人工智能-马尔可夫模型

109 篇文章 12 订阅
订阅专栏
6 篇文章 3 订阅
订阅专栏

马尔可夫与马尔科夫都可以,所以也别纠结)

马尔可夫模型(Markov Model)是一种统计模型,广泛应用在语音识别,词性自动标注,音字转换,概率文法等各个自然语言处理等应用领域。经过长期发展,尤其是在语音识别中的成功应用,使它成为一种通用的统计工具。          -----------百度

对于马尔科夫实际上是根据根据历史数据和其中的规律,总结出变化的规律,使用概率转移图的形式来推断或者拟合某些事实。其实际使用的主要是状态和概率。那么我们首先需要明确的是什么样的问题可以使用马尔科夫模型?而什么样的问题需要使用隐马尔可夫模型,在简单的叙述过后如果大家可以带着问题和答案来学习,那么就会真正理解这个的意义。

马尔科夫模型适用的问题

1)我们的问题是基于序列的,比如时间序列,或者状态序列。

2)序列之间有固定的转移模式,而不是随机变化的,即概率是不变的

隐马尔科夫模型适用的问题

1)我们的问题中有两类数据,一类序列数据是可以观测到的,即观测序列;而另一类数据是不能观察到的,即隐藏状态序列,简称状态序列。

2)观测序列和状态序列存在对应关系,不必须是一一对应,但是必须有对应的关系。

接下来详细介绍一下,帮助大家对其的初步理解,存在诸多的问题还请批评指正。

 

马尔可夫模型:

马尔可夫模型MM(MarkovModel)是一种统计模型。它的原始模型马尔可夫链,马尔可夫链是与马尔可夫过程紧密相关。马尔可夫过程是研究离散事件动态系统状态空间的重要方法,它的数学基础是随机过程理论。广泛应用在语音识别,词性自动标注,音字转换,概率文法等各个自然语言处理等应用领域。经过长期发展,尤其是在语音识别中的成功应用,使它成为一种通用的统计工具。

 

马尔可夫链:

马尔可夫链(Markov Chain)是指数学中具有马尔可夫性质的离散事件随机过程。该过程中,在给定当前知识或信息的情况下,过去对于预测将来是无关的。在马尔可夫链的每一步,系统根据概率分布,可以从一个状态变到另一个状态,也可以保持当前状态。状态的改变叫做转移,与不同的状态改变相关的概率叫做转移概率。其中所有的状态的总和可以称为“状态空间”,

时间和状态都离散的马尔可夫过程成为马尔可夫链。

其中的圆圈表示不同的状态,箭头的出发点表示的状态转移的源,箭头指向的圈表示状态转移的目的,各个箭头上的数字代表的就是状态之间相互转化的概率。一个含有M个状态的一阶过程有M的平方个状态转移。每一个转移的概率叫做状态转移概率(state transition probability),就是从一个状态转移到另一个状态的概率。这所有的M的平方个概率可以用一个状态转移矩阵来表示。这个就类似于混淆矩阵的形式,简单的例子如下,与本图无关

在上述的矩阵中将初始状态作为行标i,目的状态作为列j,则P(i,j)则表示的是由i所表示的状态转移到有j所表示的状态的概率。那我们可知矩阵中的数字为概率,每行表示一个状态的所有转移情况。(强调,只有当测量概率是离散的情况下,我们才能用一个矩阵来表示 。对于连续的情况,我们会在下面继续说

也许我们需要再次重申一下这个原理,马尔可夫链状是态空间中经过从一个状态到另一个状态的转换的随机过程。根据当前状态我们有不同的概率可以转移到下一个状态,在时间序列中它前面的事件均与之无关,这种特定类型的“无记忆性”称作马尔可夫性质。这个模型看起来类似于自动机模型,但是却有着本质的区别。我在这里简单说两点,由于知识有限,可能理解的有偏差:

 

  • 自动机模型的状态之间的转移依靠事件的驱动,而马尔科夫链则是概率决定
  • 自动机模型一个状态可以向另外有限个状态转移,甚至是不转移,但马尔科夫链则是所有状态均有连接,甚至还有转移矩阵用来描述这个关系
  • 自动机模型用来拟合和判断序列是否符合模型,而马尔科夫链根据这个原理,大多数则是用来估计和识别的。

 

马尔可夫链性质:

其每个状态值取决于前面有限个状态。运用马尔可夫链只需要最近或现在的知识便可预测将来。

根据概率的基本理论,我们可以得知,马尔科夫链必定存在以下特征:

1)正定性:状态转移矩阵中的每一个元素被称为状态转移概率,所以每个状态的每个转移概率一定为正数

 

2)有限性:由于马尔科夫链中包含一个状态到其余状态的所有可能,由概率论知识知,一个事件的概率总和必为1,即一个状态向外转移的所有链路的和值为1

这体现在转移矩阵中,就是每一行的概率相加的总和为1

马尔可夫模型分类:

1)显马尔可夫模型(VMM),又叫马尔可夫模型MM,也就是我们上述所描述的种类的模型,具体状态已知。

2)隐马尔可夫模型(HMM),描述一个含有隐含未知参数的马尔可夫过程,是一个双重随机过程(包括马尔可夫链和一般随机过程)。

隐 马尔可夫模型是 马尔可夫链的一种,它的状态不能直接观察到,但能通过观测向量序列观察到,每个观测向量都是通过某些 概率密度分布表现为各种状态,每一个观测向量是由一个具有相应概率密度分布的状态序列产生。所以,隐 马尔可夫模型是一个双重随机过程----具有一定状态数的隐 马尔可夫链和显示随机函数集。

隐马尔可夫模型(Hidden Markov Model,HMM)是统计模型,它用来描述一个含有隐含未知参数的马尔可夫过程。其难点是从可观察的参数中确定该过程的隐含参数。然后利用这些参数来作进一步的分析,例如模式识别。而这个未知的参数指的是什么?为了弄清这个东西,看了几篇博客,看了不少例子,争取用最简洁易懂的语言来描述。

隐含位置参数实际上指的是我们得到的状态不是原始的状态,而是跟其有关的显现出来的状态,就比如下面的图,实际上的状态是X1-XT 而我们观察到的状态是O1-OT,虽然我们不能得知原始的状态是什么,但是两个是有关系的,我们可以根据输出的状态转移推测原始状态。

一篇文章作者的例子非常好,我们存在的隐状态为天气{下雨,天晴},一个人根据天气选择当天的活动,现在我们得知他在微博上发的动态为

“我前天公园散步、昨天购物、今天清理房间了!”,需要由此推断天气是什么样的,显状态是活动,隐状态是天气。

任何一个HMM都可以通过下列五元组来描述:

1. 隐含状态 S
2. 可观测状态 O
3. 初始状态概率矩阵 π
4. 隐含状态转移概率矩阵 A。
5. 观测状态转移概率矩阵 B 发射概率 (隐状态表现为显状态的概率)。

其实要我们猜,那就很可能第一天晴天,第二天晴天,第三天下雨,当然这只是一个猜测,而我们猜测的基础是什么?没错就是我们的先验知识,很少有人会下雨天出去散步对吧,如果下雨了大多数人都会留在家里收拾房间对不对~,实际上隐马尔科夫解决问题时也是基于类似的先验知识,也就是概率。

首先我们需要从已知的状态中了解隐状态和表现出的状态的对应关系,当然不必须是确定的,可以是一个概率关系,其次我们需要知道隐状态之间的转移关系。这么说吧,我们了解上图中所有的y值信息和b值信息及其对应的位置,我们知道所以的x值和a值但是不知道是如何与y对应的,即不知道他们的位置,x1可能表示的是晴天,也可能是雨天,也可能是雪天,其他的两个隐状态也是如此。

对此我们假设已知先验信息

states = ('Rainy', 'Sunny')
 
observations = ('walk', 'shop', 'clean')
 
start_probability = {'Rainy': 0.6, 'Sunny': 0.4}
 
transition_probability = {
    'Rainy' : {'Rainy': 0.7, 'Sunny': 0.3},
    'Sunny' : {'Rainy': 0.4, 'Sunny': 0.6},
    }
 
emission_probability = {
    'Rainy' : {'walk': 0.1, 'shop': 0.4, 'clean': 0.5},
    'Sunny' : {'walk': 0.6, 'shop': 0.3, 'clean': 0.1},
}

我们经过简单的计算演示原理,(第一天的天气需要初始状态,也就是多种可能),第一天和朋友散步,概率是两种情况的概率分别是

(下雨的概率)*(下雨天散步的发射概率)=0.6*0.1 = 0.06

(晴天的概率)*(晴天散步的发射概率)=0.4*0.6= 0.24

从直觉上来看,因为第一天朋友出门了,她一般喜欢在天晴的时候散步,所以第一天天晴的概率比较大,数字与直觉统一了。

而后续的计算需要在前一天的基础上计算天气的转移概率 然后在重复上述的计算

(第一天晴天概率)*(转移为晴天)*(晴天出去购物的概率)‘

(第一天晴天概率)*(转移为雨天)*(雨天出去购物的概率)

(第一天雨天概率)*(转移为雨天)*(雨天出去购物的概率)

(第一天雨天概率)*(转移为晴天)*(晴天出去购物的概率)

就是这样通过概率的比较,选择可能性最大的最为最终的结果,确定隐状态的对应关系。

 

马尔可夫模型应用:

马尔可夫模型广泛应用在语音识别,词性自动标注,音字转换,概率文法等各个自然语言处理算术编码、地理统计学、企业产品市场预测、人口过程、生物信息学(编码区域或基因预测)等应用领域。经过长期发展,尤其是在语音识别中的成功应用,使它成为一种通用的统计工具。

1)状态统计建模:马尔可夫链通常用来建模排队理论和统计学中的建模。还可作为信号模型用于熵编码技术等。马尔科夫链预测法是一种适用于随机过程的科学、有效的动态预测方法。马尔可夫链有众多的生物学应用,特别是人口过程,可以帮助模拟生物人口过程的建模。

2)隐蔽马尔可夫模型(HMM)还被用于生物信息学,用以编码区域或基因预测。1980年代后半期,HMM开始应用到生物序列尤其是DNA的分析中。此后,在生物信息学领域HMM逐渐成为一项不可或缺的技术。到目前为止,隐马尔可夫模型(HMM)一直被认为是实现快速精确的语音识别系统的最成功的方法。复杂的语音识别问题通过隐含马尔可夫模型能非常简单地被表述、解决,让人们由衷地感叹数学模型之妙

参考文章:

https://blog.csdn.net/bi_mang/article/details/52289087

  http://mp.ofweek.com/ai/a945673920186

https://blog.csdn.net/bitcarmanlee/article/details/82819860

https://blog.csdn.net/class_brick/article/details/78849441

https://baike.baidu.com/item/%E9%9A%90%E9%A9%AC%E5%B0%94%E5%8F%AF%E5%A4%AB%E6%A8%A1%E5%9E%8B/7932524?fr=aladdin

https://www.cnblogs.com/skyme/p/4651331.html

https://www.cnblogs.com/pinard/p/6945257.html

https://www.xuebuyuan.com/3233640.html

 

Java语言基于eclipse导入隐马尔可夫模型教程
03-18
一般做机器学习使用python语言,那么在某些场景下需要使用Java语言,该资源是基于java语言的指导教程,算法是HMM(隐马尔科夫模型),隐马尔科夫模型不同于传统机器学习算法,其诞生更早,在深度学习和传统机器学习出现之前隐马尔科夫模型在机器学习领域占了大半江山,包括天气预测,模式识别,语音识别,文本翻译,异常检测等领域,现如今虽然出现了深度学习,但了解和学习隐马尔科夫模型依然具有深远意义,我们可以将其与现阶段深度学习相结合做更多的应用,也可以借助其巧妙原理优化和改进当前大热的深度学习算法,甚至可以与大数据,人工智能相结合发挥更大能力。 适用范围:该资源是一份基于java语言使用eclipse平台对隐马尔可夫算法的导入和封装,方便非算法专业的java开发人员快速学习隐马尔可夫模型,也可以作为算法专业人员将隐马尔科夫模型应用于Java环境下的工程落地实践。 平台:pc windows;eclipse 语言:java 算法:HMM 欢迎交流学习,有疑问可以私信我!
音视频-图像处理-基于对象马尔可夫模型的高分辨率遥感影像分割方法研究.pdf
04-16
音视频-图像处理-基于对象马尔可夫模型的高分辨率遥感影像分割方法研究.pdf
中科星图——影像卷积核函数Kernel之gaussian高斯核函数核算子、Laplacian4核算子和square核算子等的分析
qq_31988139的博客
02-20 1116
高斯核函数是图像处理中常用的一种卷积核函数。它是一种线性滤波器,可以实现图像的平滑处理。在图像处理中,高斯核函数的卷积操作可以用于去噪、平滑和模糊等任务。高斯核函数的定义可以表示为一个二维高斯分布函数,表达式如下:其中,x和y表示图像中的像素位置,sigma表示高斯分布的标准差。高斯核函数的数学表达式可以通过一维高斯函数的乘积得到。高斯核函数在图像处理中的应用非常广泛。它主要有以下几个优点:1. 平滑处理:高斯核函数可以对图像进行平滑处理,即通过减小图像中像素之间的差异来模糊图像。
markovstatemodel:一个简单的马尔可夫状态模型的演示
02-10
马尔可夫状态模型的构建与验证 该存储库显示了一个简单的马尔可夫状态模型的演示。 尽管该项目本身保持相当通用,但这里研究的系统是受生物物理学启发的。 这里涵盖的问题是粒子在双势势中的一维运动,如下所示。 然后将系统分为两个核心状态“左”和“右”: 然后,根据这样定义的状态是否产生有效的马尔可夫状态模型(MSM),对这两个状态的动力学进行了研究。 代码本身包含在这两个文件MSM_simulation.py和plotting_functions.py ,而结果可在jupyter笔记本中可以看出markov_state_model.ipynb 。 笔记本包含一些乳胶方程,在github上打开时无法正确显示。 因此,如果您想浏览整个项目,则最好至少下载jupyter笔记本,以查看正确格式化的所有markdown单元。
HMM 隐马尔可夫模型 python 代码
07-08
HMM 隐马尔可夫模型 python 代码, 源码实现部分,包括训练测试以及相关调用 。 调用主要为自然语言处理方面实体标注样例。
音视频-编解码-隐马尔可夫模型下基于通信流的隐组识别.pdf
04-20
音视频-编解码-隐马尔可夫模型下基于通信流的隐组识别.pdf
用简单易懂的例子解释隐马尔可夫模型
sy_mira1111的博客
09-17 4130
隐马尔可夫(HMM)好讲,简单易懂不好讲。我认为 @者也的回答没什么错误,不过我想说个更通俗易懂的例子。我希望我的读者不是专家,而是对这个问题感兴趣的入门者,所以我会多阐述数学思想,少写公式。霍金曾经说过,你多写一个公式,就会少一半的读者。所以时间简史这本关于物理的书和麦当娜关于性的书卖的一样好。我会效仿这一做法,写最通俗易懂的答案。 还是用最经典的例子,掷骰子。假设我手里有三个不同的骰子。
马尔科夫模型 详解
人工智能曾小健
06-16 2140
可以理解为从 �+1 到 � 时刻的部分观测序列并不存在(不必考虑),因此规定 ��(�) 的值为1。其中,���为隐状态转移矩阵,��(��+1)为隐状态-显状态发散概率,��+1(�)为�后面序列对应的后向概率。此时为初始分布,即�0=(�0(1),�0(2),�0(3))=(0.3,0.4,0.3),其中��(�)=�(��=�),�=1,2,3,则有�1=�0∗�,��=�0∗��。其中 ∑�=1���(�)��� 表示上层所有节点到当前层节点的连接, ��(��+1) 为隐状态-显状态发散概率。
数学建模系列-预测模型(四)马尔可夫预测
vcvvcvx的博客
02-10 9105
马尔可夫(Markov)预测法,就是一种关于事件发生的概率预测方法。它是根据事件的目前状况来预测其将来各个时刻(或时期)变动状况的一种预测方法。马尔可夫预测法是地理预测研究中重要的预测方法之一。1. 状态指某一件事在某个时刻(或时期)出现的某种结果。2.状态转移过程事件的发展,,称为状态转移。3.马尔可夫过程在事件的发展过程中,若每次状态的转移都仅与前一时刻的状态有关,而与过去的状态无关,或者说,则这样的状态转移过程就称为马尔可夫过程。4.状态转移概率。
马尔可夫模型(Markov)
热门推荐
weiyaner的博客
11-16 1万+
1 确定性系统和不确定性系统 对于一个确定性系统,多个状态构成了一个状态序列,每一个状态之间的关系都是确定的,根据当前状态,就可以确定下一个状态。比如红绿灯的变化状态。 与确定性系统相对应的是不确定系统,例如,每天的天气状态变化就是一个不确定性系统,根据当前的刮风天气,我们无从得知下一刻的天气是刮风还是打雷还是下雨。这就引出了我们的马尔可夫过程。 2 马尔可夫过程 在上面的天气系统中,有刮风,下雨,阴天三种状态,我们希望找到这个简单系统的天气变化的一定规律,为了简化问题,常常做出以下假设: 马尔科夫假设
学习笔记:马尔可夫模型
weixin_63150892的博客
04-26 1952
安德雷·马尔可夫(Andrey Markov),俄国数学家,在概率论、数理统计和随机过程等领域做出了重要贡献,20世纪初期提出了一种数学模型,即马尔可夫过程Markov Process),用于描述具有“无记忆性”的随机过程。马尔可夫性质(Markov Property)是概率论中的一个概念,它是指一个随机过程在给定现在状态及所有过去状态情况下,其未来状态的条件概率分布仅依赖于当前状态,而与过去状态(即该过程的历史路径)是条件独立的。
数据结构课设-基于隐马尔可夫模型实现的地图匹配c++源码(带详细注释).zip
12-29
1.项目代码均经过功能验证ok,确保稳定可靠运行。欢迎下载体验!下载完使用问题请私信沟通。 2.主要针对各个计算机相关专业,包括计算机科学、信息安全、数据科学与大数据技术、人工智能、通信、物联网等领域的在校学生、专业教师、企业员工。 3.项目具有丰富的拓展空间,不仅可作为入门进阶,也可直接作为毕设、课程设计、大作业、初期项目立项演示等用途。 4.当然也鼓励大家基于此进行二次开发。在使用过程中,如有问题或建议,请及时沟通。 5.期待你能在项目中找到乐趣和灵感,也欢迎你的分享和反馈! 【资源说明】 数据结构课设-基于隐马尔可夫模型实现的地图匹配c++源码(带详细注释).zip数据结构课设-基于隐马尔可夫模型实现的地图匹配c++源码(带详细注释).zip数据结构课设-基于隐马尔可夫模型实现的地图匹配c++源码(带详细注释).zip数据结构课设-基于隐马尔可夫模型实现的地图匹配c++源码(带详细注释).zip数据结构课设-基于隐马尔可夫模型实现的地图匹配c++源码(带详细注释).zip数据结构课设-基于隐马尔可夫模型实现的地图匹配c++源码(带详细注释).zip数据结构课设-基于隐马尔可夫模型实现的地图匹配c++源码(带详细注释).zip数据结构课设-基于隐马尔可夫模型实现的地图匹配c++源码(带详细注释).zip数据结构课设-基于隐马尔可夫模型实现的地图匹配c++源码(带详细注释).zip数据结构课设-基于隐马尔可夫模型实现的地图匹配c++源码(带详细注释).zip数据结构课设-基于隐马尔可夫模型实现的地图匹配c++源码(带详细注释).zip数据结构课设-基于隐马尔可夫模型实现的地图匹配c++源码(带详细注释).zip数据结构课设-基于隐马尔可夫模型实现的地图匹配c++源码(带详细注释).zip 数据结构课设-基于隐马尔可夫模型实现的地图匹配c++源码(带详细注释).zip 数据结构课设-基于隐马尔可夫模型实现的地图匹配c++源码(带详细注释).zip
HMM隐马尔可夫模型MATLAB实现
01-06
该资源直接运行runtest.m可测试HMM的评估和解码问题,运行baum_welch_test_mine.m测试HMM学习问题
Markov Models - 马尔可夫模型
weixin_43833903的博客
11-28 4717
本文尽量使用通俗易懂的语言向大家介绍一个常用的决策模型,马尔可夫模型(Markov Model)
学习笔记 —— 详细版 马尔科夫模型及相关背景知识(随机过程、马尔科夫链、马尔科夫性质、马尔科夫过程)
m0_62690134的博客
04-04 2164
对于一阶马尔科夫模型,则有则假设我们的序列状态是. . . . X t − 2 , X t − 1 , X t , X t + 1 . . . ....那么在X t + 1 时刻的状态的条件概率仅依赖于前一刻的状态X t​ 即:
markov 模型概述
lmj1436140682的博客
07-18 1万+
马尔可夫链模型概述   马尔可夫链因安德烈·马尔可夫(Andrey Markov,1856-1922)得名,是数学中具有马尔可夫性质的离散时间随机过程。该过程中,在给定当前知识或信息的情况下,过去(即当期以前的历史状态)对于预测将来(即当期以后的未来状态)是无关的。   时间和状态都是离散的马尔可夫过程称为马尔可夫链, 简记为。   马尔可夫链是随机变量的一个数列。这些变
强化学习-马尔可夫模型
最新发布
君子之学必日新,日新者日进也。不日新者必日退,未有不进而不退者
03-12 921
前文提到了强化学习源自马尔可夫决策过程,本文从马尔可夫概念入手,讲解和马尔可夫有关的模型和概念。在马尔科夫决策过程中,我们有一个智能体,它在一个马尔科夫过程中进行决策,每次决策都会导致状态的转移和获得即时奖励。智能体的目标是通过选择动作来最大化未来奖励的期望值。通常马尔科夫决策过程是个五元组:SAPRγSAPRγS 表示状态集合,代表智能体可能处于的所有状态。A 表示动作集合,代表智能体可以采取的所有动作。
马尔可夫模型(MC, HMM, POMDP, MOMDP)
Vic_Hao的博客
02-24 7169
马尔可夫模型的几类子模型 大家应该还记得马尔科夫链(Markov Chain),了解机器学习的也都知道隐马尔可夫模型(Hidden Markov Model,HMM)。它们具有的一个共同性质就是马尔可夫性(无后效性),也就是指系统的下个状态只与当前状态信息有关,而与更早之前的状态无关。 马尔可夫决策过程(Markov Decision Process, MDP)也具有马尔可夫性,与上面不同的是MD...
马尔可夫模型
karry_0605的博客
05-16 1030
本文对比了几种基本的马尔可夫模型,并介绍了它们的相关概念。
马尔可夫模型应用案例PPT
03-31
抱歉,我是AI语言模型,无法提供PPT文件。以下是几个隐马尔可夫模型应用案例的简述: 1. 语音识别:隐马尔可夫模型在语音识别中有着广泛的应用。通过将语音信号分为不同的状态,然后使用隐马尔可夫模型来对这些状态进行建模,可以实现自动语音识别。 2. 自然语言处理:隐马尔可夫模型可以用于自然语言处理中的词性标注和命名实体识别。通过将不同的词性或实体类型看作不同的状态,然后使用隐马尔可夫模型来对这些状态进行建模,可以实现自动标注和识别。 3. 金融市场预测:隐马尔可夫模型可以用于金融市场预测中。通过将市场状态(如涨、跌、横盘)看作不同的状态,然后使用隐马尔可夫模型来对这些状态进行建模,可以实现市场走势的预测。 4. 生物信息学:隐马尔可夫模型可以用于生物信息学中的蛋白质结构预测。通过将不同的蛋白质结构看作不同的状态,然后使用隐马尔可夫模型来对这些状态进行建模,可以实现蛋白质结构的预测。 5. 图像识别:隐马尔可夫模型可以用于图像识别中的对象跟踪。通过将对象的不同位置看作不同的状态,然后使用隐马尔可夫模型来对这些状态进行建模,可以实现对象的跟踪。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
写文章

热门文章

  • linux vscode 安装与配置 简单的程序例子 83083
  • 神经网络和深度学习基本原理 59154
  • vs创建c语言项目 35249
  • matlab-线性卷积与圆周卷积 35037
  • 人工智能-马尔可夫模型 24218

分类专栏

  • 逆向 4篇
  • 网络安全 1篇
  • word 2篇
  • 语言处理 1篇
  • 理论知识 109篇
  • 心得 6篇
  • 编程 13篇
  • 编程实践 19篇
  • 编程语言 38篇
  • 计算机原理 9篇
  • CTF 35篇
  • 神经网络 6篇
  • 机器学习 6篇
  • 个人 1篇
  • 移动安全 10篇
  • 软件使用 4篇
  • 数据结构和算法 14篇

最新评论

  • python界面编程-PyQT5安装和使用 界面设计器

    weixin_42326353: 为什么安装后找不到设计器

  • 神经网络 pytorch 数据集读取(自动读取数据集,手动读取自己的数据)

    weixin_52174370: 博主你好,我刚开始学习CNN,想采用CNN做回归训练,已经得到了第四种的txt文件,采用你文中提供的代码处理图片和标签,请问我是直接在这个代码前面令pathfile=''txt文件的路径就可以了吗。[code=python] trainset = MyDataset(txt_path=pathFile,transform = None, target_transform = None) # trainset = torch.utils.data.DataLoader(myFloder.myImageFloder(root = "../data/testImages/images", label = "../data/testImages/test_images.txt", transform = mytransform ), batch_size= 2, shuffle= False, num_workers= 2) trainloader = torch.utils.data.DataLoader(trainset, batch_size=32, shuffle=True, num_workers=8) [/code] 那我怎么能够检查一下我处理的图片和标签对不对呢?就是怎么查看一下trainset和trainloader里的内容

  • 《Data Mining》中文版

    rrrimp: 感谢!!!还有一个小问题就是为什么公式的latex没法显示出来呀

  • 《Data Mining》中文版

    weixin_46731230: 好牛啊!太感谢了!!

  • Python编程-连接和操作mdb accdb数据库,pypyodbc的安装和使用

    egoshaper007: 感谢博主的分享,这可以作为一个模块用,非常方便,很接地气,赞!表情包 回复楼上,db_name对应数据库的绝对路径,比如r'C:\Users\Administrator\Desktop\test.mdb'

您愿意向朋友推荐“博客详情页”吗?

  • 强烈不推荐
  • 不推荐
  • 一般般
  • 推荐
  • 强烈推荐
提交

最新文章

  • Python编程-爬虫原理与简单实践
  • 逆向与破解-操作数定位方式实例
  • 逆向与破解-windows异常处理机制
2019年71篇
2018年78篇

目录

目录

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值

天下网TXWEB大庆市建网站报价黄冈市企业网站建设多少钱南阳网站制作襄阳市做网站公司长沙市阿里店铺运营推荐邯郸seo优化公司咸宁网站开发价格烟台市网站搭建报价本溪网站制作报价固原市seo优化推荐郴州市建站哪家好通化市网站建设哪家好商丘seo按天计费哪家专业许昌市企业网站设计多少钱安阳市模板网站建设推荐大同seo按天扣费哪家专业郴州建网站公司铜陵seo排名哪家好遵义网站开发多少钱池州市做网站报价长沙市网页制作多少钱昭通企业网站建设报价黄冈市品牌网站设计鹤岗市网站设计上饶网站建设价格丹东品牌网站设计价格淮安做网站推荐开封市seo按天扣费网站改版报价黄石模板网站建设价格香港通过《维护国家安全条例》两大学生合买彩票中奖一人不认账让美丽中国“从细节出发”19岁小伙救下5人后溺亡 多方发声卫健委通报少年有偿捐血浆16次猝死汪小菲曝离婚始末何赛飞追着代拍打雅江山火三名扑火人员牺牲系谣言男子被猫抓伤后确诊“猫抓病”周杰伦一审败诉网易中国拥有亿元资产的家庭达13.3万户315晚会后胖东来又人满为患了高校汽车撞人致3死16伤 司机系学生张家界的山上“长”满了韩国人?张立群任西安交通大学校长手机成瘾是影响睡眠质量重要因素网友洛杉矶偶遇贾玲“重生之我在北大当嫡校长”单亲妈妈陷入热恋 14岁儿子报警倪萍分享减重40斤方法杨倩无缘巴黎奥运考生莫言也上北大硕士复试名单了许家印被限制高消费奥巴马现身唐宁街 黑色着装引猜测专访95后高颜值猪保姆男孩8年未见母亲被告知被遗忘七年后宇文玥被薅头发捞上岸郑州一火锅店爆改成麻辣烫店西双版纳热带植物园回应蜉蝣大爆发沉迷短剧的人就像掉进了杀猪盘当地回应沈阳致3死车祸车主疑毒驾开除党籍5年后 原水城县长再被查凯特王妃现身!外出购物视频曝光初中生遭15人围殴自卫刺伤3人判无罪事业单位女子向同事水杯投不明物质男子被流浪猫绊倒 投喂者赔24万外国人感慨凌晨的中国很安全路边卖淀粉肠阿姨主动出示声明书胖东来员工每周单休无小长假王树国卸任西安交大校长 师生送别小米汽车超级工厂正式揭幕黑马情侣提车了妈妈回应孩子在校撞护栏坠楼校方回应护栏损坏小学生课间坠楼房客欠租失踪 房东直发愁专家建议不必谈骨泥色变老人退休金被冒领16年 金额超20万西藏招商引资投资者子女可当地高考特朗普无法缴纳4.54亿美元罚金浙江一高校内汽车冲撞行人 多人受伤

天下网TXWEB XML地图 TXT地图 虚拟主机 SEO 网站制作 网站优化