【Python】编程练习的解密与实战（四）

​🌈个人主页：Sarapines Programmer
🔥 系列专栏：《Python | 编程解码》
⏰诗赋清音：云生高巅梦远游， 星光点缀碧海愁。 山川深邃情难晤， 剑气凌云志自修。

目录

🪐1. 初识Python

🪐2. 实验报告四

🌍实验目的

🌍实验要求

🌍实验代码

🌍实验结果

🌍实验体会

📝总结

🪐1. 初识Python

Python是一种高级、通用、解释型的编程语言，具有简洁而清晰的语法，被广泛应用于软件开发、数据科学、人工智能等领域。以下是Python技术的一些主要特点和应用领域：

  1. 易学易用： Python的语法设计简单，容易学习和理解。这使得它成为初学者和专业开发人员的首选语言之一。

  2. 开源： Python是开源的，任何人都可以查看、修改和分发其源代码。这为开发者提供了自由和灵活性。

  3. 跨平台： Python可在多个操作系统上运行，包括Windows、Linux和macOS，使其成为跨平台开发的理想选择。

  4. 强大的社区支持： Python拥有庞大的全球开发者社区，用户可以获得丰富的文档、库和工具，方便解决各类问题。

  5. 广泛应用领域： Python在多个领域都有应用，包括Web开发、数据科学、机器学习、人工智能、自动化测试、网络编程等。

  6. 丰富的第三方库： Python拥有丰富的第三方库和框架，如NumPy、Pandas、Django、Flask等，提供了强大的工具来简化开发流程。

  7. 动态类型： Python是一种动态类型语言，允许开发者更加灵活地进行变量和对象的操作。

  8. 面向对象编程： Python支持面向对象编程，使得代码结构更加模块化、可维护性更强。

总体而言，Python是一门功能强大、灵活易用的编程语言，适用于各种规模和类型的项目，从小型脚本到大型应用，都能够得心应手。

🪐2. 实验报告四

🌍实验目的

  • 掌握Jupyter Notebook编程工具的基本用法：

    • 学习并掌握Jupyter Notebook的基本用法，包括代码编写、执行和Markdown文档的编辑等。

  • 理解并熟悉Python的Seaborn和Matplotlib画图：

    • 了解Seaborn和Matplotlib这两个Python库在数据可视化方面的作用。
    • 熟悉它们的画图函数和参数，能够使用它们创建各种图表。

  • 使用图像的RGB色彩模式并实现图像的数组表示与图像变换：

    • 理解图像的RGB色彩模式，了解每个像素由红、绿、蓝三个通道组成。
    • 学习如何将图像表示为数组，掌握图像数组的基本概念。
    • 实现图像的变换，例如通过调整色彩、大小或应用滤镜等方式对图像进行修改。

🌍实验要求

  • 操作书上第九章内容：阅读并实践书籍中的第九章内容，深入了解相关知识和技能。

  • 请画出如图2.png所示的图形：进行图形绘制工作，按照图2.png的示例绘制相应的图形。

  • 通过编码获得fcity.jpg的手绘图像（如beijing.jpg所示）：利用编码技术，对fcity.jpg进行处理，生成类似beijing.jpg的手绘效果图像。这可能涉及图像处理算法和相关库的使用。

🌍实验代码

1. 操作书上第九章内容

## 1.操作书上第九章内容 
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd## 直线图
data=np.arange(10)
plt.plot(data)## 创建画布
fig=plt.figure()
axs=plt.subplots(2,3)
axs## 折线图
plt.figure()
plt.plot([1,2,3,4,5,6,7],[10,15,13,16,18,20,10])
plt.show()## 散点图
# 0.准备数据
x = [225.98, 247.07, 253.14, 457.85, 241.58, 301.01,  20.67, 288.64,163.56, 120.06, 207.83, 342.75, 147.9 ,  53.06, 224.72,  29.51,21.61, 483.21, 245.25, 399.25, 343.35]
y = [196.63, 203.88, 210.75, 372.74, 202.41, 247.61,  24.9 , 239.34,140.32, 104.15, 176.84, 288.23, 128.79,  49.64, 191.74,  33.1 ,30.74, 400.02, 205.35, 330.64, 283.45]
# 1.创建画布
plt.figure(figsize=(20, 8), dpi=100)
# 2.绘制图像
plt.scatter(x, y)
# 3.图像显示
plt.show()## 柱状图
movie_name = ['雷神3：诸神黄昏','正义联盟','东方快车谋杀案','寻梦环游记','全球风暴','降魔传','追捕','七十七天','密战','狂兽','其它']
# 横坐标
x = range(len(movie_name))
# 票房数据
y = [73853,57767,22354,15969,14839,8725,8716,8318,7916,6764,52222]
# 1.创建画布
plt.figure(figsize=(20, 8), dpi=100)
# 2.绘制图像
plt.bar(x, y, color=['b','r','g','y','c','m','y','k','c','g','b'], width=0.7)
# 2.1 修改x轴显示
plt.xticks(x, movie_name)
# 2.2 添加网格
plt.grid(linestyle="--", alpha=0.8)
# 2.3 添加标题
plt.title("电影票房收入对比")
# 3.图像显示
plt.show()## 绘制基本图像
import random
from pylab import mpl
# 设置显示中文字体
mpl.rcParams["font.sans-serif"] = ["SimHei"]
# 设置正常显示符号
mpl.rcParams["axes.unicode_minus"] = False
x=range(60)
y_shanghai=[random.uniform(15,8) for i in x]
# 建画布
plt.figure(figsize=(20,8),dpi=80)
# 绘折线图
plt.plot(x,y_shanghai)
# 显示图像
plt.show()## 修改x,y间隔
x=range(60)
y_shanghai=[random.uniform(15,8) for i in x]
# 建画布
plt.figure(figsize=(20,8),dpi=80)
# 绘折线图
plt.plot(x,y_shanghai)# 修改x,y轴刻度
x_ticks_label=["11点{}分".format(i) for i in x]
y_ticks=range(40)
# 修改x,y间隔
plt.xticks(x[::5])
plt.yticks(y_ticks[::5])
# 显示图像
plt.show()## 解决中文问题
x=range(60)
y_shanghai=[random.uniform(15,8) for i in x]
# 建画布
plt.figure(figsize=(20,8),dpi=80)
# 绘折线图
plt.plot(x,y_shanghai)
# 修改x,y轴刻度
x_ticks_label=["11点{}分".format(i) for i in x]
y_ticks=range(40)
# 修改x,y间隔
plt.xticks(x[::5],x_ticks_label[::5])
plt.yticks(y_ticks[::5])
# 显示图像
plt.show()## 添加网格信息
x=range(60)
y_shanghai=[random.uniform(15,8) for i in x]
# 建画布
plt.figure(figsize=(20,8),dpi=80)
# 绘折线图
plt.plot(x,y_shanghai)
# 修改x,y轴刻度
x_ticks_label=["11点{}分".format(i) for i in x]
y_ticks=range(40)
# 修改x,y间隔
plt.xticks(x[::5],x_ticks_label[::5])
plt.yticks(y_ticks[::5])
#添加网格信息
plt.grid(True,linestyle="--",alpha=1)
# 显示图像
plt.show()## 添加x、y轴还有标题描述信息
x=range(60)
y_shanghai=[random.uniform(15,8) for i in x]
# 建画布
plt.figure(figsize=(20,8),dpi=80)
# 绘折线图
plt.plot(x,y_shanghai)
# 修改x,y轴刻度
x_ticks_label=["11点{}分".format(i) for i in x]
y_ticks=range(40)
# 修改x,y间隔
plt.xticks(x[::5],x_ticks_label[::5])
plt.yticks(y_ticks[::5])
#添加网格信息
plt.grid(True,linestyle="--",alpha=1)
# 2.3 添加描述信息
plt.xlabel("时间")
plt.ylabel("温度")
plt.title("中午11点-12点某城市温度变化图", fontsize=20)
# 显示图像
plt.show()## 图像保存
x=range(60)
y_shanghai=[random.uniform(15,8) for i in x]
# 建画布
plt.figure(figsize=(20,8),dpi=80)
# 绘折线图
plt.plot(x,y_shanghai)
# 修改x,y轴刻度
x_ticks_label=["11点{}分".format(i) for i in x]
y_ticks=range(40)
# 修改x,y间隔
plt.xticks(x[::5],x_ticks_label[::5])
plt.yticks(y_ticks[::5])
#添加网格信息
plt.grid(True,linestyle="--",alpha=1)
# 2.3 添加描述信息
plt.xlabel("时间")
plt.ylabel("温度")
plt.title("中午11点-12点某城市温度变化图", fontsize=20)
# 2.4 图像保存
plt.savefig("./test.png")
# 显示图像
plt.show()## 在一个坐标系中绘制多个图像
x=range(60)
y_shanghai=[random.uniform(15,8) for i in x]y_beijing=[random.uniform(1,3) for i in x]
# 建画布
plt.figure(figsize=(20,8),dpi=80)
# 绘折线图plt.plot(x, y_shanghai, label="上海")
plt.plot(x, y_beijing, color="r", linestyle="--", label="北京")
# 修改x,y轴刻度
x_ticks_label=["11点{}分".format(i) for i in x]
y_ticks=range(40)
# 修改x,y间隔
plt.xticks(x[::5],x_ticks_label[::5])
plt.yticks(y_ticks[::5])
#添加网格信息
plt.grid(True,linestyle="--",alpha=1)
# 2.3 添加描述信息
plt.xlabel("时间")
plt.ylabel("温度")
plt.title("中午11点-12点某城市温度变化图", fontsize=20)
# 2.4 图像保存
plt.savefig("./test.png")# 2.5 显示图例
plt.legend(loc=0)
# 显示图像
plt.show()## 只建画布+绘制图像
x=range(60)
y_shanghai=[random.uniform(15,8) for i in x]
y_beijing=[random.uniform(1,3) for i in x]
# 1.创建画布
# plt.figure(figsize=(20, 8), dpi=100)
fig, axes = plt.subplots(nrows=1, ncols=2, figsize=(20, 8), dpi=100)
# 2.绘制图像
# plt.plot(x, y_shanghai, label="上海")
# plt.plot(x, y_beijing, color="r", linestyle="--", label="北京")
axes[0].plot(x, y_shanghai, label="上海")
axes[1].plot(x, y_beijing, color="r", linestyle="--", label="北京")
# 修改x,y轴刻度
x_ticks_label=["11点{}分".format(i) for i in x]
y_ticks=range(40)
# 修改x,y间隔
plt.xticks(x[::5],x_ticks_label[::5])
plt.yticks(y_ticks[::5])
#添加网格信息
plt.grid(True,linestyle="--",alpha=1)
# 2.3 添加描述信息
plt.xlabel("时间")
plt.ylabel("温度")
plt.title("中午11点-12点某城市温度变化图", fontsize=20)
# 2.4 图像保存
plt.savefig("./test.png")
# 2.5 显示图例
plt.legend(loc=0)
# 显示图像
plt.show()## 完善
# 0.准备数据
x = range(60)
y_shanghai = [random.uniform(15, 18) for i in x]
y_beijing = [random.uniform(1, 3) for i in x]# 1.创建画布
# plt.figure(figsize=(20, 8), dpi=100)
fig, axes = plt.subplots(nrows=1, ncols=2, figsize=(20, 8), dpi=100)# 2.绘制图像
# plt.plot(x, y_shanghai, label="上海")
# plt.plot(x, y_beijing, color="r", linestyle="--", label="北京")
axes[0].plot(x, y_shanghai, label="上海")
axes[1].plot(x, y_beijing, color="r", linestyle="--", label="北京")
# 2.1 添加x,y轴刻度
# 设置x,y轴刻度
x_ticks_label = ["11点{}分".format(i) for i in x]
y_ticks = range(40)
# 修改x,y轴坐标刻度显示
# plt.xticks(x_ticks_label[::5]) # 坐标刻度不可以直接通过字符串进行修改
# plt.xticks(x[::5], x_ticks_label[::5])
# plt.yticks(y_ticks[::5])
axes[1].set_xticks(x[::5])
axes[1].set_yticks(y_ticks[::5])
axes[1].set_xticklabels(x_ticks_label[::5])
# 2.2 添加网格显示
# plt.grid(True, linestyle="--", alpha=1)
axes[0].grid(True, linestyle="--", alpha=1)
axes[1].grid(True, linestyle="--", alpha=1)
# 2.3 添加描述信息
# plt.xlabel("时间")
# plt.ylabel("温度")
# plt.title("中午11点-12点某城市温度变化图", fontsize=20)
axes[0].set_xlabel("时间")
axes[0].set_ylabel("温度")
axes[0].set_title("中午11点-12点某城市温度变化图", fontsize=20)
axes[1].set_xlabel("时间")
axes[1].set_ylabel("温度")
axes[1].set_title("中午11点-12点某城市温度变化图", fontsize=20)
# 2.4 图像保存
plt.savefig("./test.png")
# 2.5 显示图例
# plt.legend(loc=0)
axes[0].legend(loc=0)
axes[1].legend(loc=0)
# 3.图像显示
plt.show()## 波形图应用举例
import numpy as np
# 0.准备数据
x = np.linspace(-10, 10, 1000)
y = np.sin(x)
# 1.创建画布
plt.figure(figsize=(20, 8), dpi=100)
# 2.绘制函数图像
plt.plot(x, y)
# 2.1 添加网格显示
plt.grid()
# 3.显示图像
plt.show()## 利用seaborn画图
import seaborn as sns
import numpy as np
import pandas as pdnp.random.seed(0) #确定随机数生成数据一样
arr=np.random.randn(100)
sns.distplot(arr,bins=10,hist=True,kde=True,rug=True)# 绘制双变量分布
## 绘制散点图df=pd.DataFrame({"x":np.random.randn(500),"y":np.random.randn(500),"z":np.random.randn(500),"k":np.random.randn(500)})
sns.jointplot("x","y",data=df,kind='scatter',color="red",size=5,ratio=5,space=1,dropna=True)sns.jointplot("x","y",data=df,kind='kde',color="red",size=5,ratio=5,space=1,dropna=True)sns.jointplot("x","y",data=df,kind='hex',color="blue",size=5,ratio=5,space=1,dropna=True)## 绘制成对双变量分布
sns.pairplot(df)## 绘制类别散点图
ddf=pd.DataFrame({"x":np.random.randn(5),"y":np.random.randn(5),"z":np.random.randn(5),"k":np.random.randn(5),"week":["one","two","three","four","five"]})
ddfsns.swarmplot(x="week",y="x",data=ddf,hue="y")

2. 请画出如图2.png所示的图形

## 请画出如图2.png所示的图形
import turtle as t
t.Turtle().screen.delay(0)  #加速
s=0
t.pen 
t.seth(0)
length=0
while (length !=400): #当边长达到400时循环结束t.penup()       #提起画笔t.goto(s,s)     #新的起点坐标t.pendown()     #放下画笔for i in range(4):t.fd(length)    #边长t.left(90)  #画笔方向向左旋转90度length += 10    #边长加10s -= 5    #改变画笔起点
t.hideturtle()         #绘图结束后把笔头隐藏起来
t.done()               #绘图结束后使窗口停留## 画圆柱
import turtle as t
import numpy as np
t.Turtle().screen.delay(0)  #加速
s=0
t.pen 
t.seth(0)
length=0
while (length ！=400): #当边长达到400时循环结束t.penup()       #提起画笔t.goto(s,s)     #新的起点坐标t.pendown()     #放下画笔for i in range(90):t.fd(length)    #边长t.left(4)  #画笔方向向左旋转90度length =2*np.pi    #边长加10s -= 5    #改变画笔起点
t.hideturtle(True)         #绘图结束后把笔头隐藏起来
t.done()               #绘图结束后使窗口停留## 画圆
import turtle as t
import numpy as np
#t.Turtle().screen.delay(0)  #加速
s=0
t.pen 
t.seth(0)
length=0
r=1
t.penup()       #提起画笔
t.goto(s,s)     #新的起点坐标
t.pendown()     #放下画笔
for i in range(360):t.fd(length)    #边长t.left(4)  #画笔方向向左旋转90度length =2*np.pi*r    #边长加10  
t.hideturtle(True)         #绘图结束后把笔头隐藏起来
t.done()               #绘图结束后使窗口停留

3. 通过编码获得fcity.jpg的手绘图像（如beijing.jpg所示）

## 通过编码获得fcity.jpg的手绘图像（如beijing.jpg所示）
from PIL import Image
import numpy as np
a = np.asarray(Image.open('C:/Users/86151/mycode/fcity.jpg').convert('L')).astype('float')
depth = 10. # (0-100)
grad = np.gradient(a)#取图像灰度的梯度值
grad_x, grad_y = grad #分别取横纵图像梯度值
grad_x = grad_x*depth/100.
grad_y = grad_y*depth/100.  #深度调整x、y的梯度值
A = np.sqrt(grad_x**2 + grad_y**2 + 1.)  #梯度归一化
uni_x = grad_x/A
uni_y = grad_y/A
uni_z = 1./A
vec_el = np.pi/2.2 # 光源的俯视角度，弧度值
vec_az = np.pi/4. # 光源的方位角度，弧度值
dx = np.cos(vec_el)*np.cos(vec_az) #光源对x 轴的影响
dy = np.cos(vec_el)*np.sin(vec_az) #光源对y 轴的影响
dz = np.sin(vec_el) #光源对z 轴的影响
b = 255*(dx*uni_x + dy*uni_y + dz*uni_z) #光源归一化，梯度转化为灰度
b = b.clip(0,255)  #避免数据越界
im = Image.fromarray(b.astype('uint8')) #重构图像
im## 修改光源1
from PIL import Image
import numpy as np
a = np.asarray(Image.open('C:/Users/86151/mycode/fcity.jpg').convert('L')).astype('float')
depth = 10. # (0-100)
grad = np.gradient(a)#取图像灰度的梯度值
grad_x, grad_y = grad #分别取横纵图像梯度值
grad_x = grad_x*depth/100.
grad_y = grad_y*depth/100.  #深度调整x、y的梯度值
A = np.sqrt(grad_x**2 + grad_y**2 )  #梯度归一化
uni_x = grad_x/A
uni_y = grad_y/A
uni_z = 1./A
vec_el = np.pi/2.2 # 光源的俯视角度，弧度值
vec_az = np.pi/4. # 光源的方位角度，弧度值
dx = np.cos(vec_el)*np.cos(vec_az) #光源对x 轴的影响
dy = np.cos(vec_el)*np.sin(vec_az) #光源对y 轴的影响
dz = np.sin(vec_el) #光源对z 轴的影响
b = 255*(dx*uni_x + dy*uni_y + dz*uni_z) #光源归一化，梯度转化为灰度
b = b.clip(0,255)  #避免数据越界
im = Image.fromarray(b.astype('uint8')) #重构图像
im## 图像的数组表示
from PIL import Image  #图像处理的库
import numpy as np
im = np.array(Image.open('C:/Users/86151/mycode/fcity.jpg'))
print(im.shape,im.dtype)## 修改光源2
from PIL import Image  #图像处理的库
import numpy as np
a1 = np.array(Image.open('C:/Users/86151/mycode/fcity.jpg'))
print(a1.shape,a1.dtype)
b1=[255,255,255]-a1
im1 = Image.fromarray(b1.astype('uint8')) #重构图像
im1## 修改光源3
from PIL import Image  #图像处理的库
import numpy as np
a = np.array(Image.open('C:/Users/86151/mycode/fcity.jpg').convert('L'))
b=255-a
im2 = Image.fromarray(b.astype('uint8')) #重构图像
im2## 修改光源4
from PIL import Image  #图像处理的库
import numpy as np
a = np.array(Image.open('C:/Users/86151/mycode/fcity.jpg').convert('L'))
b=(100/255)*a+150 #区间变换
im3 = Image.fromarray(b.astype('uint8')) #重构图像
im3
## 修改光源5
from PIL import Image  #图像处理的库
import numpy as np
a = np.array(Image.open('C:/Users/86151/mycode/fcity.jpg').convert('L'))
b=(255)*(a/255)**2  #像素平方
im3 = Image.fromarray(b.astype('uint8')) #重构图像
im3## 修改光源6
from PIL import Image  #图像处理的库
import numpy as np
a = np.array(Image.open('C:/Users/86151/mycode/fcity.jpg').convert('L'))
b=(255)*(a/255)**2  #像素平方
b = b.clip(0,255)
im3 = Image.fromarray(b.astype('uint8')) #重构图像
im3

🌍实验结果

1.问题一

2.问题

3.问题三

🌍实验体会

  1. 图像RGB色彩模式与数组表示与图像变换： 通过实验，初次了解如何利用Python使用图像的RGB色彩模式，并实现图像的数组表示与变换。在此过程中，熟悉了Python的Seaborn和Matplotlib库，使画图过程更加高效。

  2. Matplotlib画图中的问题和解决方法： 实验1记录了一些问题，例如在使用Matplotlib画图时，为了实现中文显示，需要添加语句mpl.rcParams["font.sans-serif"] = ["SimHei"]，并且搭配设置正常显示符号mpl.rcParams["axes.unicode_minus"] = False，以达到更好的效果。

  3. 绘制圆柱和圆的代码添加以及加速效果的思考： 在实验2中，自行添加了画圆柱和画圆的代码。发现使用t.Turtle().screen.delay(0)虽然可以加速，但经常导致内核终止现象，因此对于加速效果的使用需要权衡利弊。

📝总结

Python领域就像一片未被勘探的信息大海，引领你勇敢踏入Python数据科学的神秘领域。这是一场独特的学习冒险，从基本概念到算法实现，逐步揭示更深层次的模式分析、匹配算法和智能模式识别的奥秘。

渴望挑战Python信息领域的技术？不妨点击下方链接，一同探讨更多Python数据科学的奇迹吧。我们推出了引领趋势的💻 Python数据科学专栏：《Python | 编程解码》，旨在深度探索Python模式匹配技术的实际应用和创新。🌐🔍

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/617813.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

集简云动作管理平台上线：创建强大且可分享的AI助手(GPTs)

集简云动作管理平台上线：创建强大且可分享的AI助手(GPTs)

OpenAI的GPT Store于昨天上线，用户可以找到好用的GPTs，也可以将自己的GPTs分享到GPT Store中。未来（预计今年1季度）甚至可以从GPTs Store中获取利润分成。 要创建强大的GPTs离不开调用外部的软件工具，比如查询CRM/ERP软…
阅读更多...
Stable Diffusion初体验

Stable Diffusion初体验

体验了下 Stable Diffusion 2.0 的图片生成，效果还是挺惊艳的，没有细调prompt输入，直接输入了下面的内容： generate a Elimination Game image of burnning tree, Cyberpunk style 然后点击生成，经过了10多秒的等待就输…
阅读更多...
TensorRT模型优化模型部署（七）--Quantization量化（PTQ and QAT)（二）

TensorRT模型优化模型部署（七）--Quantization量化（PTQ and QAT)（二）

系列文章目录 第一章 TensorRT优化部署（一）–TensorRT和ONNX基础 第二章 TensorRT优化部署（二）–剖析ONNX架构 第三章 TensorRT优化部署（三）–ONNX注册算子 第四章 TensorRT模型优化部署（四&am…
阅读更多...
国产麒麟系统开机没有网络需要点一下这个设置

国产麒麟系统开机没有网络需要点一下这个设置

问题描述： 一台国产电脑网线连接正常，打开网页后显示无法访问，那么是什么原因无法上网呢？下面就告诉你一个小方法去解决一下这个问题； 检查故障： 检测交换机、网线、水晶头全都正常，同房间摆放的…
阅读更多...
Hive基础知识（十）：Hive导入数据的五种方式

Hive基础知识（十）：Hive导入数据的五种方式

1. 向表中装载数据（Load） 1）语法 hive> load data [local] inpath 数据的 path[overwrite] into table student [partition (partcol1val1,…)]; （1）load data:表示加载数据 （2）local:表示…
阅读更多...
【从0上手cornerstone3D】如何渲染一个基础的Dicom文件(含演示)

【从0上手cornerstone3D】如何渲染一个基础的Dicom文件(含演示)

一、Cornerstone3D 是什么？ Cornerstone3D官网：https://www.cornerstonejs.org/ 在线查看显示效果（加载需时间，可先点击运行），欢迎fork 二、代码示例 了解了Cornerstone是什么，有什么作用后&…
阅读更多...
竞赛保研 基于深度学习的视频多目标跟踪实现

竞赛保研 基于深度学习的视频多目标跟踪实现

文章目录 1 前言2 先上成果3 多目标跟踪的两种方法3.1 方法13.2 方法2 4 Tracking By Detecting的跟踪过程4.1 存在的问题4.2 基于轨迹预测的跟踪方式 5 训练代码6 最后 1 前言 🔥 优质竞赛项目系列，今天要分享的是 基于深度学习的视频多目标跟踪实现 …
阅读更多...
2024年湖北职称评审对论文的要求

2024年湖北职称评审对论文的要求

1.期刊发表版面的时间节点2024年12月及之前 2.期刊是正规的期刊，有国内刊号 3.期刊能在国家出版社总署检索到 4.文章内容查重符合知网查重标准 5.论文方向和申报专业方向一致 6.必须要是第一作者或者独著 7.评正高的人才们要准备中文核心论文两篇或出版专业学术论著…
阅读更多...
UE5 简易MC教程学习心得

UE5 简易MC教程学习心得

https://www.bilibili.com/video/BV12G411J7hV?p13&spm_id_frompageDriver&vd_sourceab35b4ab4f3968642ce6c3f773f85138 ———— 目录 0.摧毁逻辑学习 1.发光材质灯方块 2.封装。想让子类 不更改父类的变量。 3.材质命名习惯。 0.摧毁逻辑学习 达到摧毁的条件…
阅读更多...
用模方软件进行模型的透明贴图，为什么翻出来透明部分是黑的？

用模方软件进行模型的透明贴图，为什么翻出来透明部分是黑的？

答：透贴需要用PNG格式。 模方是一款针对实景三维模型的冗余碎片、水面残缺、道路不平、标牌破损、纹理拉伸模糊等共性问题研发的实景三维模型修复编辑软件。模方4.1新增自动单体化建模功能，支持一键自动提取房屋结构，平均1栋复杂建筑物只需3…
阅读更多...
JAVA毕业设计121—基于Java+Springboot的房屋租赁管理系统(源代码+数据库+9000字文档)

JAVA毕业设计121—基于Java+Springboot的房屋租赁管理系统(源代码+数据库+9000字文档)

毕设所有选题： https://blog.csdn.net/2303_76227485/article/details/131104075 基于JavaSpringboot的房屋租赁管理系统(源代码数据库9000字文档)121 一、系统介绍 本项目还有ssm版本，分为用户、房东、管理员三种角色 1、用户： 注册、登…
阅读更多...
【机器学习300问】5、什么是强化学习？

【机器学习300问】5、什么是强化学习？

我将从三个方面为大家简明阐述什么是强化学习，首先从强化学习的定义大家的了解强化学习的特点，其次学习强化学习里特殊的术语加深对强化学习的理解，最后通过和监督学习与无监督学习的比较，通过对比学习来了解强化学习。 一、强化…
阅读更多...
thinkphp6报错Driver [Think] not supported.

thinkphp6报错Driver [Think] not supported.

thinkphp6报错Driver [Think] not supported. 问题解决方法测试 问题 直接使用 View::fetch();渲染模板报错 解决方法 这个报错是由于有安装视图驱动造成的 运行如下命令安装即可 composer require topthink/think-view官方文档中是这么写的 视图功能由\think\View类配合视…
阅读更多...
JavaScript基础03

JavaScript基础03

1 - 循环 1.1 for循环 语法结构 for(初始化变量; 条件表达式; 操作表达式 ){//循环体 } 名称作用初始化变量通常被用于初始化一个计数器，该表达式可以使用 var 关键字声明新的变量，这个变量帮我们来记录次数。条件表达式用于确定每一次循环是否能被执行…
阅读更多...
Python元组（tuple）

Python元组（tuple）

目录 元组元组的创建和删除访问元组元素修改元组元组方法 元组 元组是有序且不可更改的集合。在 Python 中，元组是用圆括号编写的。 元组的创建和删除 实例 创建元组： thistuple ("a", "b", "c") print(thistuple)删除…
阅读更多...
redis夯实之路-哨兵（Sentinel）机制详解

redis夯实之路-哨兵（Sentinel）机制详解

Sentinel（哨兵）保证了redis的高可用性，一个Sentinel或多个Sentinel组成的系统监视多个主从服务器，当主服务器下线时，自动将一个从服务器升级为主服务器。 sentinel的主要功能 集群监控：负责监控redis mas…
阅读更多...
Nightingale 夜莺监控系统 - 监控篇（2）

Nightingale 夜莺监控系统 - 监控篇（2）

Author：rab 官方文档：https://flashcat.cloud/docs/content/flashcat-monitor/categraf/3-configuration/ 目录 前言一、Categraf 配置文件二、Input 插件配置文件2.1 插件说明2.2 通用配置2.2.1 配置采集频率 interval2.2.2 配置采集实例 instances2.2…
阅读更多...
word写标书的疑难杂症总结

word写标书的疑难杂症总结

最近在解决方案工作，与office工具经常打交道，各种问题，在此最下记录： 1.word中文档距离文档顶端有距离调整不了 1.疑难杂症问题1，多个空格都是不能解决 #解决办法：word中--布局-下拉框---“版式”--“垂直…
阅读更多...
css3基础语法与盒模型

css3基础语法与盒模型

css3基础语法与盒模型 前言CSS3基础入门css3的书写位置内嵌式外链式导入式（工作中几乎不用）行内式 css3基本语法css3选择器标签选择器id选择器class类名原子类复合选择器伪类元素关系选择器序号选择器属性选择器css3新增伪类![在这里插入图片描述](https…
阅读更多...
canvas设置渐变色文字（线性、径向）

canvas设置渐变色文字（线性、径向）

查看专栏目录 canvas示例教程100专栏，提供canvas的基础知识，高级动画，相关应用扩展等信息。canvas作为html的一部分，是图像图标地图可视化的一个重要的基础，学好了canvas，在其他的一些应用上将会起到非常重…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023