机器学习基本小型概念

川长思鸟来 2023-10-10 08:21 3阅读 0赞

**[1.RGB与BGR转换][1.RGB_BGR]**

**[2.tf.Variable与tf.placeholder区别][2.tf.Variable_tf.placeholder]**

**[3.matplotlib.pyplot使用方法][3.matplotlib.pyplot]**

**[4.引用: L1距离与L2距离][4._ L1_L2]**

# **1.均方误差MSE** #

![20190924100501704.png][]

# **2.tensorflow修改图片大小：** #

img= tf.image.resize_images(original_img, (width, height), 0)

第三个参数为不同的图像修改方式，

method = 0 双线性插值法  
   method = 1 最近邻居法  
   method = 2 双三次插值法  
   method = 3 面积插值法

# **3.python中for循环由大到小输出：** #

for i in range(20, 0, -1):
        print(i)

# **4.**tf.argmin（）返回矩阵横列或者纵列的最小值的坐标，取决于第二个参数 #

参数：

tf.argmin(
        input,
        axis=None,//0是纵列 1是横列
        name=None,
        dimension=None,
        output_type=tf.int64
    )

使用案例：

import tensorflow as tf
    x = tf.constant([[0, 2, 1], [2, 1, 3]])
    sess = tf.Session()
    print(sess.run(tf.argmin(x, 0)))//[0 1 0]
    print(sess.run(tf.argmin(x, 1)))//[0 1]

# **5.** HDF5存储model weights， H5存储model stucture与model weights，json与yaml存储model stucture   **6.**L1距离与L2距离 #

L1距离  
在这里插入图片描述  
L1距离很简单，就是矩阵I1和矩阵I2每个元素（aij） 相减的绝对值，这一点CS231中给出了很明确的计算：  
在这里插入图片描述

Numpy实现：

for i in range(num_test):
        a = X_test[i]-X_train[j]
        b = np.fabs(a)
        dists[i][j] = np.sum(b)

2、L2距离  
首先给出L2距离的公式：  
在这里插入图片描述  
L2理解很简单就是运用了欧式距离，可以参考L1进行理解  
L2 Numpy实现（双循环方法计算训练集和测试集之间的距离）：

for i in range(num_test):
          for j in range(num_train):
            a = X_test[i]-X_train[j]
            b = np.square(a)
            c = np.sum(b)
            dists[i][j] = np.sqrt(c)

[1.RGB_BGR]: https://blog.csdn.net/LEE18254290736/article/details/101593837
[2.tf.Variable_tf.placeholder]: https://blog.csdn.net/LEE18254290736/article/details/101698766
[3.matplotlib.pyplot]: https://blog.csdn.net/LEE18254290736/article/details/101755689
[4._ L1_L2]: https://blog.csdn.net/XM_no_homework/article/details/87891738
[20190924100501704.png]: https://img-blog.csdnimg.cn/20190924100501704.png