均值滤波是典型的线性滤波算法，是指用当前像素点周围nxn个像素值的均值来代替当前像素值。使用该方法遍历处理图像内的每一个像素点，可完成整幅图像的均值滤波。
对第5行第5列的像素点进行均值滤波时，首先需要考虑需要对周围多少个像素点去取平均值。通常情况下，我们会以该当前像素为中心，对行数和列数相等的一块区域内的所有像素点的像素取平均值。
针对第 5 行第 5 列像素点均值滤波的运算示意图。
针对每一个像素点，都是与一个内部值均为1/25的55矩阵相乘，得到均值滤波的计算结果。
torch.nn.Conv2d(in_channels,
out_channels,
kernel_size,
stride=1,
padding=0,
dilation=1,
groups=1,
bias=True,
padding_mode=’zeros’,
device=None,
dtype=None)
in_channels (int) – 输入图像中的通道数
out_channels (int) – 卷积产生的通道数即输出图片的通道数
sklearn模型的保存和加载api
import joblib
保存：joblib.dump(estimator, ‘test.pkl’)
加载：model= joblib.load(‘test.pkl’)
from sklearn.linear_model import LinearRegression
import numpy as np
import joblib
# 创建并拟合模型
x = [[6], [8], [10], [15], [18]]
y
view函数主要用于Tensor维度的重构，即返回一个有相同数据但不同维度的Tensor。
import torch
data = [[1,2,3], [4,5,6], [7,8,9]] # data的类型为list，非tensor
data = torch.tensor(data) # 将data由list类型转为tensor类型
print(data) # torch.Size([6])
#print(data.view(data.size(0), -1))
prin
from torch.utils.data import TensorDataset
import torch
from torch.utils.data import DataLoader
a_data = torch.tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9], [1, 2, 3], [4, 5, 6], [7, 8, 9], [1, 2, 3], [4, 5, 6], [7, 8, 9], [1, 2, 3], [4, 5, 6], [7,
1. torch.unsqueeze 详解
# torch.unsqueeze(input, dim, out=None)
# 作用：扩展维度
# 返回一个新的张量，对输入的既定位置插入维度 1
# 注意：返回张量与输入张量共享内存，所以改变其中一个的内容会改变另一个。
# 参数：
# tensor (Tensor) – 输入张量
# dim (int) – 插入维度的索引
# out (Tensor, optional) – 结果张量
import torc
import numpy as np
import torch
a = torch.tensor([[1,2,3,4],[5,6,7,8],[9,10,11,12]])
print(‘a.shape’, a.shape)
print(‘a’, a)
# 列 最大
# 返回的值包含两个数据（values, indices) 分别代表最大值的值和所在的索引（返回最大元素在各列的行索引）
a0 = torch.max(a.data, 0)
print(‘a0’, a0)
numpy提供了numpy.squeeze(a, axis=None)函数，从数组的形状中删除单维条目。
其中a表示输入的数组。axis用于指定需要删除的维度，但是指定的维度必须为单维度，否则将会报错。
axis的取值可为None 或 int 或 tuple of ints，若axis为空时则删除所有单维度的条目。
import numpy as np
a = np.array([[[0], [1], [2]]])
b = np.squeeze(a)
c = np.squ
import torch
x = torch.randn(9, 3)
# 输入的维度是（9,3）
m = torch.nn.Linear(3, 1)
# 输入的特征维度是3,输出的特征维度是1
output = m(x)
print(‘m.weight.shape:\n’, m.weight.shape)
print(‘m.bias.shape:\n’, m.bias.shape)
print(‘output.shape:\n’, output.shape)
一、工具类
using System;
using System.Collections.Generic;
using System.Configuration;
using System.IO;
using System.Linq;
using System.Net;
using System.Text;
using System.Threading.Tasks;
namespace sync
{
public class HttpApiHel
例子1：
import numpy as np
# np.argmax(a) 返回的是a中元素最大值所对应的索引值
correct = np.array([[1, 3, 5, 7],[5, 7, 2, 2],[4, 6, 8, 1]])
print(correct, ‘\n’)
# 行 最大值所对应的索引值
b = np.argmax(correct, axis=1)
print(b)
# 列 最大值所对应的索引值
c = np.argmax(correct,
独热编码即 One-Hot 编码，又称一位有效编码，其方法是使用N位状态寄存器来对N个状态进行编码，每个状态都有它独立的寄存器位，并且在任意时候，其中只有一位有效。
import numpy as np
correct = np.array([0, 1, 2, 3, 4, 5,
6])
n_data = len(correct)
# — 将 周一至周日 转换为独热编码格式 —
correct_data = np.zeros((n_data, 7))
print(c
import numpy as np
cols = np.array([[1, 2, 3, 4],
[5, 6, 7, 8],
[9, 10,11,12],
[13,14,15,16]])
print(cols)
print(“\n”)
# reshape 默认按行填充
# 三维 表示 2个(2,4)
w = cols.reshape(2, 2, 4)
print(w)
print(“\n”)
# 四维 表示 1个(2,2,4)
x =
np.pad(array，pad_width，mode，**kwargs) # 返回填充后的numpy数组
array：要填充的numpy数组【要对谁进行填充】
pad_width：每个轴要填充的数据的数目【每个维度前、后各要填充多少个数据】
mode：填充的方式【采用哪种方式填充】
import numpy as np
# 一维
a = np.array([1, 2, 3, 4, 5])
print(“a.shape”, a.shape)
b = np.
import numpy as np
#将数组打乱随机排列 两种方法：
#1 np.random.shuffle(x)：在原数组上进行，改变自身序列，无返回值。
x = np.arange(5)
print(x)
np.random.shuffle(x)
print(x)
#2 np.random.permutation(x)：不在原数组上进行，返回新的数组，不改变自身数组。
y = np.arange(5)
print(y)
z = np.random.
import numpy as np
import matplotlib.pyplot as plt
# param:起点，终点，间距
x = np.arange(-10, 10, 0.2)
y = 1/(1 + np.exp(-x))
dy = y * (1 – y)
plt.plot(x, y)
plt.plot(x, dy)
plt.show()
sigmoid函数的求导推导过程
#python 中
幂运算与正负号
#python 中
如果幂运算前有正负号，则 – + 的优先级会比**低。而当 – + 在后面时，优先级会比 ** 高。
import numpy as np
print(-9 ** 0.5)
print(-(9 ** 0.5))
print(9 ** -0.5) #变倒数
print(9 ** 0.5)
print(4 ** -0.5) #变倒数
print(‘a’, np.log(0.001))
#1. np.dot(a, b), 其中a为一维的向量，b为一维的向量，当然这里a和b都是np.ndarray类型的, 此时因为是一维的所以是向量点积。
import numpy as np
a = np.array([0, 1, 2])
b = np.array([1, 2, 3])
# 0*1 + 1*2 + 2*3
print(np.dot(a, b))
# 8
#2. np.dot(a, b), 其中a为二维矩阵，b为一维向量，这时b会被当做一维矩阵进行计算。
在NuGet中安装FreeSpire.XLS。
using System;
using System.Collections.Generic;
using System.ComponentModel;
using System.Data;
using System.Drawing;
using System.Linq;
using System.Text;
using System.Threading.Tasks;
using System.Window
%matplotlib inline
import numpy as np
import matplotlib.pyplot as plt
# x、y坐标
X = np.arange(-1.0, 1.0, 0.2)
# 元素数量是10个
Y = np.arange(-1.0, 1.0, 0.2)
# 容纳输出的10×10的网格 用0填充
Z = np.zeros((10,10))
# x、y坐标的输入的权重
w_x = 2.5
w_y = 3.0