Bokeh的绘图数据可以直接使用Python中的list、dict,也可以使用Numpy中的Array以及Pandas中的DataFrame数据类型。绘制较复杂的图形时,也可以使用Bokeh独有的ColumnDataSource定义绘图数据,以便在绘图方法中直接调用列名进行绘图。当需要在原始数据中更新、筛选部分数据时,Bokeh提供了一些专属方法,这些方法在进行较复杂的动态交互时会经常用到。 Python List Python Dict NumPy Arrays Pandas DataFrame Bokeh Co…

2020年06月29日 0条评论 6点热度 0人点赞 阅读全文

Bokeh是一个基于D3.js的绘图库,所以其绘图结果可以与Web应用无缝衔接,在实现与读者交互的同时,便于分享、传播。其次,Bokeh有着自己强大又丰富的绘图库,提供了优雅、简洁的多功能图形绘制方法,在超大数据集或流式数据集上具有高性能的交互性,且与Python(或其他语言)的交互快速而简单。 开始上手 先画一个简单的散点图 from bokeh.plotting import figure, output_notebook, showoutput_notebook()x = [1, 2, 3, 4, 5]y =…

2020年06月29日 0条评论 6点热度 0人点赞 阅读全文

图像到图像转换是一项非常重要的研究课题,也出现了很多图像转换方法,但是相关图像到图像转换模型都脱离不了监督训练。因而,越来越多的研究人员开始探索无监督设置下的图像到图像转换方法。2019 年 5 月,英伟达的一项研究探索 few-shot 无监督的图像到图像转换算法,并实现了逼真的转换效果。近日,韩国延世大学等机构的研究者实现了完全无监督设置下的图像到图像转换。 我们都知道,最近出现的各种图像到图像转换模型都至少使用图像级(即输入 - 输出对)或集合级(即域标签)监督中的一种。但实际上,即使是集合级的监督也可能成为…

2020年06月29日 0条评论 8点热度 0人点赞 阅读全文

随处可见的二维码是怎么生成的?自己做一个试试吧。 随着互联网和智能移动设备不断普及,二维码(Quick Response code)已经成为世界上应用最为广泛的信息载体之一。生成二维码的工具也层出不穷,但多数需要在线完成,并且生成的图案也千篇一律,过于单调。 那么有没有办法实现自定义生成二维码呢?近日,一位热衷于终身学习的工程师兼摄影师 Arindom Bhattacharjee 撰写了一篇自定义生成二维码的方法,并且整个生成过程只需要 5 行 Python 代码即可完成。感兴趣的读者可以自己实现下。 5 行 Py…

2020年06月29日 0条评论 5点热度 0人点赞 阅读全文

生成器 生成器是生成一个值的特殊函数,它具有这样的特点:第一次执行该函数时,先从头按顺序执行,在碰到yield关键字时该函数会暂停执行该函数后续的代码,并且返回一个值;在下一次调用该函数执行时,程序将从上一次暂停的位置继续往下执行。 输出结果如下: 当数据量很少时,可以很快得到结果。但是如果范围扩大到10000甚至是100000000,就会发现程序执行时间会变长,变卡,甚至有可能会因超出内存空间而出现程序崩溃的现象。这是因为当数据量变得非常大的时候,内存需要开辟很大的空间去存储这些数据,内存都被吃了,自然会变慢变卡…

2020年06月28日 0条评论 2点热度 0人点赞 阅读全文

1.大纲 潜规则1:面试的本质不是考试,而是告诉面试官你会做什么 很多刚入行的小伙伴特别容易犯的一个错误,不清楚面试官到底想问什么,其实整个面试中面试官并没有想难道你的意思,只是想通过提问的方式来知道你会什么比如:面试官提问在实际项目中你们是怎么样使用缓存的?初入行回答:使用redis,key-value存放但是面试官可能是想知道:一般在业务中缓存什么样的数据,为什么要缓存这些数据,缓存数据如何保证实时性,如果缓存失效会对正常业务流程有什么影响,为什么要选择redis,redis的实现原理等等;围绕着这个话题只要你…

2020年06月28日 0条评论 3点热度 0人点赞 阅读全文

绘图步骤: 准备数据 选择结果输出方式 可以用output_file()输出为"lines.html". 也可以使用output_notebook()在 Jupyter notebooks中直接展示。 用figure()绘制画布 绘制图形,如line() 显示绘图结果 举个栗子: 01_显示多条曲线,用用output_file()展示: PS:正因为Matplotlib的图太丑,参数设置复杂;Plotly需要注册才能使用更多功能;Seaborn对高版本Python支持不是很友好(本主在2016年放弃Seaborn,…

2020年06月28日 0条评论 5点热度 1人点赞 阅读全文

理解RPN的预测量与真值分别是什么,也是理解RPN原理的关键。对于物体检测任务来讲,模型需要预测每一个物体的类别及其出现的位置,即类别、中心点坐标x与y、宽w与高h这5个量。由于有了Anchor这个先验框,RPN可以预测Anchor的类别作为预测边框的类别,并且可以预测真实的边框相对于Anchor的偏移量,而不是直接预测边框的中心点坐标x与y、宽高w与h。 举个例子,如图1所示,输入图像中有3个Anchors与两个标签,从位置来看,Anchor A、C分别和标签M、N有一定的重叠,而Anchor B位置更像是背景。…

2020年06月26日 0条评论 2点热度 0人点赞 阅读全文

理解Anchor是理解RPN乃至Faster RCNN的关键。Faster RCNN先提供一些先验的边框,然后再去筛选与修正,这样在Anchor的基础上做物体检测要比从无到有的直接拟合物体的边框容易一些。 Anchor的本质是在原图大小上的一系列的矩形框,但Faster RCNN将这一系列的矩形框和feature map进行了关联。具体做法是,首先对feature map进行3×3的卷积操作,得到的每一个点的维度是512维,这512维的数据对应着原始图片上的很多不同的大小与宽高区域的特征,这些区域的中心点都相同。如…

2020年06月26日 0条评论 7点热度 0人点赞 阅读全文

RPN部分的输入、输出如下: 输入:feature map、物体标签,即训练集中所有物体的类别与边框位置。 输出:Proposal、分类Loss、回归Loss,其中,Proposal作为生成的区域,供后续模块分类与回归。两部分损失用作优化网络。 RPN模块的总体代码逻辑如下,源代码文件见lib/model/faster_rcnn/faster_rcnn.py。 本文中的源代码文件获取方式请参考:http://ai.52learn.online/1042

2020年06月26日 0条评论 3点热度 0人点赞 阅读全文
13456778