感知機（MLPClassifier/MLPRegressor）

神經網絡的優化器（如SGD、Adam等）

Scikit-learn是一個開源的Python機器學習庫，它提供了簡單有效的數據挖掘和數據分析工具。以下是Scikit-learn庫中各種方法功能的詳細介紹，按類別進行分類：

數據預處理

  • 數據標準化（StandardScaler）

將數據按列（特征）進行標準化，即減去均值并除以標準差，使數據符合標準正態分布（均值為0，標準差為1）。

## 數據預處理
# 1. 數據標準化 StandardScaler
from sklearn.preprocessing import StandardScaler
import numpy as npdata = np.array([[1, 2], [3, 4], [5, 6]])# 創建標準化對象
scaler = StandardScaler()# 擬合并轉換數據
scaled_data = scaler.fit_transform(data)
print(scaled_data)
# [[-1.22474487 -1.22474487]
#  [ 0.          0.        ]
#  [ 1.22474487  1.22474487]]

  • 數據歸一化（MinMaxScaler）

將數據按列（特征）歸一化到指定的范圍（通常是0到1）。這對于一些對數據范圍敏感的算法（如神經網絡）很有用

# 2. 數據歸一化 MinMaxScaler
from sklearn.preprocessing import MinMaxScaler
import numpy as np# 示例數據
data = np.array([[1, 2], [3, 4], [5, 6]])# 創建歸一化對象
scaler = MinMaxScaler()# 擬合并轉換數據
normalized_data = scaler.fit_transform(data)print(normalized_data)
# [[0.  0. ]
#  [0.5 0.5]
#  [1.  1. ]]

  • 數據離散化（KBinsDiscretizer）

將連續數據離散化為指定數量的區間。這在一些場景下可以簡化模型，例如在決策樹算法中，離散化后的數據可以減少模型的復雜度，同時也可以處理一些對連續數據不敏感的算法

# 3. 數據離散化 KBinsDiscretizer
from sklearn.preprocessing import KBinsDiscretizer
import numpy as np# 示例數據
data = np.array([[1, 2], [3, 4], [5, 6]])# 創建離散化對象
discretizer = KBinsDiscretizer(n_bins=3, encode='ordinal', strategy='uniform')# 擬合并轉換數據
discretized_data = discretizer.fit_transform(data)print(discretized_data)
# [[0. 0.]
#  [1. 1.]
#  [2. 2.]]

  • 缺失值處理（SimpleImputer）

用于處理數據中的缺失值。可以采用不同的策略填充缺失值，如用均值、中位數、眾數等填充

# 4. 缺失值處理 SimpleImputerfrom sklearn.impute import SimpleImputer
import numpy as np# 示例數據，np.nan表示缺失值
data = np.array([[1, 2], [np.nan, 4], [5, 6]])# 創建缺失值填充對象
imputer = SimpleImputer(strategy='mean')# 擬合并填充缺失值
imputed_data = imputer.fit_transform(data)print(imputed_data)
# [[1. 2.]
#  [3. 4.]
#  [5. 6.]]

特征選擇

  • 基于單變量特征選擇（SelectKBest）

選擇與目標變量相關性最高的K個特征。它通過統計檢驗（如卡方檢驗、互信息等）來評估每個特征與目標變量之間的關系，然后選擇得分最高的K個特征

## 特征選擇
# 1. 基于單變量特征選擇 SelectBest
from sklearn.feature_selection import SelectKBest, chi2
from sklearn.datasets import load_iris# 加載數據集
iris = load_iris()
X, y = iris.data, iris.target
print(X.shape, y.shape)  # (150, 4) (150,)# 創建單變量特征選擇對象
selector = SelectKBest(chi2, k=2)# 擬合并選擇特征
X_new = selector.fit_transform(X, y)print(X_new.shape)  # (150, 2)

  • 遞歸特征消除（RFE）

通過遞歸的方式減少特征集的大小。它首先訓練一個模型，然后去掉最不重要的特征，再訓練模型，如此循環，直到達到指定的特征數量

# 2. 遞歸特征消除 RFE
from sklearn.feature_selection import RFE
from sklearn.svm import SVC
from sklearn.datasets import load_iris# 加載數據集
iris = load_iris()
X, y = iris.data, iris.target# 創建RFE對象
estimator = SVC(kernel="linear")
selector = RFE(estimator, n_features_to_select=2, step=1)# 擬合并選擇特征
X_new = selector.fit_transform(X, y)print(X_new.shape)  # (150, 2)

  • 特征重要性評估（通過模型的feature_importances_屬性）

一些模型（如決策樹、隨機森林等）可以提供特征重要性的評估。通過查看這些重要性值，可以了解哪些特征對模型的預測更有貢獻

# 3. 特征重要性評估
from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import load_iris# 加載數據集
iris = load_iris()
X, y = iris.data, iris.target# 創建隨機森林模型
model = RandomForestClassifier()# 訓練模型
model.fit(X, y)# 獲取特征重要性
feature_importances = model.feature_importances_print(feature_importances)  # [0.12710536 0.02994003 0.51082638 0.33212824]

模型選擇與評估

  • 交叉驗證（cross_val_score）

用于評估模型的性能。它將數據集分成若干個子集，然后在不同的子集上進行訓練和測試，最后計算模型在所有子集上的平均性能

## 模型選擇與評估
# 1. 交叉驗證 cross_val_scorefrom sklearn.model_selection import cross_val_score
from sklearn.datasets import load_iris
from sklearn.svm import SVC# 加載數據集
iris = load_iris()
X, y = iris.data, iris.target# 創建模型
model = SVC()# 進行交叉驗證
scores = cross_val_score(model, X, y, cv=5)print(scores)  # [0.96666667 0.96666667 0.96666667 0.93333333 1.        ]

  • 訓練集和測試集劃分（train_test_split）

將數據集隨機劃分為訓練集和測試集。這是評估模型性能的基本方法，通過在訓練集上訓練模型，在測試集上測試模型，可以了解模型對未知數據的泛化能力

# 2. 訓練集和測試集劃分 train_test_splitfrom sklearn.model_selection import train_test_split
from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression# 加載數據集
iris = load_iris()
X, y = iris.data, iris.target# 劃分訓練集和測試集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)# 創建模型
model = LogisticRegression()# 訓練模型
model.fit(X_train, y_train)# 測試模型
accuracy = model.score(X_test, y_test)print(accuracy)  # 1.0

  • 網格搜索（GridSearchCV）

用于搜索模型的最優參數。它通過窮舉搜索的方式，在指定的參數網格中尋找最佳的參數組合

# 3. 網格搜索 GridSearchCVfrom sklearn.model_selection import GridSearchCV
from sklearn.svm import SVC
from sklearn.datasets import load_iris# 加載數據集
iris = load_iris()
X, y = iris.data, iris.target# 創建模型
model = SVC()# 定義參數網格
param_grid = {'C': [0.1, 1, 10], 'kernel': ['linear', 'rbf']}# 創建網格搜索對象
grid_search = GridSearchCV(model, param_grid, cv=5)# 進行網格搜索
grid_search.fit(X, y)# 獲取最佳參數和最佳分數
best_params = grid_search.best_params_
best_score = grid_search.best_score_print(best_params)  # {'C': 1, 'kernel': 'linear'}
print(best_score)  # 0.9800000000000001

  • 模型評估指標

提供了多種模型評估指標，如準確率（accuracy_score）、精確率（precision_score）、召回率（recall_score）、F1分數（f1_score）等。這些指標可以根據不同的問題類型（分類、回歸等）來評估模型的性能

# 4. 模型評估指標from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score
from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split# 加載數據集
iris = load_iris()
X, y = iris.data, iris.target# 劃分訓練集和測試集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)# 創建模型
model = LogisticRegression()# 訓練模型
model.fit(X_train, y_train)# 預測測試集
y_pred = model.predict(X_test)# 計算評估指標
accuracy = accuracy_score(y_test, y_pred)
precision = precision_score(y_test, y_pred, average='weighted')
recall = recall_score(y_test, y_pred, average='weighted')
f1 = f1_score(y_test, y_pred, average='weighted')print(f'Accuracy: {accuracy}')  # Accuracy: 1.0
print(f'Precision: {precision}')  # Precision: 1.0
print(f'Recall: {recall}')  # Recall: 1.0
print(f'F1 Score: {f1}')  # F1 Score: 1.0

監督學習

  • 線性回歸（LinearRegression）

用于解決回歸問題，即預測連續值的目標變量。它假設目標變量與特征之間存在線性關系，通過最小二乘法等方法來擬合模型

## 監督學習
# 1. 線性回歸 LinearRegressionfrom sklearn.linear_model import LinearRegression
from sklearn.datasets import make_regression# 生成回歸數據
X, y = make_regression(n_samples=100, n_features=1, noise=0.1)# 創建線性回歸模型
model = LinearRegression()# 訓練模型
model.fit(X, y)# 預測
y_pred = model.predict(X)# 輸出模型權重和偏置項(截距)
print(model.coef_, model.intercept_)  # [69.83035754] -0.02287143685714188

  • 邏輯回歸（LogisticRegression）

用于解決二分類問題。它通過邏輯函數（Sigmoid函數）將線性回歸的輸出映射到0和1之間，從而實現分類

# 2. 邏輯回歸 LogisticRegressionfrom sklearn.linear_model import LogisticRegression
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split# 加載數據集
iris = load_iris()
X, y = iris.data, iris.target# 劃分訓練集和測試集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)# 創建邏輯回歸模型
model = LogisticRegression()# 訓練模型
model.fit(X_train, y_train)# 測試模型
accuracy = model.score(X_test, y_test)print(accuracy)  # 1.0

  • 支持向量機（SVM）

既可以用于分類（SVC）也可以用于回歸（SVR）。在分類任務中，它通過尋找最優的超平面來分割不同類別的數據；在回歸任務中，它通過擬合一條曲線來預測目標變量

# 3. 支持向量機 SVM
from sklearn.svm import SVC
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split# 加載數據集
iris = load_iris()
X, y = iris.data, iris.target# 劃分訓練集和測試集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)# 創建SVM模型
model = SVC(kernel='linear')# 訓練模型
model.fit(X_train, y_train)# 測試模型
accuracy = model.score(X_test, y_test)print(accuracy)  # 1.0

  • 決策樹（DecisionTreeClassifier/DecisionTreeRegressor）

決策樹是一種基于樹結構的模型，既可以用于分類也可以用于回歸。它通過一系列的條件判斷來對數據進行分類或預測

# 4. 決策樹 DecisionTreeClassifier/DecisionTreeRegressor
from sklearn.tree import DecisionTreeClassifier
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split# 加載數據集
iris = load_iris()
X, y = iris.data, iris.target# 劃分訓練集和測試集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)# 創建決策樹模型
model = DecisionTreeClassifier()# 訓練模型
model.fit(X_train, y_train)# 測試模型
accuracy = model.score(X_test, y_test)print(accuracy)  # 1.0

  • 隨機森林（RandomForestClassifier/RandomForestRegressor）

是基于決策樹的集成學習方法。它通過構建多個決策樹，并將它們的預測結果進行綜合來提高模型的性能

# 5. 隨機森林 RandomForestClassifier/RandomForestRegressor
from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split# 加載數據集
iris = load_iris()
X, y = iris.data, iris.target# 劃分訓練集和測試集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)# 創建隨機森林模型
model = RandomForestClassifier(n_estimators=100)# 訓練模型
model.fit(X_train, y_train)# 測試模型
accuracy = model.score(X_test, y_test)print(accuracy)  # 1.0

  • K近鄰（KNeighborsClassifier/KNeighborsRegressor）

基于最近鄰的原理進行分類或回歸。在分類任務中，根據K個最近鄰的類別來確定目標數據的類別；在回歸任務中，根據K個最近鄰的目標值來預測目標數據的值

# 6. K近鄰 KNeighborsClassifier/KNeighborsRegressor
from sklearn.neighbors import KNeighborsClassifier
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split# 加載數據集
iris = load_iris()
X, y = iris.data, iris.target# 劃分訓練集和測試集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)# 創建K近鄰模型
model = KNeighborsClassifier(n_neighbors=3)# 訓練模型
model.fit(X_train, y_train)# 測試模型
accuracy = model.score(X_test, y_test)print(accuracy)  # 1.0

無監督學習

  • K均值聚類（KMeans）

將數據劃分為K個簇，使簇內的數據點盡可能相似，簇間的數據點盡可能不同

## 無監督學習
# 1. K均值聚類 KMeansfrom sklearn.cluster import KMeans
from sklearn.datasets import make_blobs
import matplotlib.pyplot as plt# 生成聚類數據
X, y = make_blobs(n_samples=300, centers=4, cluster_std=0.60, random_state=0)# 創建K均值聚類模型
model = KMeans(n_clusters=4)# 訓練模型
model.fit(X)# 預測聚類標簽
y_pred = model.predict(X)# 可視化結果
plt.scatter(X[:, 0], X[:, 1], c=y_pred)
plt.show()

  • 層次聚類（AgglomerativeClustering）

通過構建層次結構的方式進行聚類。它從每個數據點作為一個單獨的簇開始，然后逐步合并最相似的簇，直到達到指定的簇數量

# 2. 層次聚類 AgglomerativeClusteringfrom sklearn.cluster import AgglomerativeClustering
from sklearn.datasets import make_blobs
import matplotlib.pyplot as plt# 生成聚類數據
X, y = make_blobs(n_samples=300, centers=4, cluster_std=0.60, random_state=0)# 創建層次聚類模型
model = AgglomerativeClustering(n_clusters=4)# 預測聚類標簽
y_pred = model.fit_predict(X)# 可視化結果
plt.scatter(X[:, 0], X[:, 1], c=y_pred)
plt.show()

?

  • 主成分分析（PCA）

用于降維。它通過將數據投影到主成分方向上，減少數據的維度，同時盡量保留數據的方差信息

# 3. 主成分分析 PCAfrom sklearn.decomposition import PCA
from sklearn.datasets import load_iris
import matplotlib.pyplot as plt# 加載數據集
iris = load_iris()
X, y = iris.data, iris.target# 創建PCA對象
pca = PCA(n_components=2)# 擬合并轉換數據
X_new = pca.fit_transform(X)# 可視化結果
plt.scatter(X_new[:, 0], X_new[:, 1], c=y)
plt.show()

?

  • DBSCAN（Density-Based Spatial Clustering of Applications with Noise）

一種基于密度的聚類算法，能夠發現任意形狀的簇，并且可以識別噪聲點

# 4. DBSCANfrom sklearn.cluster import DBSCAN
from sklearn.datasets import make_moons
import matplotlib.pyplot as plt# 生成聚類數據
X, y = make_moons(n_samples=300, noise=0.05, random_state=0)# 創建DBSCAN模型
model = DBSCAN(eps=0.2, min_samples=5)# 預測聚類標簽
y_pred = model.fit_predict(X)# 可視化結果
plt.scatter(X[:, 0], X[:, 1], c=y_pred)
plt.show()

?神經網絡

  • 多層感知機（MLPClassifier/MLPRegressor）

是一種簡單的神經網絡模型，既可以用于分類也可以用于回歸。它包含一個或多個隱藏層，通過激活函數和反向傳播算法進行訓練

## 神經網絡
# 1. 多層感知機 MLPClassifier/MLPRegressorfrom sklearn.neural_network import MLPClassifier
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split# 加載數據集
iris = load_iris()
X, y = iris.data, iris.target# 劃分訓練集和測試集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)# 創建多層感知機模型
model = MLPClassifier(hidden_layer_sizes=(10,), max_iter=1000)# 訓練模型
model.fit(X_train, y_train)# 測試模型
accuracy = model.score(X_test, y_test)print(accuracy)  # 1.0

  • 神經網絡的優化器（如SGD、Adam等）

用于優化神經網絡的訓練過程。不同的優化器有不同的更新策略，可以加快模型的收斂速度，提高模型的性能

# 2. 神經網絡的優化器 SGD、Adam等from sklearn.neural_network import MLPClassifier
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split# 加載數據集
iris = load_iris()
X, y = iris.data, iris.target# 劃分訓練集和測試集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)# 創建多層感知機模型，使用Adam優化器
model = MLPClassifier(hidden_layer_sizes=(10,), max_iter=1000, solver='adam')# 訓練模型
model.fit(X_train, y_train)# 測試模型
accuracy = model.score(X_test, y_test)print(accuracy)  # 1.0

本文來自互聯網用戶投稿，該文觀點僅代表作者本人，不代表本站立場。本站僅提供信息存儲空間服務，不擁有所有權，不承擔相關法律責任。
如若轉載，請注明出處：http://www.pswp.cn/diannao/89451.shtml
繁體地址，請注明出處：http://hk.pswp.cn/diannao/89451.shtml
英文地址，請注明出處：http://en.pswp.cn/diannao/89451.shtml

如若內容造成侵權/違法違規/事實不符，請聯系多彩編程網進行投訴反饋email:809451989@qq.com，一經查實，立即刪除！

相關文章

網絡編程學習路線

網絡編程學習路線

C網絡編程從零基礎到精通的學習路線，每一步都和你的項目實際需求緊密結合，幫助你真正做到“學以致用”。 C網絡編程學習路線（結合FileHub項目） 第一階段：網絡編程基礎入門 1. 計算機網絡基礎 理解OSI七層模型、TCP/I…
閱讀更多...
NLP：文本張量表示方法

NLP：文本張量表示方法

本文目錄： 一、one-hot編碼二、word2vec模型（一）概念1.CBOW(Continuous bag of words)模式2.skipgram模式:3.詞向量的檢索獲取 （二）word2vec的訓練和使用1. 獲取訓練數據2.查看原始數據3.原始數據處理，并查…
閱讀更多...
高階數據結構------并查集

高階數據結構------并查集

并查集 在一些應用問題中，需要將n個不同的元素劃分成一些不相交的集合。開始時，每個元素自成一個集合，然后按照一定的規律將歸于同一組的元素集合合并。在此過程中要反復用到查詢某一個元素歸屬于哪一個集合的運算。適合于描述這類問題的抽象…
閱讀更多...
OWASP Top 10 是什么？

OWASP Top 10 是什么？

OWASP（Open Web Application Security Project，開放Web應用安全項目）是一個致力于提高軟件安全性的國際非營利組織。其發布的 ?OWASP Top 10? 是最具影響力的Web應用安全風險清單，每3-4年更新一次，幫助開發人員、安全…
閱讀更多...
如何在IIS上部署net系統(安裝iis參考上一篇)

如何在IIS上部署net系統(安裝iis參考上一篇)

1.對后端項目打包，我使用的時rider 2.打包前端 npm run build 3.在iis上部署 網站-添加網站 4.選擇之前打包的后端文件，設置端口 5.安裝對應net環境插件：主要是runtime和sdk插件以及dotnet-hosting-2.2.0-win，具體版本看自己項…
閱讀更多...
Docker可視化管理工具Portainer安裝部署

Docker可視化管理工具Portainer安裝部署

1、安裝Portainer 編寫docker compose文件，使用docker compose文件完成Portainer的安裝，首先需要在服務器上編寫的名為portainer.yaml的文件，內容如下： [rootserver ~]# cat portainer.yaml services: portainer: image:…
閱讀更多...
ai之RAG本地知識庫--基于OCR和文本解析器的新一代RAG引擎：RAGFlow 認識和源碼剖析

ai之RAG本地知識庫--基于OCR和文本解析器的新一代RAG引擎：RAGFlow 認識和源碼剖析

目錄標題 RAG本地知識庫問答——基于OCR和文本解析器的新一代RAG引擎：RAGFlow 認識和源碼剖析RAGflow 主要功能： 一、RAGflow 簡介1.1 允許用戶上傳并管理自己的文檔(文檔類型可以是任意類型)1.2 RAGFlow的4個特色1.2.1 AI 模型的智能文檔處理系統1.2.2 …
閱讀更多...
[面試] 手寫題-new

[面試] 手寫題-new

function mynew(Func, ...args) {// 1.創建一個空對象const obj {}// 2.新對象隱式原型指向構造函數的顯式原型obj.__proto__ Func.prototype// 3.將構建函數的this指向新對象let result Func.apply(obj, args)// 4.返回objreturn result instanceof Object ? result : obj…
閱讀更多...
設計模式精講 Day 20：狀態模式（State Pattern）

設計模式精講 Day 20：狀態模式（State Pattern）

【設計模式精講 Day 20】狀態模式（State Pattern） 文章標簽 設計模式, 狀態模式, Java開發, 面向對象設計, 軟件架構, 設計模式實戰, Java應用開發 文章簡述 狀態模式是行為型設計模式中的重要一員，用于管理對象在不同狀態下的行為變化。在…
閱讀更多...
橋島隧大型工程 3D 可視化監測平臺

橋島隧大型工程 3D 可視化監測平臺

深中通道作為“橋、島、隧、水下互通”一體化跨海集群工程，其復雜結構帶來高強度監測難題。借助圖撲軟件 HT 實現深中通道的建設與運營的數字化升級，為交通基建行業邁向高效、智能的未來提供了有力支撐。 圖撲自主研發的 HT for Web 產品搭建深中通道-橋…
閱讀更多...
基于SpringBoot和Leaflet的區域沖突可視化系統（2025企業級實戰方案）

基于SpringBoot和Leaflet的區域沖突可視化系統（2025企業級實戰方案）

摘要 在全球地緣沖突與應急事件頻發的2025年，區域態勢可視化系統成為政府及企業的決策剛需。本文提出基于??SpringBoot 3.2??后端與??Leaflet 1.9.5??前端的沖突可視化解決方案，融合多源異構數據（衛星影像、輿情熱力、設施狀態&…
閱讀更多...
[密碼學實戰]國密TLCP協議報文解析代碼實現（三十）

[密碼學實戰]國密TLCP協議報文解析代碼實現（三十）

[密碼學實戰]國密TLCP協議報文解析代碼實現（三十） 本文將深入解析國密TLCP協議報文結構，提供完整的Java實現代碼，幫助開發者理解TLCP協議在國密環境下的通信機制和安全性設計。 一、國密TLCP協議概述 TLCP（Transport Layer Cryptographic Protocol）是基于國密算法（SM2/…
閱讀更多...
[Python] -基礎篇5-玩轉Python內置數據結構：列表、元組、字典與集合

[Python] -基礎篇5-玩轉Python內置數據結構：列表、元組、字典與集合

Python 是一門以簡潔優雅著稱的編程語言，其中內置的數據結構為日常編程提供了強大支持。本文將系統介紹 Python 中四大核心數據結構：列表（list）、元組（tuple）、字典（dict）與集合（set），并配以實用示例，幫助讀者全面掌握其用法及適用場景。 一、列表（List）：可變序…
閱讀更多...
技術突破與落地應用：端到端 2.0 時代輔助駕駛TOP10 論文深度拆解系列【第八篇（排名不分先后）】

技術突破與落地應用：端到端 2.0 時代輔助駕駛TOP10 論文深度拆解系列【第八篇（排名不分先后）】

HiP-AD: Hierarchical and Multi-Granularity Planning with Deformable Attention for Autonomous Driving in a Single Decoder GitHub地址：?https://github.com/nullmax-vision/HiP-AD? 在自動駕駛技術飛速發展的今天，端到端自動駕駛（E…
閱讀更多...
transformer位置編碼研究相關的綜述、論文

transformer位置編碼研究相關的綜述、論文

一、權威綜述 《利用位置編碼實現長度外推》 （騰訊云開發者社區, 2024） 系統分析絕對/相對位置編碼（APE/RPE）在長序列外推中的技術演進，涵蓋RoPE、Alibi、Xpos等優化方案，討論位置插值、NTK-aware縮放等擴展…
閱讀更多...
垂直領域AI智能體開發指南：用Bright Data MCP接入智能體攻克數據難關

垂直領域AI智能體開發指南：用Bright Data MCP接入智能體攻克數據難關

垂直領域AI智能體開發指南：用Bright Data MCP接入智能體攻克數據難關 一、智能體時代的數據困局1.1 AI智能體的爆發式增長1.2 開發者遭遇的"數據瓶頸" 二、Bright Data MCP：智能體的數據引擎2.1 重新定義數據獲取方式2.2 支持的核心場景2.3 四…
閱讀更多...
Stable Diffusion 項目實戰落地：從0到1 掌握ControlNet 第三篇： 打造光影字形的創意秘技-文字與自然共舞

Stable Diffusion 項目實戰落地：從0到1 掌握ControlNet 第三篇： 打造光影字形的創意秘技-文字與自然共舞

上一篇，我們一起玩轉了 野外光影字，是不是被那種自然和光影交織的效果驚艷到啦？ 如果你錯過了那篇文章，別擔心，趕緊點這里補課：Stable Diffusion 項目實戰落地：從0到1 掌握ControlNet：打造光影文字 第二篇 - 野外光影字。 今天，我們將一起做一個 生成的嵌入式文字【…
閱讀更多...
CppCon 2018 學習:Feather: A Modern C++ Web Development Framework

CppCon 2018 學習:Feather: A Modern C++ Web Development Framework

你這段內容羅列的是 Web 開發中的幾個基礎概念和組成模塊，下面我逐一用中文進行解釋，并理清它們之間的關系： 基礎概念說明 1. HTTP Server（HTTP服務器） 是一個監聽 HTTP 請求并返回響應的程序。主要功能&#xff1a…
閱讀更多...
武漢大學機器人學院啟航：一場顛覆性的產教融合實驗，如何重塑中國智造未來？

武漢大學機器人學院啟航：一場顛覆性的產教融合實驗，如何重塑中國智造未來？

當百年學府按下“產業加速鍵”，教育革命的號角已經吹響 2025年7月，武漢大學一紙公告震動教育界與科技圈——成立機器人學院，攜手小米、宇樹等硬科技領軍企業，聘請10位產業教授入駐。這絕非一次常規的校企合作，而是一場…
閱讀更多...
QT記事本4——下拉框修改值后解決亂碼問題

QT記事本4——下拉框修改值后解決亂碼問題

下拉框修改值后解決亂碼問題 void Widget::onCurrentIndexChanged(int index) {qDebug()<<index;//索引從0開始qDebug()<<ui->comboBox->currentText();//切換編碼時&#xff0c;首先清空當前的文本框ui->textEdit->clear();if(file.isOpen()){//僅在…
閱讀更多...
最新文章

Copyright @ 2022~2023