原创 numpy reshape和transpose的使用

numpy reshape和transpose的使用 不熟悉numpy的時候,看到別人代碼中的reshape和transpose不太懂,這裏轉載一下別人的解釋,很強! Python numpy.transpose 詳解

原创 決策樹 ID3算法的python實現

決策樹 ID3算法的python實現 代碼: 根據《機器學習實戰》中的代碼寫的,關鍵在於理清決策樹 ID3算法的計算思路,理解清楚了代碼並不是太難寫,對於我來說還是難了點啊哈哈哈 import numpy as np import

原创 softmax方法分類CIFAR-10數據

softmax方法分類CIFAR-10數據 Code: # 導包 import numpy as np import pickle import matplotlib.pyplot as plt import math # 導入數

原创 Leetcode 5最長迴文子串

Leetcode 5最長迴文子串 題目 給定一個字符串 s,找到 s 中最長的迴文子串。你可以假設 s 的最大長度爲 1000。 示例 1: 輸入: “babad” 輸出: “bab” 注意: “aba” 也是一個有效答案。 示

原创 faster-rcnn-pytorch重要源碼記錄->proposal_layer.py

from __future__ import absolute_import import torch import torch.nn as nn import numpy as np import math impo

原创 LeetCode 88 合併兩個有序數組

LeetCode 88 合併兩個有序數組 題目 給定兩個有序整數數組 nums1 和 nums2,將 nums2 合併到 nums1 中,使得 num1 成爲一個有序數組。 說明: 初始化 nums1 和 nums2 的元素數量分

原创 LeetCode 10 正則表達式匹配

LeetCode 10 正則表達式匹配 題目 給你一個字符串 s 和一個字符規律 p,請你來實現一個支持 ‘.’ 和 ‘*’ 的正則表達式匹配。 ‘.’ 匹配任意單個字符 ‘*’ 匹配零個或多個前面的那一個元素 所謂匹配,是要涵蓋

原创 Google Colab調試faster R-CNN之AI識虫部分

一、本地數據集的製作 首先從百度PandlePandle平臺上獲得了蟲子的數據,原先已經在google colab上跑通了faster rcnn的源碼,跑通的部分記錄放在CSDN上面的。那部分的過程主要還是根據別人的教程一步一步來

原创 Google Colab跑通faster-rcnn代碼並試驗自己的數據集

Google Colab跑通faster-rcnn代碼並試驗自己的數據集 寒假在家沒事跑一跑程序。 之前已經試驗跑通了github上面的pytorch版本的faster-rcnn代碼。之前也有記錄其中過程中遇到的幾個小問題和解決辦

原创 LeetCode 11題盛最多水的容器

Problem 11 盛最多水的容器 題目 給定 n 個非負整數 a1,a2,…,an,每個數代表座標中的一個點 (i, ai) 。在座標內畫 n 條垂直線,垂直線 i 的兩個端點分別爲 (i, ai) 和 (i, 0)。找出其中

原创 LeetCode 72 編輯距離

LeetCode 72 編輯距離 題目 給定兩個單詞 word1 和 word2,計算出將 word1 轉換成 word2 所使用的最少操作數 。 你可以對一個單詞進行如下三種操作: 插入一個字符 刪除一個字符 替換一個字符 示例

原创 Faster RCNN的調試運行(Google Colab)

Faster RCNN的調試運行(Google Colab) 在看了Faster RCNN的論文之後,還是很多不太懂,所以想着運行下看看,這下可給我難到了,本地沒有算力,只有一個免費的google colab,然後就想着在上面運行

原创 LeetCode 32 最長有效括號

LeetCode 32 最長有效括號 題目 給定一個只包含 ‘(’ 和 ‘)’ 的字符串,找出最長的包含有效括號的子串的長度。 示例 1: 輸入: “(()” 輸出: 2 解釋: 最長有效括號子串爲 “()” 示例 2: 輸入:

原创 洛谷 P1028 數的計算

洛谷 P1028 數的計算 題目 題目描述 我們要求找出具有下列性質數的個數(包含輸入的自然數nn): 先輸入一個自然數nn(n \le 1000n≤1000),然後對此自然數按照如下方法進行處理: 不作任何處理; 在它的左邊加上

原创 tensorflow softmax,softmax loss,cross entropy的理解

原文鏈接:https://blog.csdn.net/wgj99991111/article/details/83586508 在看softmax時遇到一篇說的很好的博客,轉載一下 對t