一份可以令 Python 变快的工具清单

知行编程网 python社区 2年前 (2022-01-03) 13 0

  这篇文章会提供一些优化代码的工具。会让代码变得更简洁，或者更迅速。 当然这些并不能代替算法设计，但是还是能让Python加速很多倍。 其实前面讲算法的文章，也有提到过。比如适用于双向队列的 deque，以及在合适的条件下运用 bisect 和 heapq 来提升算法的性能。 而且前面也提到过，Python提供了当今最高级也是最有效的排序算法(list.sort)。 另外还有一个功能多样又迅速的...

20行 Python 代码实现验证码识别 3

知行编程网 python社区 2年前 (2022-01-03) 162 0

一、探讨识别图形验证码可以说是做爬虫的必修课，涉及到计算机图形学，机器学习，机器视觉，人工智能等等高深领域……简单地说，计算机图形学的主要研究内容就是研究如何在计算机中表示图形、以及利用计算机进行图形的计算、处理和显示的相关原理与算法。图形通常由点、线、面、体等几何元素和灰度、色彩、线型、线宽等非几何属性组成。计算机涉及到的几何图形处理一般有 2维到n维图形处理，边界区分，面积计算，体积计算，扭曲...

PyCharm vs VSCode，是时候改变你的 IDE 了！

知行编程网 python社区 2年前 (2022-01-03) 904 0

也许是我有些落伍，或者也是因为 JetBrains 在 Python IDE 的市场上占有很大的份额，以至于直到最近我才发现，使用 VSCode 的 Python 开发者要比预想中的多很多。近期，我将 PyCharm 和 Notebooks 放在一起用了一段时间，发现 Notebooks 方便浏览数据，并将数据实时可视化；PyCharm 则可以完成更多的任务。这两者的结合让我非常满意。 让我感到欣...

最全Python数据工具箱：标准库、第三方库和外部工具都在这里了

知行编程网 python社区 2年前 (2022-01-03) 19 0

导读：Python数据工具箱涵盖从数据源到数据可视化的完整流程中涉及到的常用库、函数和外部工具。其中既有Python内置函数和标准库，又有第三方库和工具。这些库可用于文件读写、网络抓取和解析、数据连接、数清洗转换、数据计算和统计分析、图像和视频处理、音频处理、数据挖掘/机器学习/深度学习、数据可视化、交互学习和集成开发以及其他Python协同数据工作工具。 为了区分不同对象的来源和类型，本节将在描...

Python代码常用功能，精心整理版 30

橙子 python社区 2年前 (2022-01-02) 17 0

Python代码常用功能，精心整理版 冒泡排序 计算x的n次方的方法 计算a*a + b*b + c*c + …… 计算阶乘n! 列出当前目录下的所有文件和目录名 把一个list中所有的字符串变成小写 输出某个路径下的所有文件和文件夹的路径 输出某个路径及其子目录下的所有文件路径 输出某个路径及其子目录下所有以.html为后缀的文件 把原字典的键值对颠倒并生产新的字典 打印九九乘法表 替换列表中所...

机器学习前沿——函数估计方法 5

橙子 人工智能前沿 2年前 (2022-01-02) 28 0

利用独立性的优势函数估计方法 论文链接： https://www.ijcai.org/proceedings/2021/0461.pdf 在强化学习中，优势函数  (advantage function)  普遍采用蒙特卡洛  (MC)、时间差分  (TD)，以及一种将前两者结合的优势函数估计算法（GAE)  等进行估计，而这些算法都存在方差较高的问题。因此，微软亚洲研究院的研究员们首次提出通过利...

从逻辑回归到最大熵模型 12

知行编程网 人工智能前沿 2年前 (2022-01-02) 9 0

在《逻辑回归》与《sigmoid与softmax》中，小夕讲解了逻辑回归背后藏着的东西，这些东西虽然并不是工程中实际看起来的样子，但是却可以帮助我们很透彻的理解其他更复杂的模型，以免各个模型支离破碎。 本文中，小夕将带领大家从另外一个角度看待逻辑回归，从这个角度出发，又可以轻易的衍生出一系列如最大熵模型、条件随机场，甚至一般化的无向图模型。 还是回到逻辑回归这个熟悉的假设函数上来： 根据《sigm...

深度前馈网络与Xavier初始化原理 21

知行编程网 人工智能前沿 2年前 (2022-01-02) 4 0

基本的神经网络的知识（一般化模型、前向计算、反向传播及其本质、激活函数等）小夕已经介绍完毕，本文先讲一下深度前馈网络的BP过程，再基于此来重点讲解在前馈网络中用来初始化model参数的Xavier方法的原理。    前向过程很简单，每一层与下一层的连接边(即参数)构成了一个矩阵(即线性映射)，每一层的神经元构成一个激活函数阵列（即非线性映射），信号便从输入层开始反复的重复这两个过程直到输出层，也就...

线性代数应该这样讲(三)-向量2范数与模型泛化 9

知行编程网 人工智能前沿 2年前 (2022-01-02) 22 0

在线性代数（一）中，小夕主要讲解了映射与矩阵的关系；在线性代数（二）中，小夕讲解了映射视角下的特征值与特征向量的物理意义。本文与下一篇会较为透彻的解析一下向量的二范数与一范数，他们在机器学习任务中是最常用，有时甚至是核心的东西哦。 首先，来一个俗俗的开篇。向量x的p范数表示如下： 由此，p=1、p=2就分别代表1范数和2范数。本文只看p=2的情况。 二范数相信大家在大一学线性代数的时候就已经被灌输...

从点到线：逻辑回归到条件随机场 9

知行编程网 人工智能前沿 2年前 (2022-01-02) 4 0

开篇高能预警！本文前置知识： 1、理解特征函数/能量函数、配分函数的概念及其无向图表示，见《逻辑回归到受限玻尔兹曼机》和《解开玻尔兹曼机的封印》； 2、理解特征函数形式的逻辑回归模型，见《逻辑回归到最大熵模型》。 从逻辑回归出发，我们已经经过了朴素贝叶斯、浅层神经网络、最大熵等分类模型。显然，分类模型是不考虑时间的，仅仅计算当前的一堆特征对应的类别。因此，分类模型是“点状”的模型。 想一下，如果我...