Apache Axis | 易学教程

echarts 双Y轴图表

阅读更多关于 echarts 双Y轴图表

直接代码： <!DOCTYPE html> <html lang="en"> <head> <meta charset="UTF-8"> <title>Title</title> <script src="https://www.echartsjs.com/examples/vendors/echarts/echarts.min.js?_v_=1571424732409"></script> </head> <body>  <div style="width: 1000px;height: 500px;background-color: #222222" id="test1"> </div> </body> <script> var chart1 = echarts.init(document.getElementById('test1' )); var option = { title: [ { top: '40%' , left: 10 , subtextStyle: { align: 'left' , color: '#ffffff' , fontSize: 12 , }, subtext: '每\n月\n执\n行\n金\n额' // \n换行 }, { top: '40%' , right: 10 , subtextStyle: { align:

一文搞懂NLP中的Attention机制（附详细代码讲解）

阅读更多关于一文搞懂NLP中的Attention机制（附详细代码讲解）

机器学习算法与自然语言处理出品 @公众号原创专栏作者 Don.hub 单位 | 京东算法工程师学校 | 帝国理工大学 Outline Intuition Analysis Pros Cons From Seq2Seq To Attention Model seq2seq 很重要，但是缺陷也很明显 attention was born Write the encoder and decoder model Taxonomy of attention number of sequence distinctive co-attention self number of abstraction single-level multi-level number of positions soft/global hard local number of representations multi-representational multi-dimensional summary Networks with Attention encoder-decoder CNN/RNN + RNN Pointer Networks Transformer Memory Networks Applications NLG Classification Recommendation Systems ref 1

用矩阵来处理数据—降维打击

阅读更多关于用矩阵来处理数据—降维打击

“同四维跌落到三维一样，三维空间也会向二维空间跌落，由一个维度蜷缩到微观中。那一小片二维空间的面积——它只有面积——会迅速扩大，这又引发了更大规模的跌落……我们现在就处在向二维跌落的空间中，最终，整个太阳系将跌落到二维，也就是说，太阳系将变成一副厚度为零的画。” 01 — 维度上面引用了三体的一段话，想探讨一下维度的事情。处理数据的时候，我们是习惯了将相同的性质的数据分门别类。有个很有意思的事情，既然大部分人认为四维是指时间，那么为什么不能说每一种分类方式就是一个维度。举个例子：注册规划师考四门，那就好比四个维度，有一百个注册规划师组成的列队，按他们原理、相关、法规、实务的分数进行排名，那就是四组数据；四组数据只能形成100行4列的二维矩阵；假设加上注册建筑师、注册结构师、注册暖通等等，又可以整理成一个三维矩阵；再按士、农、工、商等去区分，升级成一个四维矩阵。因为有太多的数据在我们面前，还有一句话叫“选择大于努力”。最近的研究项里其实就是要在大量数据中找到最理想的那组数据，因此我写了不少代码，在数据的运算过程中又发现，如果要在合理的时间内做出计算，那还得提高计算的速度，那就得用到numba、cpython等。 02 — 数据扩充选址大于努力的话，其实很多时候就是在做排列组合题。之前听东吴相对论里头有讲到，如果生活中有太多的事情压积在一起，那就先列举100件

『计算机视觉』Mask-RCNN_推断网络其三：RPN锚框处理和Proposal生成

阅读更多关于『计算机视觉』Mask-RCNN_推断网络其三：RPN锚框处理和Proposal生成

一、RPN锚框信息生成上文的最后，我们生成了用于计算锚框信息的特征（源代码在inference模式中不进行锚框生成，而是外部生成好feed进网络，training模式下在向前传播时直接生成锚框，不过实际上没什么区别，锚框生成的讲解见『计算机视觉』Mask-RCNN_锚框生成）：　　　　rpn_feature_maps = [P2, P3, P4, P5, P6] 接下来，我们基于上述特征首先生成锚框的信息，包含每个锚框的前景/背景得分信息及每个锚框的坐标修正信息。接前文主函数，我们初始化rpn model class的对象，并应用于各层特征： # Anchors if mode == "training": …… else: anchors = input_anchors # RPN Model, 返回的是keras的Module对象, 注意keras中的Module对象是可call的 rpn = build_rpn_model(config.RPN_ANCHOR_STRIDE, # 1 3 256 len(config.RPN_ANCHOR_RATIOS), config.TOP_DOWN_PYRAMID_SIZE) # Loop through pyramid layers layer_outputs = [] # list of lists for p

『计算机视觉』Mask-RCNN_推断网络其四：FPN和ROIAlign的耦合

阅读更多关于『计算机视觉』Mask-RCNN_推断网络其四：FPN和ROIAlign的耦合

一、模块概述上节的最后，我们进行了如下操作获取了有限的proposal， # [IMAGES_PER_GPU, num_rois, (y1, x1, y2, x2)] # IMAGES_PER_GPU取代了batch，之后说的batch都是IMAGES_PER_GPU rpn_rois = ProposalLayer( proposal_count=proposal_count, nms_threshold=config.RPN_NMS_THRESHOLD, # 0.7 name="ROI", config=config)([rpn_class, rpn_bbox, anchors]) 总结一下：与 GT 的 IOU 大于0.7 与某一个 GT 的 IOU 最大的那个 anchor 进一步，我们需要按照RCNN的思路，使用proposal对共享特征进行ROI操作，在Mask-RCNN中这里有两个创新： ROI使用ROI Align取代了之前的ROI Pooling 共享特征由之前的单层变换为了FPN得到的金字塔多层特征，即： mrcnn_feature_maps = [P2, P3, P4, P5] 其中创新点2意味着我们不同的proposal对应去ROI的特征层并不相同，所以，我们需要：按照proposal的长宽，将不同的proposal对应给不同的特征层

Matlab绘图基础——图形绘制的插值以及图像大小的重采样

阅读更多关于 Matlab绘图基础——图形绘制的插值以及图像大小的重采样

使用说明：图形绘制时的插值 interp1 %1-D data interpolation interpft %使用fft算法插值 %将原数据x转换到频率域，再逆转换回来更密集的数据采样点 spline %一维Cubic spline（三次样条） data interpolation interp2 %2-D data interpolation interp3 %3-D data interpolation (table lookup) 注： The interp2 command interpolates between data points. It finds values of a two-dimensional function f ( x , y ) underlying the data at intermediate points. 案例1：二维插值显示 [X,Y] =meshgrid(-3:.25:3);Z=peaks(X,Y); %间隔为0.25 [XI,YI]=meshgrid(-3:.33:3,-3:0.05:3); %XI间隔为0.33，YI间隔为0.05 ZI=interp2(X,Y,Z,XI,YI, 'cubic' ); %设定插值使用的算法。其他选项还有'nearest','linear,'spline' mesh(X,Y,Z), hold on

Android 开发 AudioRecord音频录制

阅读更多关于 Android 开发 AudioRecord音频录制

前言　　Android SDK 提供了两套音频采集的API，分别是：MediaRecorder 和 AudioRecord，前者是一个更加上层一点的API，它可以直接把手机麦克风录入的音频数据进行编码压缩（如AMR、MP3等）并存成文件，而后者则更接近底层，能够更加自由灵活地控制，可以得到原始的一帧帧PCM音频数据。实现流程获取权限初始化获取每一帧流的Size 初始化音频录制AudioRecord 开始录制与保存录制音频文件停止录制给音频文件添加头部信息,并且转换格式成wav 释放AudioRecord,录制流程完毕获取权限  < uses-permission android:name ="android.permission.RECORD_AUDIO" />  < uses-permission android:name ="android.permission.WRITE_EXTERNAL_STORAGE" /> < uses-permission android:name ="android.permission.READ_EXTERNAL_STORAGE" /> 如果是Android5.0以上,以上3个权限需要动态授权初始化获取每一帧流的Size private Integer

python金融量化分析

阅读更多关于 python金融量化分析

IPython 交互式的python命令行可以直接粘贴代码到命令行安装: pip install ipython TAB键: 自动补全 ?: (内省、命名空间搜索。a.a *? # 补全命令,a? #查看变量详情，func??查看函数详情) !: 执行cmd系统命令 (!ipconfig) %run: 执行文件代码(% run test.py) %paste,% cpaste: 执行剪贴板代码 %timeit: 计算函数运行的时间。% timeit func(a,b) %pdb: 进入调试模式，(%pdb on/% pdb off).会停在错误代码的地方,不报错。p a 打印a变量历史命令: _,__,_2,_i2 # 例子 a+b,a*b, _代表a*b的结果,__代表a+b的结果，_2代表命令行上的num，显示2的结果，_i2显示2的代码 % bookmark: 目录标签系统 Ipython Notebook : pip install jupyter # 是一个代码编辑器运行: jupyter notebook View Code NumPy 数据计算模块 NumPy是高性能科学计算数据分析的基础包，它是pandas等其他各种工具的基础 NumPy的主要功能: ndarray ，一个多维数据结构，高效且节省时间无需循环对整组数据进行快速运算的数学函数

使用机器学习和Python对约会资料进行排序

阅读更多关于使用机器学习和Python对约会资料进行排序

作者|Marco Santos 编译|Flin 来源|towardsdatascience 在无休止地浏览成百上千个交友档案，却没有一个与之匹配之后，人们可能会开始怀疑这些档案是如何在手机上出现的。所有这些配置文件都不是他们要找的类型。他们已经刷了好几个小时甚至几天，都没有发现任何成功。他们可能会问： “为什么这些约会应用程序会向我展示那些我知道我不适合的人呢？” 在很多人看来，用来显示约会档案的约会算法可能已经失效，他们厌倦了在应该匹配的时候向左滑动。每个交友网站和应用程序都可能利用自己的秘密交友算法来优化用户之间的匹配。但有时它会让人觉得它只是在向其他人展示随机用户，而没有任何解释。我们如何才能更多地了解这个问题，并与之作斗争？可以用一种叫做机器学习的方法。我们可以使用机器学习来加速约会应用程序中用户之间的配对过程。使用机器学习，配置文件可以潜在地与其他类似的配置文件聚集在一起。这将减少互不兼容的配置文件的数量。从这些集群中，用户可以找到更像他们的其他用户。集群配置文件数据使用上面文章中的数据，我们能够成功地获得convenient panda DataFrame中的集群约会配置文件。在此DataFrame中，每一行都有一个配置文件，最后，在将Hierarchical Agglomerative Clustering（ https://www.datanovia.com

PyTorch中scatter和gather的用法

阅读更多关于 PyTorch中scatter和gather的用法

PyTorch中scatter和gather的用法闲扯许久没有更新博客了，2019年总体上看是荒废的，没有做出什么东西，明年春天就要开始准备实习了，虽然不找算法岗的工作，但是还是准备在2019年的最后一个半月认真整理一下自己学习的机器学习和深度学习的知识。 scatter的用法 scatter中文翻译为散射，首先看一个例子来直观感受一下这个API的功能，使用pytorch官网提供的例子。 import torch import torch.nn as nn x = torch.rand(2,5) x tensor([[0.2656, 0.5364, 0.8568, 0.5845, 0.2289], [0.0010, 0.8101, 0.5491, 0.6514, 0.7295]]) y = torch.zeros(3,5) index = torch.tensor([[0,1,2,0,0],[2,0,0,1,2]]) index tensor([[0, 1, 2, 0, 0], [2, 0, 0, 1, 2]]) y.scatter_(dim=0,index=index,src=x) y tensor([[0.2656, 0.8101, 0.5491, 0.5845, 0.2289], [0.0000, 0.5364, 0.0000, 0.6514, 0.0000], [0

订阅 Apache Axis