Python

Ubuntu 20.04下,A卡使用stable diffusion webui画图

一、安装AMD驱动 下载AMD驱动安装器(以RX6650XT为例):https://www.amd.com/zh-hans/support/graphics/amd-radeon-rx-6000-series/amd-radeon-rx-6600-series/amd-radeon-rx-6650-xt 使用sudo dpkg -i amd* 安装 然后运行:amdgpu-install -y -

记录在【Windows】下安装【node-canvas】遇到的各种问题(无法安装canvas,安装canvas包报错error...)

好久没更新博客了,因为工作越来越忙,没什么时间去记录一些问题,最近闲下来一点,由于某些原因不得不暂时在Windows下做开发,项目用到了node-canvas处理图片什么的,在安装的时候各种报错,确实让人很抓狂,这里简单记录下: 首先说明下,node-canvas的   官方git仓库 https://github.com/Automattic/node-canvas, 在没有安装前置依赖之前,直

基于ARIMA、SVM、随机森林销售的时间序列预测|附代码数据

原文链接  http://tecdat.cn/?p=1130 最近我们被客户要求撰写关于时间序列预测的研究报告,包括一些图形和统计输出。 如今DT(数据技术)时代,数据变得越来越重要,其核心应用“预测”也成为互联网行业以及产业变革的重要力量。 对于零售行业来说,预测几乎是商业智能(BI)研究的终极问题,单纯从机器学习的角度来说,做到精准预测很容易,但是结合业务提高企业利润却很难

NLP自然语言处理—主题模型LDA案例:挖掘人民网留言板文本数据|附代码数据

从上图可以看出不同地区留言板的情感倾向分布,总的来说,负面情感留言数目和积极情感相差不多,负面情感留言较多,占比46%,积极情感留言占比42%,中立情感的留言占比11%。 从地区来看,活跃在各大媒体的“朝阳区群众”留言数目也是最多的,其次是海淀区,昌平区。因此,从情感分布来看大部分留言还是在反应存在的问题,而不是一味赞美或者灌水。 点击标题查阅往期内容 python主题建模可视化LDA和T-

数据分享|R语言逻辑回归、线性判别分析LDA、GAM、MARS、KNN、QDA、决策树、随机森林、SVM分类葡萄酒交叉验证ROC|附代码数据

全文链接:http://tecdat.cn/?p=27384 最近我们被客户要求撰写关于葡萄酒的研究报告,包括一些图形和统计输出。 在本文中,数据包含有关葡萄牙“Vinho Verde”葡萄酒的信息 介绍 该数据集(查看文末了解数据获取方式)有1599个观测值和12个变量,分别是固定酸度、挥发性酸度、柠檬酸、残糖、氯化物、游离二氧化硫、总二氧化硫、密度、pH值、硫酸盐、酒精和质量。固定酸度、挥发性

R语言APRIORI模型关联规则挖掘分析脑出血急性期用药规律最常配伍可视化|附代码数据

全文链接:http://tecdat.cn/?p=31846 最近我们被客户要求撰写关于关联规则的研究报告,包括一些图形和统计输出。 本文帮助客户运用关联规则方法分析中医治疗脑出血方剂,用Apriori模型挖掘所选用的主要药物及其用药规律,为临床治疗脑出血提供参考 脑出血急性期用药数据 读取数据 将数据转化成关联数据 查看每个药品的出现频率 可以看到每个药品出现的频率,从而判断哪些药

DRF学习第二课,实战

1,models模型 class BookInfo(models.Model): title=models.CharField(verbose_name="图书名称",max_length=32) pub_date=models.DateField(verbose_name="发布日期") read=models.IntegerField(default=0,verbose

pytorch--训练分层学习率设置

在训练模型时,我们经常会使用两个神经网络模型进行融合,若两个模型的复杂度不同,或者激活函数不同,导致训练后的模型训练损失忽高忽低,差距巨大,有可能是陷入了局部最优的状况。这时候采用分层学习率的策略可能帮助模型度过局部最优困境。 下面是一个简单的示例: 对于一个继承于nn.Module的神经网络模型Model 那么分层学习率的设置大致如下:

TIER 1: Responder

TIER 1: Responder Active Directory Active Directory(AD)是由微软开发的目录服务,用于在网络环境中管理和组织用户、计算机、应用程序和其他资源。它是 Windows 操作系统的一部分,并提供了一种集中化的方式来管理和控制网络中的各种对象和权限。 NTLM 是旧的 Windows 身份验证协议,最初由微软开发用于 Windows 操作系统。它被用于

Spark简介

(一)Spark介绍 Spark是一个通用的分布式数据处理引擎。 通用:通用指的是Spark可以做很多事情。包括机器学习,数据流传输,交互分析,ETL,批处理,图计算等等等等都是Spark可以做到的。甚至可以说,你需要用数据实现的任何事情,你都可以用Spark试试看。 分布式:指的是Spark处理数据的能力是建立在许多机器上的,是可以和分布式的存储系统对接的,是可以做横向扩展的(简单点说就是电脑

在滴滴和字节跳动干了 2 年,太真实…

先简单交代一下背景吧,某不知名985的本硕,17年毕业加入滴滴,之后跳槽到了头条,一直从事软件测试相关的工作。之前没有实习经历,算是两年半的工作经验吧。 这两年半之间完成了一次晋升,换了一家公司,有过开心满足的时光,也有过迷茫挣扎的日子,不过还算顺利地从一只职场小菜鸟转变为了一名资深划水员。 在这个过程中,总结出了一些还算实用的划水经验,有些是自己领悟到的,有些是跟别人交流学到的,在这里跟大家分享

odoo 改变字段显示

通过scss文件处理.使必填字段下划线加粗 .o_required_modifier .o_input{ border-bottom :2px solid $o-main-text-color !important; }      必填加型号,红色 .o_required_modifier::before{ content:"*"; color:red; }   

Python连接es笔记一之连接与查询es

本文首发于公众号:Hunter后端 原文链接:Python连接es笔记一之连接与查询es 有几种方式在 Python 中配置与 es 的连接,最简单最有用的方法就是定义一个默认的连接,如果系统不是需要访问多个集群,最建议的方式就是使用 create_connection 方法创建连接,然后所有的操作都会自动使用这个连接。 以下是本篇笔记目录: 安装依赖 连接 Search 查询 Respon

2023.5.27——软件工程日报

所花时间(包括上课):6h 代码量(行):0行 博客量(篇):1篇 今天,上午学习,下午学习。 我了解到的知识点: 1.了解了一些数据库的知识; 2.了解了一些python的知识; 3.了解了一些英语知识; 5.了解了一些Javaweb的知识; 4.了解了一些数学建模的知识; 6.了解了一些计算机网络的知识;

Anaconda正确安装pytorch正确步骤

前提: Anaconda安装的10个坑 1没有系统环境变量(有的安装包没有系统环境变量,勾选安装,需要自己配置环境变量,否则会后面会让你重新安装) 2安装pytorch前,要conda activate myenv //激活环境,不然安装默认路径,用不了,白安装了   第一步 一劳永逸,设置镜像源 pip config set global.index-url http://mirror

Python协程:从yield/send到yield from再到async/await

Python中的协程大概经历了如下三个阶段: 最初的生成器变形 yield/send 引入@asyncio.coroutine和yield from 在最近的Python3.5版本中引入async/await关键字 一、生成器变形yield/send 普通函数如果出现了yield关键字,那么该函数就不再是普通函数,而是一个生成器。 像上面代码中的c就是一个生成器。生成器就是一种迭代器,可

GPT-4替代数据分析师只要几千块

GPT-4替代初级数据分析师的成本只有0.71%,换成高级数据分析师则是0.45%…… 你没看错,是百分之零点七一,不是百分之七十一。 按新加坡行情,年薪8.6万-9万美元(60-63万人民币)的高级数据分析师,换成GPT-4就只需要三四百美元(2000多人民币)了。 这项结论来自阿里达摩院与新加坡南洋理工大学的新论文,被网友评价为对AI和数据分析领域感兴趣的必读论文。 具体来说,结论中高级分

Roblox 不但不支持 Linux,还屏蔽了 Wine

据悉,Roblox 不但不支持 Linux,还屏蔽了 Wine。 Roblox 不但不支持 Linux,还屏蔽了 Wine 多人游戏 Roblox 没有 Linux 原生版本,但之前可以通过 Wine 在 Linux 上运行。不过其最新的反作弊软件专门屏蔽了 Wine 应用,以至于其在 Linux 上无法运行。该公司的员工在其官方论坛上对此表示,他们很多人想要支持 Linu

基于pycharm环境下opencv的搭建

国际智能自主机器人大赛 环境搭建 python环境,IDE为pycharm,配置第三方库opencv。 按下cmd+r,输入以下安装命令: pip install opencv-python --user -i https://pypi.tuna.tsinghua.edu.cn/simplepip install opencv-contrib-python --user -i https://py

conda相关指令

conda安装pyqt相关组件包

23-05-27 刷题

23-05-27 刷题 384. 打乱数组 - 力扣(LeetCode) 【mid】 shuffle算法的证明很重要: n个元素的全排列有:A(n,n) = n! 例如3个元素,算法是依次枚举每个位置,对于第一个位置,可以从3个数中选,第2个位置可以从剩下的2个中选,第3个位置没得选。这样对于任意一种排列,它出现的概率是:1/3 * 1/2 * 1 = 1/6 (总共全排列个数3! = 6)

Gorilla:首个大规模使用工具的大模型

大型语言模型性能强大,但为了更好地用于解决实际问题,各式各样的 API 是必不可少的。   近日,加利福尼亚大学伯克利分校和微软研究院造出了一只「大猩猩」Gorilla,该模型能根据用户输入的自然语言为用户选择合适的 API 来执行对应任务。理论上讲,这个模型可以根据用户需求调用其它各种 AI 模型,因此 Gorilla 有望成为一个统御其它 AI 的 AI 模型。该项目的代码、模型、数

5月28日

写了一手python大作业 起名软件的设计 对 easygui有了简单的了解 编辑了简单的图形化界面

利用集合去重

lst = list("AABCDCBEG") st = set(lst) print(st) # {'D', 'A', 'C', 'G', 'E', 'B'}   

图像入门

图像入门 1. 大纲 1、学习如何读取图像,如何显示图像,以及如何将其保存回去 2、学习cv.imread(),cv.imshow(),cv.imwrite() 2. 读取图像 使用cv.imread()函数读取图像,路径为绝对路径或者工作目录。第二个参数指定了读取图像的方式: cv.IMREAD_COLOR:加载彩色图像。任何图像的透明度都会被忽视。 cv.IMREAD_GRAYSCALE:以灰

八、系统管理体系

系统管理体系 1. 系统管理体系之进程管理 1.1 什么是进程? 进程process:运行起来的程序,软件,命令。 程序软件:存放在磁盘上面的程序代码。 1.2 进程,程序,守护进程(服务)? 进程process:运行起来的程序,软件,命令。 程序软件:存放在磁盘上面的程序代码。 守护进程(服务):持续运行的进程,这些一般是系统必备进程(服务软件),eg:网络 日志 定时任务 其

python3 while结构

1、介绍 python3中,只有while结构,没有do...while结构。 while结构,当判断条件为True时,一直执行结构体内部的代码。 2、结构 while 条件: # 执行代码1 else: # 执行代码2 else结构: else结构是可选的,如果存在,表示当while循环正常结束时,执行else结构中的代码 所谓正常结束,即未使用break或return关键词。

OpenAI的官方chatgpt的prompt教程小能熊视频号笔记摘抄

    OpenAI官方prompting课程  第1讲 基本原则  📝 本节课介绍了提示工程和大型语言模型(如ChatGPT)中的一些基本原则和策略;  - ✍️ 原则1:提供清晰、具体的指令  - 📌 使用分隔符明确表示输入的不同部分;  - 📌 请求结构化输出;  - 📌 让模型在进行任务前检查某些条件是否满足;

openeuler安装 w版opensack

1. 基础环境与openstack源 虚拟机的话建议开启硬件虚拟化   2. 安装基础插件 2.1. rabbitmq 2.2. memcache 2.3. etcd     2.5. openstackclient 2.6. 数据库 一般用mysql或mariadb,实际上我在此处用的是一个glaera集群

python内置库--hashlib

1 关于hashlib与hash算法 python的hashlib提供了对hash算法的的支持,常见的算法有MD5 SHA1 SHA224等,对不同的算法,hashlib提供了一些通用的函数,以方便我们的使用 hash算法 个人理解是,它可以将任意长度的二进制值变为固定长度的二进制值。 通常,这个固定长度的二进制值叫做hash值,也叫做安全摘要,不同的输入,所计算出的hash值是不同的 更通俗化理

<<  <  796  797  798  799  800  801  802  803  804  805  806  >  >>