weixin_43038304-CSDN博客

原创激活Anaconda

激活Anaconda激活Anaconda1.出现问题:Warning: This Python interpreter is in a conda environment, but the environment has not been activated. Libraries may fail to load. To activate this environment please see https://conda.io/activation2.解决问题步骤一：问题出现后，键入conda

2021-01-21 10:44:47 645

原创 2020.11.19绘制模型架构图

主要解决"dot.exe" not found in path的问题参考解决’dot.exe’ not…问题解答步骤：1.下载graphviz-2.38.msi我在graphviz-2.38.msi下载网址下的2.安装（复制保存好安装路径，后边环境配置会用）3.环境变量配置（参考上面解答）4.重启Pycharm，尝试成功！from keras.utils import plot_modelplot_model(model=model, to_file='./Structure_pics/

2020-11-19 11:12:30 145 2

原创 2020/11/06训练CAE显示振动图像原图 & 编码特征图 & 重构图

训练振动图像数据集:trainsetGtestsetG5*69=3455*20=100展示：代码展示："""Caroline 2020.08.04 使用Keras建立自编码器2020.11.06#首先，准备数据并将其归一化和向量化#然后，建立一个全连接的编码器和解码器#用卷积层搭建自编码器：当输入是图像时，使用卷积;卷积自编码器的编码器部分由卷积层和池化层构成，Maxpooling负责空域下采样，# 解码器由卷积层和上采样层构成#效果：训练CAE显示

2020-11-06 19:48:39 327

原创 Csnet训练灰度colormap图记录

1.文件所在位置Colormap图像集:train_dataGtest_dataG每类300张每类150张代码：# 2020/10/17 Caroline#Csnet训练colormap灰度图# 1 导入模块from __future__ import print_functionimport numpy as npfrom scipy import miscimport imageioimport scipyimport matplotlib.p

2020-10-17 21:13:50 289

原创 2020/10/17正确读取输入图片形状

说明：想获取输入到网络模型的图片数据形状步骤：①将png图像转换为jpg格式，4通道变为3通道（RGBA→RGB）；②将jpg格式图像灰度化，3通道变为单通道；③读取图像代码如下：###Convert_jpg_ok.pyimport tkinter.filedialog as filedialogimport osfrom PIL import ImagefolderPath = filedialog.askdirectory(title = "./trainset1/")#能改完png

2020-10-17 11:35:36 228 2

原创 matshow 函数

@TOC1 简介2用法3示例1 简介这是一个可绘制矩阵的函数。2 用法matplotlib.pyplot.matshow(A, fignum=None, **kwargs)其中，A——矩阵一个矩阵元素对应一个图像像素3 示例plt.matshow(Mat, cmap=plt.cm.gray)，cmap——一种颜色映射方式"""import pandas as pddf = pd.read_csv('.\\1_zc.csv') # df=[ ]df1 = list(df)r

2020-05-29 10:15:39 5528 1

原创探究卷积降噪自编码器

论文地址基本思想卷积自编码器是在自动编码器基础上加入卷积操作，将编码解码过程变为池化、卷积和反池化、反卷积操作。卷积降噪自编码器降噪自编码器Dropout（避免过拟合）训练卷积核,优化后的模型能自动对输入数据进行降噪处理因此产生更好的具有代表性的特征，为后续分类任务做准备。降噪自编码器将向量x属于R^d作为输入，按一定比例（lamda）损坏向量中的元素,随机映射：![y^~代表覆盖向量与隐层矩阵的内积]，为dropped 隐层特征向量](https://img-blog.csdnimg.c

2020-05-27 09:38:15 1180

原创 PCA实现高维数据可视化

1 简介PCA（Principal Component Analysis）即主成分分析是最常见的降维方法，它是一种统计方法。用于高维数据集的探索与可视化，还可用于数据的压缩和预处理。可通过正交变换把具有相关性的高维变量转换为线性无关的低维变量，这组低维变量称为主成分，它能保留原始数据的信息。2 PCA算法过程1）输入：样本集D={x1,x2,…,xn};低维空间数d’2）过程：①对所有...

2020-04-09 15:23:36 4219 1

weixin_43038304的博客