「日拱一码」015 机器学习常用库——scikit-learn

目录

数据预处理

数据标准化（StandardScaler）

数据归一化（MinMaxScaler）

数据离散化（KBinsDiscretizer）

缺失值处理（SimpleImputer）

特征选择

基于单变量特征选择（SelectKBest）

递归特征消除（RFE）

特征重要性评估（通过模型的feature_importances_属性）

模型选择与评估

交叉验证（cross_val_score）

训练集和测试集划分（train_test_split）

网格搜索（GridSearchCV）

模型评估指标

监督学习

线性回归（LinearRegression）

逻辑回归（LogisticRegression）

支持向量机（SVM）

决策树（DecisionTreeClassifier/DecisionTreeRegressor）

随机森林（RandomForestClassifier/RandomForestRegressor）

K近邻（KNeighborsClassifier/KNeighborsRegressor）

无监督学习

K均值聚类（KMeans）

层次聚类（AgglomerativeClustering）

主成分分析（PCA）

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

 神经网络

多层感知机（MLPClassifier/MLPRegressor）

神经网络的优化器（如SGD、Adam等）

Scikit-learn是一个开源的Python机器学习库，它提供了简单有效的数据挖掘和数据分析工具。以下是Scikit-learn库中各种方法功能的详细介绍，按类别进行分类：

数据预处理

  • 数据标准化（StandardScaler）

将数据按列（特征）进行标准化，即减去均值并除以标准差，使数据符合标准正态分布（均值为0，标准差为1）。

## 数据预处理
# 1. 数据标准化 StandardScaler
from sklearn.preprocessing import StandardScaler
import numpy as npdata = np.array([[1, 2], [3, 4], [5, 6]])# 创建标准化对象
scaler = StandardScaler()# 拟合并转换数据
scaled_data = scaler.fit_transform(data)
print(scaled_data)
# [[-1.22474487 -1.22474487]
#  [ 0.          0.        ]
#  [ 1.22474487  1.22474487]]

  • 数据归一化（MinMaxScaler）

将数据按列（特征）归一化到指定的范围（通常是0到1）。这对于一些对数据范围敏感的算法（如神经网络）很有用

# 2. 数据归一化 MinMaxScaler
from sklearn.preprocessing import MinMaxScaler
import numpy as np# 示例数据
data = np.array([[1, 2], [3, 4], [5, 6]])# 创建归一化对象
scaler = MinMaxScaler()# 拟合并转换数据
normalized_data = scaler.fit_transform(data)print(normalized_data)
# [[0.  0. ]
#  [0.5 0.5]
#  [1.  1. ]]

  • 数据离散化（KBinsDiscretizer）

将连续数据离散化为指定数量的区间。这在一些场景下可以简化模型，例如在决策树算法中，离散化后的数据可以减少模型的复杂度，同时也可以处理一些对连续数据不敏感的算法

# 3. 数据离散化 KBinsDiscretizer
from sklearn.preprocessing import KBinsDiscretizer
import numpy as np# 示例数据
data = np.array([[1, 2], [3, 4], [5, 6]])# 创建离散化对象
discretizer = KBinsDiscretizer(n_bins=3, encode='ordinal', strategy='uniform')# 拟合并转换数据
discretized_data = discretizer.fit_transform(data)print(discretized_data)
# [[0. 0.]
#  [1. 1.]
#  [2. 2.]]

  • 缺失值处理（SimpleImputer）

用于处理数据中的缺失值。可以采用不同的策略填充缺失值，如用均值、中位数、众数等填充

# 4. 缺失值处理 SimpleImputerfrom sklearn.impute import SimpleImputer
import numpy as np# 示例数据，np.nan表示缺失值
data = np.array([[1, 2], [np.nan, 4], [5, 6]])# 创建缺失值填充对象
imputer = SimpleImputer(strategy='mean')# 拟合并填充缺失值
imputed_data = imputer.fit_transform(data)print(imputed_data)
# [[1. 2.]
#  [3. 4.]
#  [5. 6.]]

特征选择

  • 基于单变量特征选择（SelectKBest）

选择与目标变量相关性最高的K个特征。它通过统计检验（如卡方检验、互信息等）来评估每个特征与目标变量之间的关系，然后选择得分最高的K个特征

## 特征选择
# 1. 基于单变量特征选择 SelectBest
from sklearn.feature_selection import SelectKBest, chi2
from sklearn.datasets import load_iris# 加载数据集
iris = load_iris()
X, y = iris.data, iris.target
print(X.shape, y.shape)  # (150, 4) (150,)# 创建单变量特征选择对象
selector = SelectKBest(chi2, k=2)# 拟合并选择特征
X_new = selector.fit_transform(X, y)print(X_new.shape)  # (150, 2)

  • 递归特征消除（RFE）

通过递归的方式减少特征集的大小。它首先训练一个模型，然后去掉最不重要的特征，再训练模型，如此循环，直到达到指定的特征数量

# 2. 递归特征消除 RFE
from sklearn.feature_selection import RFE
from sklearn.svm import SVC
from sklearn.datasets import load_iris# 加载数据集
iris = load_iris()
X, y = iris.data, iris.target# 创建RFE对象
estimator = SVC(kernel="linear")
selector = RFE(estimator, n_features_to_select=2, step=1)# 拟合并选择特征
X_new = selector.fit_transform(X, y)print(X_new.shape)  # (150, 2)

  • 特征重要性评估（通过模型的feature_importances_属性）

一些模型（如决策树、随机森林等）可以提供特征重要性的评估。通过查看这些重要性值，可以了解哪些特征对模型的预测更有贡献

# 3. 特征重要性评估
from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import load_iris# 加载数据集
iris = load_iris()
X, y = iris.data, iris.target# 创建随机森林模型
model = RandomForestClassifier()# 训练模型
model.fit(X, y)# 获取特征重要性
feature_importances = model.feature_importances_print(feature_importances)  # [0.12710536 0.02994003 0.51082638 0.33212824]

模型选择与评估

  • 交叉验证（cross_val_score）

用于评估模型的性能。它将数据集分成若干个子集，然后在不同的子集上进行训练和测试，最后计算模型在所有子集上的平均性能

## 模型选择与评估
# 1. 交叉验证 cross_val_scorefrom sklearn.model_selection import cross_val_score
from sklearn.datasets import load_iris
from sklearn.svm import SVC# 加载数据集
iris = load_iris()
X, y = iris.data, iris.target# 创建模型
model = SVC()# 进行交叉验证
scores = cross_val_score(model, X, y, cv=5)print(scores)  # [0.96666667 0.96666667 0.96666667 0.93333333 1.        ]

  • 训练集和测试集划分（train_test_split）

将数据集随机划分为训练集和测试集。这是评估模型性能的基本方法，通过在训练集上训练模型，在测试集上测试模型，可以了解模型对未知数据的泛化能力

# 2. 训练集和测试集划分 train_test_splitfrom sklearn.model_selection import train_test_split
from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression# 加载数据集
iris = load_iris()
X, y = iris.data, iris.target# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)# 创建模型
model = LogisticRegression()# 训练模型
model.fit(X_train, y_train)# 测试模型
accuracy = model.score(X_test, y_test)print(accuracy)  # 1.0

  • 网格搜索（GridSearchCV）

用于搜索模型的最优参数。它通过穷举搜索的方式，在指定的参数网格中寻找最佳的参数组合

# 3. 网格搜索 GridSearchCVfrom sklearn.model_selection import GridSearchCV
from sklearn.svm import SVC
from sklearn.datasets import load_iris# 加载数据集
iris = load_iris()
X, y = iris.data, iris.target# 创建模型
model = SVC()# 定义参数网格
param_grid = {'C': [0.1, 1, 10], 'kernel': ['linear', 'rbf']}# 创建网格搜索对象
grid_search = GridSearchCV(model, param_grid, cv=5)# 进行网格搜索
grid_search.fit(X, y)# 获取最佳参数和最佳分数
best_params = grid_search.best_params_
best_score = grid_search.best_score_print(best_params)  # {'C': 1, 'kernel': 'linear'}
print(best_score)  # 0.9800000000000001

  • 模型评估指标

提供了多种模型评估指标，如准确率（accuracy_score）、精确率（precision_score）、召回率（recall_score）、F1分数（f1_score）等。这些指标可以根据不同的问题类型（分类、回归等）来评估模型的性能

# 4. 模型评估指标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# 加载数据集
iris = load_iris()
X, y = iris.data, iris.target# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)# 创建模型
model = LogisticRegression()# 训练模型
model.fit(X_train, y_train)# 预测测试集
y_pred = model.predict(X_test)# 计算评估指标
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

监督学习

  • 线性回归（LinearRegression）

用于解决回归问题，即预测连续值的目标变量。它假设目标变量与特征之间存在线性关系，通过最小二乘法等方法来拟合模型

## 监督学习
# 1. 线性回归 LinearRegressionfrom sklearn.linear_model import LinearRegression
from sklearn.datasets import make_regression# 生成回归数据
X, y = make_regression(n_samples=100, n_features=1, noise=0.1)# 创建线性回归模型
model = LinearRegression()# 训练模型
model.fit(X, y)# 预测
y_pred = model.predict(X)# 输出模型权重和偏置项(截距)
print(model.coef_, model.intercept_)  # [69.83035754] -0.02287143685714188

  • 逻辑回归（LogisticRegression）

用于解决二分类问题。它通过逻辑函数（Sigmoid函数）将线性回归的输出映射到0和1之间，从而实现分类

# 2. 逻辑回归 LogisticRegressionfrom sklearn.linear_model import LogisticRegression
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split# 加载数据集
iris = load_iris()
X, y = iris.data, iris.target# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)# 创建逻辑回归模型
model = LogisticRegression()# 训练模型
model.fit(X_train, y_train)# 测试模型
accuracy = model.score(X_test, y_test)print(accuracy)  # 1.0

  • 支持向量机（SVM）

既可以用于分类（SVC）也可以用于回归（SVR）。在分类任务中，它通过寻找最优的超平面来分割不同类别的数据；在回归任务中，它通过拟合一条曲线来预测目标变量

# 3. 支持向量机 SVM
from sklearn.svm import SVC
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split# 加载数据集
iris = load_iris()
X, y = iris.data, iris.target# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)# 创建SVM模型
model = SVC(kernel='linear')# 训练模型
model.fit(X_train, y_train)# 测试模型
accuracy = model.score(X_test, y_test)print(accuracy)  # 1.0

  • 决策树（DecisionTreeClassifier/DecisionTreeRegressor）

决策树是一种基于树结构的模型，既可以用于分类也可以用于回归。它通过一系列的条件判断来对数据进行分类或预测

# 4. 决策树 DecisionTreeClassifier/DecisionTreeRegressor
from sklearn.tree import DecisionTreeClassifier
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split# 加载数据集
iris = load_iris()
X, y = iris.data, iris.target# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)# 创建决策树模型
model = DecisionTreeClassifier()# 训练模型
model.fit(X_train, y_train)# 测试模型
accuracy = model.score(X_test, y_test)print(accuracy)  # 1.0

  • 随机森林（RandomForestClassifier/RandomForestRegressor）

是基于决策树的集成学习方法。它通过构建多个决策树，并将它们的预测结果进行综合来提高模型的性能

# 5. 随机森林 RandomForestClassifier/RandomForestRegressor
from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split# 加载数据集
iris = load_iris()
X, y = iris.data, iris.target# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)# 创建随机森林模型
model = RandomForestClassifier(n_estimators=100)# 训练模型
model.fit(X_train, y_train)# 测试模型
accuracy = model.score(X_test, y_test)print(accuracy)  # 1.0

  • K近邻（KNeighborsClassifier/KNeighborsRegressor）

基于最近邻的原理进行分类或回归。在分类任务中，根据K个最近邻的类别来确定目标数据的类别；在回归任务中，根据K个最近邻的目标值来预测目标数据的值

# 6. K近邻 KNeighborsClassifier/KNeighborsRegressor
from sklearn.neighbors import KNeighborsClassifier
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split# 加载数据集
iris = load_iris()
X, y = iris.data, iris.target# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)# 创建K近邻模型
model = KNeighborsClassifier(n_neighbors=3)# 训练模型
model.fit(X_train, y_train)# 测试模型
accuracy = model.score(X_test, y_test)print(accuracy)  # 1.0

无监督学习

  • K均值聚类（KMeans）

将数据划分为K个簇，使簇内的数据点尽可能相似，簇间的数据点尽可能不同

## 无监督学习
# 1. K均值聚类 KMeansfrom sklearn.cluster import KMeans
from sklearn.datasets import make_blobs
import matplotlib.pyplot as plt# 生成聚类数据
X, y = make_blobs(n_samples=300, centers=4, cluster_std=0.60, random_state=0)# 创建K均值聚类模型
model = KMeans(n_clusters=4)# 训练模型
model.fit(X)# 预测聚类标签
y_pred = model.predict(X)# 可视化结果
plt.scatter(X[:, 0], X[:, 1], c=y_pred)
plt.show()

  • 层次聚类（AgglomerativeClustering）

通过构建层次结构的方式进行聚类。它从每个数据点作为一个单独的簇开始，然后逐步合并最相似的簇，直到达到指定的簇数量

# 2. 层次聚类 AgglomerativeClusteringfrom sklearn.cluster import AgglomerativeClustering
from sklearn.datasets import make_blobs
import matplotlib.pyplot as plt# 生成聚类数据
X, y = make_blobs(n_samples=300, centers=4, cluster_std=0.60, random_state=0)# 创建层次聚类模型
model = AgglomerativeClustering(n_clusters=4)# 预测聚类标签
y_pred = model.fit_predict(X)# 可视化结果
plt.scatter(X[:, 0], X[:, 1], c=y_pred)
plt.show()

 

  • 主成分分析（PCA）

用于降维。它通过将数据投影到主成分方向上，减少数据的维度，同时尽量保留数据的方差信息

# 3. 主成分分析 PCAfrom sklearn.decomposition import PCA
from sklearn.datasets import load_iris
import matplotlib.pyplot as plt# 加载数据集
iris = load_iris()
X, y = iris.data, iris.target# 创建PCA对象
pca = PCA(n_components=2)# 拟合并转换数据
X_new = pca.fit_transform(X)# 可视化结果
plt.scatter(X_new[:, 0], X_new[:, 1], c=y)
plt.show()

 

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

一种基于密度的聚类算法，能够发现任意形状的簇，并且可以识别噪声点

# 4. DBSCANfrom sklearn.cluster import DBSCAN
from sklearn.datasets import make_moons
import matplotlib.pyplot as plt# 生成聚类数据
X, y = make_moons(n_samples=300, noise=0.05, random_state=0)# 创建DBSCAN模型
model = DBSCAN(eps=0.2, min_samples=5)# 预测聚类标签
y_pred = model.fit_predict(X)# 可视化结果
plt.scatter(X[:, 0], X[:, 1], c=y_pred)
plt.show()

 神经网络

  • 多层感知机（MLPClassifier/MLPRegressor）

是一种简单的神经网络模型，既可以用于分类也可以用于回归。它包含一个或多个隐藏层，通过激活函数和反向传播算法进行训练

## 神经网络
# 1. 多层感知机 MLPClassifier/MLPRegressorfrom sklearn.neural_network import MLPClassifier
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split# 加载数据集
iris = load_iris()
X, y = iris.data, iris.target# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)# 创建多层感知机模型
model = MLPClassifier(hidden_layer_sizes=(10,), max_iter=1000)# 训练模型
model.fit(X_train, y_train)# 测试模型
accuracy = model.score(X_test, y_test)print(accuracy)  # 1.0

  • 神经网络的优化器（如SGD、Adam等）

用于优化神经网络的训练过程。不同的优化器有不同的更新策略，可以加快模型的收敛速度，提高模型的性能

# 2. 神经网络的优化器 SGD、Adam等from sklearn.neural_network import MLPClassifier
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split# 加载数据集
iris = load_iris()
X, y = iris.data, iris.target# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)# 创建多层感知机模型，使用Adam优化器
model = MLPClassifier(hidden_layer_sizes=(10,), max_iter=1000, solver='adam')# 训练模型
model.fit(X_train, y_train)# 测试模型
accuracy = model.score(X_test, y_test)print(accuracy)  # 1.0

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若转载，请注明出处：http://www.pswp.cn/diannao/89451.shtml
繁体地址，请注明出处：http://hk.pswp.cn/diannao/89451.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

网络编程学习路线

网络编程学习路线

C网络编程从零基础到精通的学习路线，每一步都和你的项目实际需求紧密结合，帮助你真正做到“学以致用”。 C网络编程学习路线（结合FileHub项目） 第一阶段：网络编程基础入门 1. 计算机网络基础 理解OSI七层模型、TCP/I…
阅读更多...
NLP：文本张量表示方法

NLP：文本张量表示方法

本文目录： 一、one-hot编码二、word2vec模型（一）概念1.CBOW(Continuous bag of words)模式2.skipgram模式:3.词向量的检索获取 （二）word2vec的训练和使用1. 获取训练数据2.查看原始数据3.原始数据处理，并查…
阅读更多...
高阶数据结构------并查集

高阶数据结构------并查集

并查集 在一些应用问题中，需要将n个不同的元素划分成一些不相交的集合。开始时，每个元素自成一个集合，然后按照一定的规律将归于同一组的元素集合合并。在此过程中要反复用到查询某一个元素归属于哪一个集合的运算。适合于描述这类问题的抽象…
阅读更多...
OWASP Top 10 是什么？

OWASP Top 10 是什么？

OWASP（Open Web Application Security Project，开放Web应用安全项目）是一个致力于提高软件安全性的国际非营利组织。其发布的 ​OWASP Top 10​ 是最具影响力的Web应用安全风险清单，每3-4年更新一次，帮助开发人员、安全…
阅读更多...
如何在IIS上部署net系统(安装iis参考上一篇)

如何在IIS上部署net系统(安装iis参考上一篇)

1.对后端项目打包，我使用的时rider 2.打包前端 npm run build 3.在iis上部署 网站-添加网站 4.选择之前打包的后端文件，设置端口 5.安装对应net环境插件：主要是runtime和sdk插件以及dotnet-hosting-2.2.0-win，具体版本看自己项…
阅读更多...
Docker可视化管理工具Portainer安装部署

Docker可视化管理工具Portainer安装部署

1、安装Portainer 编写docker compose文件，使用docker compose文件完成Portainer的安装，首先需要在服务器上编写的名为portainer.yaml的文件，内容如下： [rootserver ~]# cat portainer.yaml services: portainer: image:…
阅读更多...
ai之RAG本地知识库--基于OCR和文本解析器的新一代RAG引擎：RAGFlow 认识和源码剖析

ai之RAG本地知识库--基于OCR和文本解析器的新一代RAG引擎：RAGFlow 认识和源码剖析

目录标题 RAG本地知识库问答——基于OCR和文本解析器的新一代RAG引擎：RAGFlow 认识和源码剖析RAGflow 主要功能： 一、RAGflow 简介1.1 允许用户上传并管理自己的文档(文档类型可以是任意类型)1.2 RAGFlow的4个特色1.2.1 AI 模型的智能文档处理系统1.2.2 …
阅读更多...
[面试] 手写题-new

[面试] 手写题-new

function mynew(Func, ...args) {// 1.创建一个空对象const obj {}// 2.新对象隐式原型指向构造函数的显式原型obj.__proto__ Func.prototype// 3.将构建函数的this指向新对象let result Func.apply(obj, args)// 4.返回objreturn result instanceof Object ? result : obj…
阅读更多...
设计模式精讲 Day 20：状态模式（State Pattern）

设计模式精讲 Day 20：状态模式（State Pattern）

【设计模式精讲 Day 20】状态模式（State Pattern） 文章标签 设计模式, 状态模式, Java开发, 面向对象设计, 软件架构, 设计模式实战, Java应用开发 文章简述 状态模式是行为型设计模式中的重要一员，用于管理对象在不同状态下的行为变化。在…
阅读更多...
桥岛隧大型工程 3D 可视化监测平台

桥岛隧大型工程 3D 可视化监测平台

深中通道作为“桥、岛、隧、水下互通”一体化跨海集群工程，其复杂结构带来高强度监测难题。借助图扑软件 HT 实现深中通道的建设与运营的数字化升级，为交通基建行业迈向高效、智能的未来提供了有力支撑。 图扑自主研发的 HT for Web 产品搭建深中通道-桥…
阅读更多...
基于SpringBoot和Leaflet的区域冲突可视化系统（2025企业级实战方案）

基于SpringBoot和Leaflet的区域冲突可视化系统（2025企业级实战方案）

摘要 在全球地缘冲突与应急事件频发的2025年，区域态势可视化系统成为政府及企业的决策刚需。本文提出基于​​SpringBoot 3.2​​后端与​​Leaflet 1.9.5​​前端的冲突可视化解决方案，融合多源异构数据（卫星影像、舆情热力、设施状态&…
阅读更多...
[密码学实战]国密TLCP协议报文解析代码实现（三十）

[密码学实战]国密TLCP协议报文解析代码实现（三十）

[密码学实战]国密TLCP协议报文解析代码实现（三十） 本文将深入解析国密TLCP协议报文结构，提供完整的Java实现代码，帮助开发者理解TLCP协议在国密环境下的通信机制和安全性设计。 一、国密TLCP协议概述 TLCP（Transport Layer Cryptographic Protocol）是基于国密算法（SM2/…
阅读更多...
[Python] -基础篇5-玩转Python内置数据结构：列表、元组、字典与集合

[Python] -基础篇5-玩转Python内置数据结构：列表、元组、字典与集合

Python 是一门以简洁优雅著称的编程语言，其中内置的数据结构为日常编程提供了强大支持。本文将系统介绍 Python 中四大核心数据结构：列表（list）、元组（tuple）、字典（dict）与集合（set），并配以实用示例，帮助读者全面掌握其用法及适用场景。 一、列表（List）：可变序…
阅读更多...
技术突破与落地应用：端到端 2.0 时代辅助驾驶TOP10 论文深度拆解系列【第八篇（排名不分先后）】

技术突破与落地应用：端到端 2.0 时代辅助驾驶TOP10 论文深度拆解系列【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​ 在自动驾驶技术飞速发展的今天，端到端自动驾驶（E…
阅读更多...
transformer位置编码研究相关的综述、论文

transformer位置编码研究相关的综述、论文

一、权威综述 《利用位置编码实现长度外推》 （腾讯云开发者社区, 2024） 系统分析绝对/相对位置编码（APE/RPE）在长序列外推中的技术演进，涵盖RoPE、Alibi、Xpos等优化方案，讨论位置插值、NTK-aware缩放等扩展…
阅读更多...
垂直领域AI智能体开发指南：用Bright Data MCP接入智能体攻克数据难关

垂直领域AI智能体开发指南：用Bright Data MCP接入智能体攻克数据难关

垂直领域AI智能体开发指南：用Bright Data MCP接入智能体攻克数据难关 一、智能体时代的数据困局1.1 AI智能体的爆发式增长1.2 开发者遭遇的"数据瓶颈" 二、Bright Data MCP：智能体的数据引擎2.1 重新定义数据获取方式2.2 支持的核心场景2.3 四…
阅读更多...
Stable Diffusion 项目实战落地：从0到1 掌握ControlNet 第三篇： 打造光影字形的创意秘技-文字与自然共舞

Stable Diffusion 项目实战落地：从0到1 掌握ControlNet 第三篇： 打造光影字形的创意秘技-文字与自然共舞

上一篇，我们一起玩转了 野外光影字，是不是被那种自然和光影交织的效果惊艳到啦？ 如果你错过了那篇文章，别担心，赶紧点这里补课：Stable Diffusion 项目实战落地：从0到1 掌握ControlNet：打造光影文字 第二篇 - 野外光影字。 今天，我们将一起做一个 生成的嵌入式文字【…
阅读更多...
CppCon 2018 学习:Feather: A Modern C++ Web Development Framework

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

你这段内容罗列的是 Web 开发中的几个基础概念和组成模块，下面我逐一用中文进行解释，并理清它们之间的关系： 基础概念说明 1. HTTP Server（HTTP服务器） 是一个监听 HTTP 请求并返回响应的程序。主要功能&#xff1a…
阅读更多...
武汉大学机器人学院启航：一场颠覆性的产教融合实验，如何重塑中国智造未来？

武汉大学机器人学院启航：一场颠覆性的产教融合实验，如何重塑中国智造未来？

当百年学府按下“产业加速键”，教育革命的号角已经吹响 2025年7月，武汉大学一纸公告震动教育界与科技圈——成立机器人学院，携手小米、宇树等硬科技领军企业，聘请10位产业教授入驻。这绝非一次常规的校企合作，而是一场…
阅读更多...
QT记事本4——下拉框修改值后解决乱码问题

QT记事本4——下拉框修改值后解决乱码问题

下拉框修改值后解决乱码问题 void Widget::onCurrentIndexChanged(int index) {qDebug()<<index;//索引从0开始qDebug()<<ui->comboBox->currentText();//切换编码时&#xff0c;首先清空当前的文本框ui->textEdit->clear();if(file.isOpen()){//仅在…
阅读更多...
最新文章

Copyright @ 2022~2023