-
Python画图示例(1) 一维数据集绘图
2019-06-16 17:47:11Python画图示例(1) 一维数据集绘图 Python画图示例(2) 二维数据集绘图 Python画图示例(3) 其他绘图样式,散点图,直方图等 Python画图示例(4) 3D绘图 目录 1、用 Numpy ndarray 作为数据传入 ply 2....目录
3.plt.xlim 和 plt.ylim 设置每个坐标轴的最小值和最大值
4. 添加标题和标签 plt.title, plt.xlabe, plt.ylabel 离散点, 线
1、用 Numpy ndarray 作为数据传入 ply
import numpy as np import matplotlib as mpl import matplotlib.pyplot as plt np.random.seed(1000) y = np.random.standard_normal(10) x = range(len(y)) plt.plot(y) plt.show()
2.操纵坐标轴和增加网格及标签的函数
import numpy as np import matplotlib as mpl import matplotlib.pyplot as plt np.random.seed(1000) y = np.random.standard_normal(10) plt.plot(y.cumsum()) plt.grid(True) ##增加格点 plt.axis('tight') # 坐标轴适应数据量 axis 设置坐标轴 plt.show()
3.plt.xlim 和 plt.ylim 设置每个坐标轴的最小值和最大值
import numpy as np import matplotlib as mpl import matplotlib.pyplot as plt np.random.seed(1000) y = np.random.standard_normal(20) plt.plot(y.cumsum()) plt.grid(True) ##增加格点 plt.xlim(-1,20) plt.ylim(np.min(y.cumsum())- 1, np.max(y.cumsum()) + 1) plt.show()
4. 添加标题和标签 plt.title, plt.xlabe, plt.ylabel 离散点, 线
-
如何判断一维数据集服从何种分布
2019-08-18 11:00:48KL散度 KL 散度是一种衡量两个概率分布的匹配程度的指标,两个分布...第一组:数据集为采集100个人的年龄,为以下表格所示,我们使用KL散度去研究最符合的分布类型。 age 0 1 2 3 4 5 6 ...KL散度
KL 散度是一种衡量两个概率分布的匹配程度的指标,两个分布差异越大,KL散度越大。
定义:
其中 p(x) 是真实分布,q(x)是目标分布(建模目标分布),如果两个分布完全匹配,那么
第一组:数据集为采集100个人的年龄,为以下表格所示,我们使用KL散度去研究最符合的分布类型。
age 0 1 2 3 4 5 6 7 8 9 10 总数 count 3 6 7 11 13 18 15 11 7 5 4 100 尝试1:使用均匀分布建立模型
可视化为:黄色的为建立的目标均匀分布模型,与蓝色真实分布的对比。
尝试2:使用高斯分布建立模型
可视化为:(红色虚线是相同
与
拟合的一条正态分布曲线,蓝色条形图为概率密度):
计算分析 :
如何判断真实分布更接近均匀分布还是高斯分布,用肉眼看是很不准确的,用KL散度来衡量真实分布去匹配目标分布所损失的信息量。所以能够将模型量化去比较从而判断出接近哪种分布。
1、计算与均匀分布的KL散度:
import numpy as np import math count=np.array([3,6,7,11,13,18,15,11,7,5,4]) count_rate=count/100 balance_rate=1/11 sum=0 for i in range(11): sum+=count_rate[i]*math.log(count_rate[i]/balance_rate) print(sum)
计算结果为:0.12899493763053263
2、计算与高斯分布的KL散度:
def gaosi(x): mu=5.03 sigma=2.4349743325135895 t1=1/(sigma*math.sqrt(2*math.pi)) t2=((x-mu)**2)/(2*sigma*sigma) return math.exp(-1*t2)*t1 count=np.array([3,6,7,11,13,18,15,11,7,5,4]) count_rate=count/100 sum=0 for i in range(11): sum+=count_rate[i]*math.log(count_rate[i]/gaosi(i)) print(sum)
计算结果为:0.03997441345364968
结论:
在只考虑均匀分布模型与高斯分布模型的情况下,用本身去拟合目标模型时,匹配高斯分布所损失的信息量最少,计算发现该数据集的分布更符合高斯分布。
-
Python画图示例(2) 二维数据集绘图
2019-06-16 17:54:13Python画图示例(1) 一维数据集绘图 Python画图示例(2) 二维数据集绘图 Python画图示例(3) 其他绘图样式,散点图,直方图等 Python画图示例(4) 3D绘图 目录 1.两个数据集绘图 2.添加图例 plt.legend(loc ...目录
3.使用2个 Y轴(左右)fig, ax1 = plt.subplots() ax2 = ax1.twinx()
4.使用两个子图(上下,左右)plt.subplot(211)
1.两个数据集绘图
import numpy as np import matplotlib as mpl import matplotlib.pyplot as plt np.random.seed(2000) y = np.random.standard_normal((10, 2)) plt.figure(figsize=(7,5)) plt.plot(y, lw = 1.5) plt.plot(y, 'ro') plt.grid(True) plt.axis('tight') plt.xlabel('index') plt.ylabel('value') plt.title('A simple plot') plt.show()
2.添加图例 plt.legend(loc = 0)
import numpy as np import matplotlib as mpl import matplotlib.pyplot as plt np.random.seed(2000) y = np.random.standard_normal((10, 2)) plt.figure(figsize=(7,5)) plt.plot(y[:,0], lw = 1.5,label = '1st') plt.plot(y[:,1], lw = 1.5, label = '2st') plt.plot(y, 'ro') plt.grid(True) plt.legend(loc = 0) #图例位置自动 plt.axis('tight') plt.xlabel('index') plt.ylabel('value') plt.title('A simple plot') plt.show()
3.使用2个 Y轴(左右)fig, ax1 = plt.subplots() ax2 = ax1.twinx()
import numpy as np import matplotlib as mpl import matplotlib.pyplot as plt np.random.seed(2000) y = np.random.standard_normal((10, 2)) fig, ax1 = plt.subplots() # 关键代码1 plt first data set using first (left) axis plt.plot(y[:,0], lw = 1.5,label = '1st') plt.plot(y[:,0], 'ro') plt.grid(True) plt.legend(loc = 0) #图例位置自动 plt.axis('tight') plt.xlabel('index') plt.ylabel('value') plt.title('A simple plot') ax2 = ax1.twinx() #关键代码2 plt second data set using second(right) axis plt.plot(y[:,1],'g', lw = 1.5, label = '2nd') plt.plot(y[:,1], 'ro') plt.legend(loc = 0) plt.ylabel('value 2nd') plt.show()
4.使用两个子图(上下,左右)plt.subplot(211)
通过使用 plt.subplots 函数,可以直接访问底层绘图对象,例如可以用它生成和第一个子图共享 x 轴的第二个子图.
import numpy as np import matplotlib as mpl import matplotlib.pyplot as plt np.random.seed(2000) y = np.random.standard_normal((10, 2)) plt.figure(figsize=(7,5)) plt.subplot(211) #两行一列,第一个图 plt.plot(y[:,0], lw = 1.5,label = '1st') plt.plot(y[:,0], 'ro') plt.grid(True) plt.legend(loc = 0) #图例位置自动 plt.axis('tight') plt.ylabel('value') plt.title('A simple plot') plt.subplot(212) #两行一列.第二个图 plt.plot(y[:,1],'g', lw = 1.5, label = '2nd') plt.plot(y[:,1], 'ro') plt.grid(True) plt.legend(loc = 0) plt.xlabel('index') plt.ylabel('value 2nd') plt.axis('tight') plt.show()
5.左右子图
有时候,选择两个不同的图标类型来可视化数据可能是必要的或者是理想的.利用子图方法:
import numpy as np import matplotlib as mpl import matplotlib.pyplot as plt np.random.seed(2000) y = np.random.standard_normal((10, 2)) plt.figure(figsize=(10,5)) plt.subplot(121) #两行一列,第一个图 plt.plot(y[:,0], lw = 1.5,label = '1st') plt.plot(y[:,0], 'ro') plt.grid(True) plt.legend(loc = 0) #图例位置自动 plt.axis('tight') plt.xlabel('index') plt.ylabel('value') plt.title('1st Data Set') plt.subplot(122) plt.bar(np.arange(len(y)), y[:,1],width=0.5, color='g',label = '2nc') plt.grid(True) plt.legend(loc=0) plt.axis('tight') plt.xlabel('index') plt.title('2nd Data Set') plt.show()
-
使用一维卷积和二维卷积实现MNIST数据集分类
2020-03-21 12:55:08使用一维卷积 conv1D 和二维卷积 Conv2D 两种方法实现 MNIST 数据集分类,准确率达到 97.91%、 98.74% -
三维点云数据集
2020-09-28 21:38:18ShapeNet是一个丰富标注的大规模点云数据集,其中包含了55中常见的物品类别和513000个三维模型。 2.ShapeNetSem 这是一个小的数据库,包含了270类的12000个物体。 3.ModelNet ModelNet总共有662中目标分类,...三维点云数据,三维深度学习
1.ShapeNet
ShapeNet是一个丰富标注的大规模点云数据集,其中包含了55中常见的物品类别和513000个三维模型。2.ShapeNetSem
这是一个小的数据库,包含了270类的12000个物体。
3.ModelNet
ModelNet总共有662中目标分类,127915个CAD,以及十类标记过方向朝向的数据。
其中包含了三个子集:- ModelNet10为十个标记朝向的子集数据;
- ModelNet40为40个类别的三维模型;
- Aligned40:40类标记的三维模型。
4.PASCAL3D+
其中包含了12中刚体分类,每一类超过了3000个实例。并且包含了对应的imageNet中每一类的图像。
4-0. ABC dataset
大型三维仿真数据集,[paper]
4-1.佐治亚理工大型几何模型数据集
4-2.斯坦福大学计算机图形学实验室三维数据集
三维扫描数据集
以及另一个雕塑数据
5.斯坦福计算机视觉和几何实验室数据集
这一实验室提供了多个三维数据集,包括:- ObjectNet3D:100类, 90127张图像, 其中有201888个物体和44147 个3D 形状;
- 城市街景三维数据库
- Stanford 2D-3D-Semantics Dataset (2D-3D-S):大型建筑物内部平面语义图–3D图数据集,包含了RGB图,二维语义、深度和三维网格语义以及表面法向量。
此外还包含了无人机监控、多视角tracking、街景等数据库。
5.SUN3D
普林斯顿的数据集,大场景重建。主要用于SFM方法。
6.普林斯度视觉和机器人实验室数据集
这一实验室提供17个三维视觉的数据集,除了上面提到的ShapeNet和SUN3D外,还有:
- SUN RGB-D数据集,包含了室内场景分类、语义分割、房间布置和物体朝向等标注,其中有 10,000 张RGB-D 图像, 标注包含 146,617 2D 个多边形和 58,657 3D 个框。
- SUN GC数据集包含了45k个手工创造的三维室内场景,包含了深度信息和每个物体的语义标签。
- 此外还有Matterport3D室内rgbd数据集、机器人抓取三维数据集等。
7-1.Pix3D
从单张RGB图像的3D形状建模数据库
7-2.3D MNIST
相关数据集
-
3维标注工具LabelMe
一个基于matlab的工具箱,可以标注图像中真实数据的三维坐标。 -
大型建筑物标注数据集
semantic3d
ref
1.more data:https://blog.csdn.net/wi162yyxq/article/details/69501350
2.http://www.pointclouds.org/news/2013/01/07/point-cloud-data-sets/** -
对一任意维数据集,搜索半径为r的最大的5个密度点
2020-12-25 21:15:59题目:对一任意维数据集,搜索半径为r的最大的5个密度点(密度也就是以该点为中心半径为r范围内点数最多) 提示:前一次最大密度点半径r内的点在搜索下一最大密度点的时候要被删掉,(可以运用距离矩阵) ''' # ... -
coco数据集大小分类_第八天算法实践KNN分类——二维数据集
2020-12-25 19:17:38一、在二维数据集——KNN分类中,遇到的函数及其作用如下:(1)KNeighborsClassifier,K近邻算法分类器代码中:KNeighborsClassifier(k)——参数k的含义是给定的邻居数,即:分别按照k值为1,3,5,8,10,... -
三维点云数据集下载
2018-06-12 00:24:23各位做三维点云数据的小伙伴是不是为找三维点云数据集而苦恼,我告诉你们一个网址,Princeton ModelNet。上面有很多分好类的三维点云数据集,还有源代码,还有相关的论文。嗯你看了后会来感谢我的... -
Python-Featureselector一个用于减少机器学习数据集维数的工具
2019-08-11 03:49:50Feature selector一个用于减少机器学习数据集维数的工具 -
一维时间序列数据(股票价格)
2019-03-03 08:25:07可用于进行序列预测的一维数据集,取自某支股票的某时间段内的价格。 -
TensorflowTutorial_一维数据构造简单CNN
2018-02-07 10:09:03神经网络对于一维数据非常重要,时序数据集、信号处理数据集和一些文本嵌入数据集都是一维数据,会频繁的使用到神经网络。我们在此利用一组一维数据构造卷积层-最大池化层-全连接层的卷积神经网络。希望给大家使用... -
【深度学习】三维点云数据集总结
2018-10-22 15:19:13ShapeNet是一个丰富标注的大规模点云数据集,其中包含了55中常见的物品类别和513000个三维模型。 2.ShapeNetSem 这是一个小的数据库,包含了270类的12000个物体。 3.ModelNet ModelNet总共有662中目标分类,... -
一维列表,二维列表,元组,字典制作数据集
2020-05-26 15:54:52一维列表 import tensorflow as tf ## for 1D tensor produce **scalar tensor elements** dataset = tf.data.Dataset.from_tensor_slices([1,2,3]) print(type(dataset)) for element in dataset: print(element)... -
gan怎么输入一维数据_pytorch:实现简单的GAN示例(MNIST数据集)
2020-12-23 06:16:09optimizer(G) train_a_gan(D, G, D_optim, G_optim, discriminator_loss, generator_loss) 以上这篇pytorch:实现简单的GAN示例(MNIST数据集)就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多... -
如何将多个一维列表转化为二维列表_数据分析2_如何处理一维、二维数据
2020-11-24 05:25:36因此,数据分析最首要的是,处理一维、二维数据。主要知识点可参考如图。如需要,可点击以下百度网盘链接下载数据分析基础知识图PDF:mindmap2_数据分析基础.pdf308.7K · 百度网盘数据分析常用第三方包... -
一些有用的三维点云数据集网站
2020-01-01 18:40:13三维点云 欧特克的研究——数字210金欧特克的样品扫描和图像数据研究办公室。自治系统实验室(乙)激光和Kinect结构化和非结构化的数据环境。...加拿大行星模拟地形三维映射的数据集激光扫描非结构化地形从... -
点云深度学习-三维点云数据集
2021-01-16 10:12:27SemanticKITTI:一个连续多帧的大规模室外点云数据集 Semantic3D:一个大规模的点云数据集 -
使用一维数据构造简单卷积神经网络
2018-05-23 14:47:00神经网络对于一维数据非常重要,时序数据集、信号处理数据集和一些文本嵌入数据集都是一维数据,会频繁的使用到神经网络。我们在此利用一组一维数据构造卷积层-最大池化层-全连接层的卷积神经网络。希望给大家使用...
-
简单的Android端新闻App的实现
-
SILEX-I超短脉冲激光装置放大前级输出能量稳定性提升
-
高光反射Blinn-Phong光照模型
-
Openvino2021_2安装完成后跑Demo遇到的问题
-
idea代码块红色下划线消除方法、无法查看源码方法
-
349. 两个数组的交集
-
Jsplumb从入门到实战
-
集成计数器实验报告.docx
-
docker占用磁盘空间过大 WLS2 清理
-
142. 环形链表 II
-
HTML5动态效果制作方法整理
-
激光喷丸处理对X70管线钢焊接接头低温冲击断口形貌的影响
-
响应式编程入门与实战(Reactor、WebFlux、R2DBC)
-
FastDFS 分布式文件系统部署
-
PPTP_NNN 服务生产环境实战教程
-
深究字符编码的奥秘,与乱码说再见
-
shader入门精要3
-
炸弹算分构写
-
【LeetCode】第657题——机器人能否返回原点(难度:简单)
-
气缸盖激光热负荷试验模型相关参数的校核研究