Python collecitons学习

1

import collections

Counter

可以接受list 或者 tuple 的迭代器，返回一个 counter dictionary，这个词典的key是迭代器中unique的元素，value是该key在迭代器中的计数

1
2
3
4
5
6

lst = [1,1,1,2,2,3,4,4,4,4,5,5,5,9]
counter = collections.Counter(lst)
print(counter)


输出：Counter({4: 4, 1: 3, 5: 3, 2: 2, 3: 1, 9: 1})

Numpy 学习记录

np.where()用法

1. np.where(condition, x, y)，满足条件(condition)，输出x，不满足输出y。

   1 2 3 4 5 6

   >>> np.where([[True,False], [True,True]], [[1,2], [3,4]], [[9,8], [7,6]]) 输出：array([[1, 8], [3, 4]])

那么第一列是在1和9之间选择，为True所以选1。 第二列在2和8之间选择，因为是False所以选8，后面的以此类推

1. np.where(condition)

   1 2 3 4 5 6 7 8

   >>> a = np.array([2,4,6,8,10]) >>> np.where(a > 5) # 返回索引 (array([2, 3, 4]),) >>> a[np.where(a > 5)] # 等价于 a[a>5] array([ 6, 8, 10]) >>> np.where([[0, 1], [1, 0]]) (array([0, 1]), array([1, 0])) # 输出的为两个1的坐标

np.zero_like()

np.zeros_like(W);其维度与矩阵W一致，并为其初始化为全0；这个函数方便的构造了新矩阵，无需参数指定shape大小；

np.unique()

https://docs.scipy.org/doc/numpy-1.14.0/reference/generated/numpy.unique.html
去重，并返回小到大排序后的数组

准确率(Accuracy) 精确率(Precision) 召回率(Recall) F-Measure ROC曲线

混淆矩阵

以二元分类为例子，我们用一个 $2 \times 2$ 的矩阵来表示模型的分类效果，这个矩阵叫做混淆矩阵。

我们一共有477个样本，其中有18个实际有肿瘤的样本被正确预测，我们称之为 True Positve， 而有一个实际为肿瘤的样本被误判为没有肿瘤，则称之为 True Negative

准确率(Accuracy) 精确率(Precision) 召回率(Recall) F-Measure ROC曲线

混淆矩阵

以二元分类为例子，我们用一个 $2 \times 2$ 的矩阵来表示模型的分类效果，这个矩阵叫做混淆矩阵。

我们一共有477个样本，其中有18个实际有肿瘤的样本被正确预测，我们称之为 True Positve， 而有一个实际为肿瘤的样本被误判为没有肿瘤，则称之为 True Negative

MeanShift 和CamShift

简介

Mean shift 中文译名又叫做，均值漂移。在机器学习领域可以实现聚类，在图像领域可以实现目标追踪和图像平滑。是一种应用很广的算法。

色彩空间

RGB色彩空间

RGB分别代表三个基色（R-红色、G-绿色、B-蓝色），具体的色彩值由三个基色叠加而成。在图像处理中，我们往往使用向量表示色彩的值，如(0,0,0)表示黑色、(255, 255, 255)表示白色。其中，255表示色彩空间被量化成255个数，最高亮度值为255（255 = 2^8 - 1，即每个色彩通道用8位表示）。在这个色彩空间中，有256256256种颜色。RGB色彩空间如下图所示。是一个包含Red、Green、Blue的三维空间。
缺点是它的细节难以进行数字化的调整。它将色调，亮度，饱和度三个量放在一起表示，很难分开。

卷积神经网络

全链接前馈网络的问题

如果用全连接前馈网络来处理图像时，会存在以下两个问题：

1. 参数太多，如果输入图像大小为100×100×3，在全连接前馈网络中，第一个隐藏层的每个神
   经元到输入层都有100×100×3 = 30, 000 个相互独立的连接，每个连接都对应一个权重参数。参数的规模也会急剧增加。这会导致整个神经网络的训练效率会非常低，也很容易出现过拟合。
2. 局部不变性特征，：自然图像中的物体都具有局部不变性特征，比如在尺度缩放、平移、旋转等操作不影响其语义信息。而全连接前馈网络很难提取这些局部不变特征，一般需要进行数据增强来提高性能。
   Read more »