Python 第三方模块之 numpy.random

本文概述

随机数是NumPy库中存在的模块。该模块包含用于生成随机数的功能。该模块包含一些简单的随机数据生成方法, 一些排列和分布函数以及随机生成器函数。

简单随机数据

简单随机数据具有以下功能:

1)p.random.rand(d0, d1, …, dn)

随机模块的此功能用于生成给定形状的随机数或随机数。

import numpy as np
a=np.random.rand(5, 2)
a
# array([[0.74710182, 0.13306399], [0.01463718, 0.47618842], [0.98980426, 0.48390004], [0.58661785, 0.62895758], [0.38432729, 0.90384119]])

2)np.random.randn(d0, d1, …, dn)

随机模块的此功能从”标准正态”分布返回样本。

import numpy as np
a=np.random.randn(2, 2)
a
# array([[ 1.43327469, -0.02019121], [ 1.54626422, 1.05831067]])
b=np.random.randn()
b
# -0.3080190768904835

3)np.random.randint(low [, high, size, dtype])

random模块的此功能用于生成从inclusive(低)到exclusive(高)的随机整数。

import numpy as np
a=np.random.randint(3, size=10)
a
# array([1, 1, 1, 2, 0, 0, 0, 0, 0, 0])

4)np.random.random_integers(low [, high, size])

随机模块的此功能用于生成介于低和高之间的np.int类型的随机整数。

import numpy as np
a=np.random.random_integers(3)
a  # 2
b=type(np.random.random_integers(3))
b  # <type 'numpy.int32'>
c=np.random.random_integers(5, size=(3, 2))
c  # array([[1, 1], [2, 5], [1, 3]])

5)np.random.random_sample([size])

随机模块的此功能用于在半开间隔[0.0, 1.0)中生成随机浮点数。

import numpy as np
a=np.random.random_sample()
a  # 0.09250360565571492
b=type(np.random.random_sample())
b  # <type 'float'>
c=np.random.random_sample((5, ))
c  # array([0.34665418, 0.47027209, 0.75944969, 0.37991244, 0.14159746])

6)np.random.random([size])

随机模块的此功能用于在半开间隔[0.0, 1.0)中生成随机浮点数。与np.random.random_sample完全一样

import numpy as np
a=np.random.random()
a  # 0.008786953974334155
b=type(np.random.random())
b  # <type 'float'>
c=np.random.random((5, ))
c  # array([0.05530122, 0.59133394, 0.17258794, 0.6912388 , 0.33412534])

7)np.random.ranf([size])

随机模块的此功能用于在半开间隔[0.0, 1.0)中生成随机浮点数。与np.random.random_sample完全一样

8)np.random.sample([size])

随机模块的此功能用于在半开间隔[0.0, 1.0)中生成随机浮点数。与np.random.random_sample完全一样

9)np.random.choice(a [, size, replace, p])

生成一个随机样本,从给定的一维数组生成随机样本。

import numpy as np
a=np.random.choice(5, 3)
a  # array([0, 3, 4])b=np.random.choice(5, 3, p=[0.2, 0.1, 0.4, 0.2, 0.1])
b  # array([2, 2, 2], dtype=int64)aa_milne_arr = [‘pooh‘, ‘rabbit‘, ‘piglet‘, ‘Christopher‘]
c=np.random.choice(aa_milne_arr, 5, p=[0.5, 0.1, 0.1, 0.3])
c  # array([‘pooh‘, ‘pooh‘, ‘pooh‘, ‘Christopher‘, ‘piglet‘],dtype=‘|S11‘)

10)np.random.bytes(长度)

随机模块的此功能用于生成随机字节。

import numpy as np
a=np.random.bytes(7)
a  # 'nQ\x08\x83\xf9\xde\x8a'

随机数生成器

1)np.random.RandomStatee()

是一个伪随机数生成器, 此命令将会产生一个随机状态种子,在该状态下生成的随机序列(正态分布)一定会有相同的模式。

伪随机数是用确定性的算法计算出来的似来自[0,1]均匀分布的随机数序列。并不真正的随机,但具有类似于随机数的统计特征,如均匀性、独立性等。(来自百度)

但是,不同的随机种子状态将会有不同的数据生成模式。这一特点在随机数据生成的统计格式控制显得很重要。

因为是伪随机数,所以必须在rng这个变量下使用,如果不这样做,就得不到相同的随机数组。

rng = np.random.RandomState(0)
a = rng.rand(4)rng = np.random.RandomState(0)
b = rng.rand(4)print(a)
print(b)# 输出
[0.5488135  0.71518937 0.60276338 0.54488318]
[0.5488135  0.71518937 0.60276338 0.54488318]

2)np.random.seed([seed])

随机数种子,使得每次生成的随机数相同。

设置seed()里的数字就相当于设置了一个盛有随机数的“聚宝盆”,一个数字代表一个“聚宝盆”。

当在seed()的括号里设置相同的seed,“聚宝盆”就是一样的,当然每次拿出的随机数就会相同。

如果不设置seed,则每次会生成不同的随机数,但是有时候明明设置了seed()没有变,生成的随机数组还是不同。

np.random.seed(0)
a = np.random.rand(10)
b = np.random.rand(10)
print(a)
print(b)#输出结果
[0.5488135  0.71518937 0.60276338 0.54488318 0.4236548  0.645894110.43758721 0.891773   0.96366276 0.38344152]
[0.79172504 0.52889492 0.56804456 0.92559664 0.07103606 0.08712930.0202184  0.83261985 0.77815675 0.87001215]np.random.seed(0)
a = np.random.rand(4,3)np.random.seed(0)
b =  np.random.rand(4,3)print(a)
print(b)#输出
[[0.5488135  0.71518937 0.60276338][0.54488318 0.4236548  0.64589411][0.43758721 0.891773   0.96366276][0.38344152 0.79172504 0.52889492]][[0.5488135  0.71518937 0.60276338][0.54488318 0.4236548  0.64589411][0.43758721 0.891773   0.96366276][0.38344152 0.79172504 0.52889492]]

3)np.random.get_state()

保存状态,记录下数组被打乱的操作(数组如何被打乱的)

4)np.random.set_state(state)

接收get_state()返回的值,按照get_state()打乱的方式对新数组进行同样的操作

import numpy as np
train_data = [1, 2, 3, 4, 5, 6]
train_label = ['a', 'b', 'c', 'd', 'e', 'f']
cur_state = np.random.get_state()
np.random.shuffle(train_data)
print(train_data) 
np.random.set_state(cur_state)
np.random.shuffle(train_label)
print(train_label)# [3, 4, 6, 5, 1, 2]
# ['c', 'd', 'f', 'e', 'a', 'b']

排列

1)np.random.shuffle()

此功能用于通过改组其内容就地修改序列。

import numpy as np
a=np.arange(12)
a  # array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11])
np.random.shuffle(a)
a  # array([10, 3, 2, 4, 5, 8, 0, 9, 1, 11, 7, 6])

2)np.random.permutation()

此函数随机置换序列或返回置换范围。

import numpy as np
np.random.permutation(12)
# array([ 8, 7, 3, 11, 6, 0, 9, 10, 2, 5, 4, 1])np.random.permutation([1, 4, 9, 12, 15])
# array([15,  1,  9,  4, 12])arr = np.arange(9).reshape((3, 3))
np.random.permutation(arr)
# array([[6, 7, 8],[0, 1, 2],[3, 4, 5]])

发行版

有以下排列功能:

1)beta(a, b [, size])

此功能用于从Beta分布中抽取样本。

例:

def setup(self):self.dist = dist.betaself.cargs = []self.ckwd = dict(alpha=2, beta=3)self.np_rand_fxn = numpy.random.betaself.np_args = [2, 3]self.np_kwds = dict()

2)binomial(n, p [, size])

此函数用于从二项分布中抽取样本。

例:

import numpy as np
n, p = 10, .6
s1= np.random.binomial(n, p, 10)
s1

输出

array([6, 7, 7, 9, 3, 7, 8, 6, 6, 4])

3)chisquare(df [, size])

此函数用于从二项分布中抽取样本。

例:

import numpy as np
np.random.chisquare(2, 4)
sum(np.random.binomial(9, 0.1, 20000) == 0)/20000.

输出

array([6, 7, 7, 9, 3, 7, 8, 6, 6, 4])

4)dirichlet(alpha [, size])

此函数用于从Dirichlet分布中抽取样本。

例:

Import numpy as np
import matplotlib.pyplot as plt
s1 = np.random.dirichlet((10, 5, 3), 20).transpose()
plt.barh(range(20), s1[0])
plt.barh(range(20), s1[1], left=s1[0], color='g')
plt.barh(range(20), s1[2], left=s1[0]+s1[1], color='r')
plt.title("Lengths of Strings")
plt.show()

输出

5)exponential([scale, size])

此函数用于从指数分布中提取样本。

例:

def __init__(self, sourceid, targetid):self.__type = 'Transaction'self.id = uuid4()self.source = sourceidself.target = targetidself.date = self._datetime.date(start=2015, end=2019)self.time = self._datetime.time()if random() < 0.05:self.amount = self._numbers.between(100000, 1000000)self.amount = npr.exponential(10)if random() < 0.15:self.currency = self._business.currency_iso_code()else:self.currency = None

6)f(dfnum, dfden [, size])

此函数用于从F分布中抽取样本。

例:

import numpy as np
dfno= 1.
dfden = 48.
s1 = np.random.f(dfno, dfden, 10)
np.sort(s1)

输出

array([0.00264041, 0.04725478, 0.07140803, 0.19526217, 0.23979   , 0.24023478, 0.63141254, 0.95316446, 1.40281789, 1.68327507])

7)gamma(shape [, scale, size])

此函数用于从Gamma分布中提取样本

例:

import numpy as np
shape, scale = 2., 2.
s1 = np.random.gamma(shape, scale, 1000)
import matplotlib.pyplot as plt
import scipy.special as spss
count, bins, ignored = plt.hist(s1, 50, density=True)
a = bins**(shape-1)*(np.exp(-bins/scale) /
(spss.gamma(shape)*scale**shape))
plt.plot(bins, a, linewidth=2, color='r')
plt.show()

8)geometric(p [, size])

此功能用于从几何分布中提取样本。

例:

import numpy as np
a = np.random.geometric(p=0.35, size=10000)
(a == 1).sum() / 1000

输出

3.

9)gumbel([位置, 比例, 大小])

此功能用于从Gumble分布中提取样本。

例:

import numpy as np
lov, scale = 0, 0.2
s1 = np.random.gumbel(loc, scale, 1000)
import matplotlib.pyplot as plt
count, bins, ignored = plt.hist(s1, 30, density=True)
plt.plot(bins, (1/beta)*np.exp(-(bins - loc)/beta)* np.exp( -np.exp( -(bins - loc) /beta) ), linewidth=2, color='r')
plt.show()

输出

10)hypergeometric(ngood, nbad, nsample [, size])

此功能用于从超几何分布中提取样本。

例:

import numpy as np
good, bad, samp = 100, 2, 10
s1 = np.random.hypergeometric(good, bad, samp, 1000)
plt.hist(s1)
plt.show()

输出

(array([ 13., 0., 0., 0., 0., 163., 0., 0., 0., 824.]), array([ 8. , 8.2, 8.4, 8.6, 8.8, 9. , 9.2, 9.4, 9.6, 9.8, 10. ]), <a list of 10 Patch objects>)

11)laplace([位置, 比例, 大小])

此功能用于从Laplace或具有指定位置和比例的双指数分布中抽取样本。

例:

import numpy as np
location, scale = 0., 2.
s = np.random.laplace(location, scale, 10)
s

输出

array([-2.77127948, -1.46401453, -0.03723516, -1.61223942, 2.29590691, 1.74297722, 1.49438411, 0.30325513, -0.15948891, -4.99669747])

12)logistic([位置, 比例, 大小])

此功能用于从逻辑分布中抽取样本。

例:

import numpy as np
import matplotlib.pyplot as plt
location, scale = 10, 1
s1 = np.random.logistic(location, scale, 10000)
count, bins, ignored = plt.hist(s1, bins=50)
count
bins
ignored
plt.show()

输出

array([1.000e+00, 1.000e+00, 1.000e+00, 0.000e+00, 1.000e+00, 1.000e+00, 1.000e+00, 5.000e+00, 7.000e+00, 1.100e+01, 1.800e+01, 3.500e+01, 5.300e+01, 6.700e+01, 1.150e+02, 1.780e+02, 2.300e+02, 3.680e+02, 4.910e+02, 6.400e+02, 8.250e+02, 9.100e+02, 9.750e+02, 1.039e+03, 9.280e+02, 8.040e+02, 6.530e+02, 5.240e+02, 3.380e+02, 2.470e+02, 1.650e+02, 1.150e+02, 8.500e+01, 6.400e+01, 3.300e+01, 1.600e+01, 2.400e+01, 1.400e+01, 4.000e+00, 5.000e+00, 2.000e+00, 2.000e+00, 1.000e+00, 1.000e+00, 0.000e+00, 1.000e+00, 0.000e+00, 0.000e+00, 0.000e+00, 1.000e+00])
array([ 0.50643911, 0.91891814, 1.33139717, 1.7438762 , 2.15635523, 2.56883427, 2.9813133 , 3.39379233, 3.80627136, 4.2187504 , 4.63122943, 5.04370846, 5.45618749, 5.86866652, 6.28114556, 6.69362459, 7.10610362, 7.51858265, 7.93106169, 8.34354072, 8.75601975, 9.16849878, 9.58097781, 9.99345685, 10.40593588, 10.81841491, 11.23089394, 11.64337298, 12.05585201, 12.46833104, 12.88081007, 13.2932891 , 13.70576814, 14.11824717, 14.5307262 , 14.94320523, 15.35568427, 15.7681633 , 16.18064233, 16.59312136, 17.00560039, 17.41807943, 17.83055846, 18.24303749, 18.65551652, 19.06799556, 19.48047459, 19.89295362, 20.30543265, 20.71791168, 21.13039072])
<a list of 50 Patch objects>

13)lognormal([均值, sigma, 大小])

此函数用于从对数正态分布中抽取样本。

例:

import numpy as np
mu, sigma = 2., 1.
s1 = np.random.lognormal(mu, sigma, 1000)
import matplotlib.pyplot as plt
count, bins, ignored = plt.hist(s1, 100, density=True, align='mid')
a = np.linspace(min(bins), max(bins), 10000)
pdf = (np.exp(-(np.log(a) - mu)**2 / (2 * sigma**2))/ (a * sigma * np.sqrt(2 * np.pi)))
plt.plot(a, pdf, linewidth=2, color='r')
plt.axis('tight')
plt.show()

输出

14)logseries(p [, size])

此函数用于从对数分布中提取样本。

例:

import numpy as np
x = .6
s1 = np.random.logseries(x, 10000)
count, bins, ignored = plt.hist(s1)
def logseries(k, p):
return -p**k/(k*log(1-p))
plt.plot(bins, logseries(bins, x)*count.max()/logseries(bins, a).max(), 'r')
plt.show()

输出

15)multinomial(n, pvals [, size])

此函数用于从多项分布中提取样本。

例:

import numpy as np
np.random.multinomial(20, [1/6.]*6, size=1)

输出

array([[4, 2, 5, 5, 3, 1]])

16)multivariate_normal(平均值, cov [, 大小, …)

此函数用于从多元正态分布中提取样本。

例:

import numpy as np
mean = (1, 2)
coveriance = [[1, 0], [0, 100]] 
import matplotlib.pyplot as plt
a, b = np.random.multivariate_normal(mean, coveriance, 5000).T
plt.plot(a, b, 'x')
plt.axis('equal'023
030
)
plt.show()

输出

17)negative_binomial(n, p [, size])

此函数用于从负二项分布中抽取样本。

例:

import numpy as np
s1 = np.random.negative_binomial(1, 0.1, 100000)
for i in range(1, 11):
probability = sum(s1<i) / 100000.
print i, "wells drilled, probability of one success =", probability

输出

1 wells drilled, probability of one success = 0
2 wells drilled, probability of one success = 0
3 wells drilled, probability of one success = 0
4 wells drilled, probability of one success = 0
5 wells drilled, probability of one success = 0
6 wells drilled, probability of one success = 0
7 wells drilled, probability of one success = 0
8 wells drilled, probability of one success = 0
9 wells drilled, probability of one success = 0
10 wells drilled, probability of one success = 0

18)noncentral_chisquare(df, nonc [, size])

此函数用于从非中心卡方分布中抽取样本。

例:

import numpy as np
import matplotlib.pyplot as plt
val = plt.hist(np.random.noncentral_chisquare(3, 25, 100000), bins=200, normed=True)
plt.show()

输出

19)normal([位置, 比例, 大小])

此功能用于从正态分布中提取样本。

例:

import numpy as np
import matplotlib.pyplot as plt
mu, sigma = 0, 0.2 # mean and standard deviation
s1 = np.random.normal(mu, sigma, 1000)
abs(mu - np.mean(s1)) < 0.01
abs(sigma - np.std(s1, ddof=1)) < 0.01
count, bins, ignored = plt.hist(s1, 30, density=True)
plt.plot(bins, 1/(sigma * np.sqrt(2 * np.pi)) *np.exp( - (bins - mu)**2 / (2 * sigma**2) ), linewidth=2, color='r')
plt.show()

输出

20)pareto(a [, size])

此功能用于从Lomax或Pareto II中提取具有指定形状的样本。

例:

import numpy as np
import matplotlib.pyplot as plt
b, m1 = 3., 2.  # shape and mode
s1 = (np.random.pareto(b, 1000) + 1) * m1
count, bins, _ = plt.hist(s1, 100, density=True)
fit = b*m**b / bins**(b+1)
plt.plot(bins, max(count)*fit/max(fit), linewidth=2, color='r')
plt.show()

输出

21)power(a [, size])

此函数用于从指数为a-1的幂分布中提取[0, 1]中的样本。

例:

import numpy as np
x = 5. # shape
samples = 1000
s1 = np.random.power(x, samples)
import matplotlib.pyplot as plt
count, bins, ignored = plt.hist(s1, bins=30)
a = np.linspace(0, 1, 100)
b = x*a**(x-1.)
density_b = samples*np.diff(bins)[0]*b
plt.plot(a, density_b)
plt.show()

输出

22)rayleigh([scale, size])

此函数用于从瑞利分布中提取样本。

例:

val = hist(np.random.rayleigh(3, 100000), bins=200, density=True)
meanval = 1
modeval = np.sqrt(2 / np.pi) * meanval
s1 = np.random.rayleigh(modeval, 1000000)
100.*sum(s1>3)/1000000.

输出

0.087300000000000003

23)standard_cauchy([size])

此功能用于从模式= 0的标准柯西分布中提取样本。

例:

import numpy as np
import matplotlib.pyplot as plt
s1 = np.random.standard_cauchy(1000000)
s1 = s1[(s1>-25) & (s1<25)]  # truncate distribution so it plots well
plt.hist(s1, bins=100)
plt.show()

输出

24)standard_exponential([size])

此函数用于从标准指数分布中抽取样本。

例:

import numpy as np
n = np.random.standard_exponential((2, 7000))

输出

array([[0.53857931, 0.181262  , 0.20478701, ..., 3.66232881, 1.83882709, 1.77963295], [0.65163973, 1.40001955, 0.7525986 , ..., 0.76516523, 0.8400617 , 0.88551011]])

25)standard_gamma([size])

此功能用于从标准Gamma分布中提取样本。

例:

import numpy as np
shape, scale = 2., 1.
s1 = np.random.standard_gamma(shape, 1000000)
import matplotlib.pyplot as plt
import scipy.special as sps
count1, bins1, ignored1 = plt.hist(s, 50, density=True)
y = bins1**(shape-1) * ((np.exp(-bins1/scale))/ (sps.gamma(shape) * scale**shape))
plt.plot(bins1, y, linewidth=2, color='r')
plt.show()

输出

26)standard_normal([size])

此功能用于从标准正态分布中提取样本。

例:

import numpy as np
import matplotlib.pyplot as plt
s1= np.random.standard_normal(8000)
s1
q = np.random.standard_normal(size=(3, 4, 2))
q

输出

array([-3.14907597, 0.95366265, -1.20100026, ..., 3.47180222, 0.9608679 , 0.0774319 ])
array([[[ 1.55635461, -1.29541713], [-1.50534663, -0.02829194], [ 1.03949348, -0.26128132], [ 1.51921798, 0.82136178]], [[-0.4011052 , -0.52458858], [-1.31803814, 0.37415379], [-0.67077365, 0.97447018], [-0.20212115, 0.67840888]], [[ 1.86183474, 0.19946562], [-0.07376021, 0.84599701], [-0.84341386, 0.32081667], [-3.32016062, -1.19029818]]])

27)standard_t(df [, size])

此功能用于从标准学生分布中以df自由度抽取样本。

例:

intake = np.array([5260., 5470, 5640, 6180, 6390, 6515, 6805, 7515, 8230, 8770])
s1 = np.random.standard_t(10, size=100000)
np.mean(intake)
intake.std(ddof=1)
t = (np.mean(intake)-7725)/(intake.std(ddof=1)/np.sqrt(len(intake)))
h = plt.hist(s1, bins=100, density=True)
np.sum(s1<t) / float(len(s1))
plt.show()

输出

6677.5
1174.1101831694598
0.00864

28)三角形(左, 模式, 右[, 大小])

此函数用于从间隔内的三角形分布中抽取样本。

例:

import numpy as np
import matplotlib.pyplot as plt
h = plt.hist(np.random.triangular(-4, 0, 8, 1000000), bins=300, density=True)
plt.show()

输出

29)统一([低, 高, 大小])

此功能用于从均匀分布中抽取样本。

例:

import numpy as np
import matplotlib.pyplot as plt
s1 = np.random.uniform(-1, 0, 1000)
np.all(s1 >= -1)
np.all(s1 < 0)
count, bins, ignored = plt.hist(s1, 15, density=True)
plt.plot(bins, np.ones_like(bins), linewidth=2, color='r')
plt.show()

输出

30)vonmises(m1, m2 [, size])

此函数用于从von Mises分布中抽取样本。

例:

import numpy as np
import matplotlib.pyplot as plt
m1, m2 = 0.0, 4.0
s1 = np.random.vonmises(m1, m2, 1000)
from scipy.special import i0
plt.hist(s1, 50, density=True)
x = np.linspace(-np.pi, np.pi, num=51)
y = np.exp(m2*np.cos(x-m1))/(2*np.pi*i0(m2))
plt.plot(x, y, linewidth=2, color='r')
plt.show()

输出

31)wald(平均值, 比例尺[, 大小])

此函数用于从Wald或高斯逆分布中抽取样本。

例:

import numpy as np
import matplotlib.pyplot as plt
h = plt.hist(np.random.wald(3, 3, 100000), bins=250, density=True)
plt.show()

输出

32)weibull(a [, size])

此函数用于从Weibull分布中抽取样本。

例:

import numpy as np
import matplotlib.pyplot as plt
from scipy import special
x=2.0
s=np.random.weibull(x, 1000)
a = np.arange(1, 100.)/50.
def weib(x, n, a):
return (a/n)*(x/n)**np.exp(-(x/n)**a)
count, bins, ignored = plt.hist(np.random.weibull(5., 1000))
a= np.arange(1, 100.)/50.
scale = count.max()/weib(x, 1., 5.).max()
scale = count.max()/weib(a, 1., 5.).max()
plt.plot(x, weib(x, 1., 5.)*scale)
plt.show()

33)zipf(a [, size])

此函数用于从Zipf分布中抽取样本。

例:

import numpy as np
import matplotlib.pyplot as plt
from scipy import special
x=2.0
s=np.random.zipf(x, 1000)
count, bins, ignored = plt.hist(s[s<50], 50, density=True)
a = np.arange(1., 50.)
b= a**(-x) / special.zetac(x)
plt.plot(a, b/max(b), linewidth=2, color='r')
plt.show()

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/453811.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

xvid 详解 代码分析 编译等

1. Xvid参数详解 众所周知&#xff0c;Mencoder以其极高的压缩速率和不错的画质赢得了很多朋友的认同&#xff01; 原来用Mencoder压缩Xvid的AVI都是使用Xvid编码器的默认设置&#xff0c;现在我来给大家冲冲电&#xff0c;讲解一下怎样使用Mencoder命令行高级参数制作Xvid编…

s4800扫描电镜的CSS3_Hitachi S-4800型场发射扫描电子显微镜+能谱

一、主要部件&#xff1a;S-4800主机(包括真空系统、电子光学系统、检测器)、X射线能谱仪&#xff0c;E-1030喷金喷碳装置等。二、主要性能指标&#xff1a;二次电子分辨率&#xff1a;1.0 nm(15 kV)&#xff1b;2.0 nm(1 kV)&#xff1b;背散射电子分辨率&#xff1a;3.0 nm (…

很多人喜欢露脚踝你觉得时尚吗?

当然是 时尚时尚最时尚的 露&#xff01;****脚&#xff01;脖&#xff01;子&#xff01;image.png人生就是这么奇怪 美容整形可以让你拥有想要的五官 做个手术健个身能让你拥有梦寐的线条 唯独身高这事很难改变&#xff08;说多了都是泪&#xff09; 氮素呢 再难也难不倒众位…

深度学习之生成式对抗网络 GAN(Generative Adversarial Networks)

一、GAN介绍 生成式对抗网络GAN&#xff08;Generative Adversarial Networks&#xff09;是一种深度学习模型&#xff0c;是近年来复杂分布上无监督学习最具前景的方法之一。它源于2014年发表的论文&#xff1a;《Generative Adversarial Nets》&#xff0c;论文地址&#xf…

android object数组赋值_Java对象数组定义与用法详解

本文实例讲述了Java对象数组定义与用法。分享给大家供大家参考&#xff0c;具体如下&#xff1a;所谓的对象数组&#xff0c;就是指包含了一组相关的对象&#xff0c;但是在对象数组的使用中一定要清楚一点&#xff1a;数组一定要先开辟空间&#xff0c;但是因为其是引用数据类…

Fiddler抓取https证书问题

正常的使用方法 Fiddler 抓包工具总结 大部分问题的解决方案 fiddler4在win7抓取https的配置整理 像我脸一样黑的解决方案 Fiddler https 证书问题 可能的解释&#xff1a; Fiddler自带两个cert engine&#xff0c;一个是makecert&#xff0c;一个是CertEnroll&#xff0c;可…

深度学习之目标检测:R-CNN、Fast R-CNN、Faster R-CNN

object detection 就是在给定的图片中精确找到物体所在位置&#xff0c;并标注出物体的类别。object detection 要解决的问题就是物体在哪里&#xff0c;是什么这整个流程的问题。然而&#xff0c;这个问题不是容易解决的&#xff0c;物体的尺寸变化范围很大&#xff0c;摆放物…

九江机器人餐厅_机器人精通200道佳肴 九江学院来了多位机器厨神

九江学院来了多位“机器厨神”●炒菜机一次能炒近10公斤菜&#xff0c;三四分钟就能出锅&#xff0c;味道也不错●煮饭机从淘米到煮熟全部自动机械化操作&#xff0c;效率提高了不少电脑开启&#xff0c;设定好程序&#xff0c;机器就可以自动运转&#xff0c;快速炒出美味可口…

深度学习之边框回归(Bounding Box Regression)

从rcnn&#xff0c; fast rcnn, faster rcnn, yolo, r-fcn, ssd&#xff0c;到cvpr的yolo9000。这些paper中损失函数都包含了边框回归&#xff0c;除了rcnn详细介绍了&#xff0c;其他的paper都是一笔带过&#xff0c;或者直接引用rcnn就把损失函数写出来了。前三条网上解释比较…

2018 年,React 将独占web前端框架鳌头?

相比 Angular 和 Vue&#xff0c; React 是 2017 年的主要 JS 框架&#xff0c;尤其是 React Native 以前所未有的速度提升自己。 Stateofjs 2017前端框架调查结果 相比较 2016 年的调查结果 所以 &#xff0c;1 年过去了&#xff0c;Vue.js 显然在前端框架中占据了领导地位&am…

ffmpeg的编译(for x86,for arm)安装及使用(网络资料整理)

ffmpeg编译及使用 1 ffmpeg介绍 ffmpeg是音视频的分离&#xff0c;转换&#xff0c;编码解码及流媒体的完全解决方案&#xff0c;其中最重要的就是libavcodec库。它被mplayer或者xine使用作为解码器。还有&#xff0c;国内比较流行的播放器影音风暴或MyMPC的后端ffdshow也是使…

python中other_Python other

最新项目django tinymcewrapper允许您轻松地将tinymce小部件添加到其他应用程序管理表单中&#xff0c;而无需修改其他应用程序。此包Python名称&#xff1a;djang ...2020-12-24已阅读: n次##这是什么&#xff1f;愚蠢的服务器可以帮助您模拟一些尚未实现的http服务&#xff0…

python 第三方模块之 pandas 操作 excel

python 解析 excel 对比 包版本xls读xlsx读xls写xlsx写备注xlrd1.1.0&#xff08;2017年8月22日&#xff09;√√2.0 之后不支持xlsxxlwt1.3.0&#xff08;2017年8月22日&#xff09;√openpyxl2.6.2&#xff08;2019年3月29日&#xff09;√√XlsxWriter1.2.1&#xff08;201…

JMeter响应断言详解

响应断言 &#xff1a;对服务器的响应进行断言校验 &#xff08;1&#xff09;应用范围: main sample and sub sample&#xff0c; main sample only &#xff0c; sub-sample only &#xff0c; jmeter variable    关于应用范围&#xff0c;我们大多数勾选“main sample on…

YUV / RGB 格式及快速转换

YUV是指亮度参量和色度参量分开表示的像素格式&#xff0c;而这样分开的好处就是不但可以避免相互干扰&#xff0c;还可以降低色度的采样率而不会对图像质量影响太大。 YUV是一个比较笼统地说法&#xff0c;针对它的具体排列方式&#xff0c;可以分为很多种具体的格式。转载一篇…

交换机分布缓存_交换机网络嗅探方法 如何欺骗交换机缓存

嗅探(sniff)&#xff0c;就是窃听网络上流经的数据包&#xff0c;而数据包里面一般会包含很多重要的私隐信息&#xff0c;如&#xff1a;你正在访问什么网站&#xff0c;你的邮箱密码是多少&#xff0c;你在和哪个MM聊QQ等等......而很多攻击方式(如著名的会话劫持)都是建立在嗅…

深度学习之 SSD(Single Shot MultiBox Detector)

目标检测近年来已经取得了很重要的进展&#xff0c;主流的算法主要分为两个类型&#xff1a; &#xff08;1&#xff09;two-stage方法&#xff0c;如R-CNN系算法&#xff0c;其主要思路是先通过启发式方法&#xff08;selective search&#xff09;或者CNN网络&#xff08;RP…

短时程突触可塑性(short-term synaptic plasticity)

介绍神经元的突触可塑性一般被认为是大脑学习与记忆的分子生物学机制&#xff0c;它是指突触传递效率增强或减弱的变化现象。若这种变化只持续数十毫秒到几分&#xff0c;便称之为短时程突触可塑性&#xff0c;其中效率增强与减弱分别叫做短时程增强&#xff08;short-term enh…

windows平台下vlc编译

转自:http://jeremiah.blog.51cto.com/539865/114190Jeremiah刚刚工作几个月&#xff0c;参与的第一个项目是与视频监控有关&#xff0c;分配给我的任务就是用开源的vlc做一个自己的播放器。对于开源项目来说&#xff0c;搭建起编译环境是第一步也是最重要的一步。Jeremiah在历…

python xgboost安装_win7 64 python2 xgboost安装

综述&#xff1a;安装Python3 环境下的xgboost 可以通过pip install &#xff0c; 在网址中下载对应版本&#xff1a; http://www.lfd.uci.edu/~gohlke/pythonlibs/#xgboost 来进行安装。但Python2在该网址下并没有相应的包&#xff0c;所以要下载xgboost源代码 然后编译。很麻…