bH1pJ - 博客园

2022年5月20日

摘要： opencv show image opencv Python展示一张图片答案如下 cv.imshow("window_name", somaBackground), cv.waitKey(0) 阅读全文

posted @ 2022-05-20 17:24 bH1pJ 阅读(25) 评论(0) 推荐(0)

摘要：结论：目前对louvain社群划分的方法，用的比较多： code如下 import collections import random import networkx as nx import matplotlib.pyplot as plt def load_graph(path): G = c 阅读全文

posted @ 2022-05-20 14:52 bH1pJ 阅读(61) 评论(0) 推荐(0)

非线性动力学常见的分析方法包括

摘要：坑非线性动力学常见的分析方法包括 1、相平面法； 2、振荡； 3、奇异摄动； 4、分岔分析；阅读全文

posted @ 2022-05-20 11:06 bH1pJ 阅读(114) 评论(0) 推荐(0)

2022年5月19日

Python如何设置对数log坐标系的range

摘要： Python如何设置对数log坐标系的range fig, ax = plt.subplots() sns.lineplot(data=df, x="k", y="pk") ax.set_xscale("log") ax.set_yscale("log") ax.set_xlim(3, 1e2) a 阅读全文

posted @ 2022-05-19 17:58 bH1pJ 阅读(95) 评论(0) 推荐(0)

Python如何绘制误差直方图？曲线的阴影图？shade range graph

摘要：问题抽象：Python如何绘制曲线的阴影图？建议的方案： flights = sns.load_dataset("flights") flights.head() sns.lineplot(data=flights, x="year", y="passengers") plt.show() 效果如阅读全文

posted @ 2022-05-19 17:08 bH1pJ 阅读(401) 评论(0) 推荐(0)

使用networkx构建随机网络

摘要：使用networkx构建随机网络有两种方法：也可以直接调用库函数来生成这两种网络 n, m, p = 20,40,0.2 #节点数、边数、连边概率； g1 = nx.gnm_random_graph(n, m) #根据连边数，确定随机网络 g2 = nx.gnp_random_graph(n, 阅读全文

posted @ 2022-05-19 14:19 bH1pJ 阅读(141) 评论(0) 推荐(0)

如何拟合幂率分布的幂率

摘要： from scipy import optimize import numpy as np #定义需要拟合的函数 def fit_line(x, a, b): return a*x + b k, pk = get_dgreeDistr(BA) kmin = np.min(k) kmax = np.m 阅读全文

posted @ 2022-05-19 11:59 bH1pJ 阅读(75) 评论(0) 推荐(0)

如何计算一个复杂网络的图的概率分布

摘要：自己手把手写一个计算度分布的函数：基本思路，两层for循环，定义 def get_dgreeDistr(G): all_k = [G.degree(i) for i in G.nodes()] #获取每个节点的度值； k = list(set(all_k)) N = len(G.nodes()) P 阅读全文

posted @ 2022-05-19 11:20 bH1pJ 阅读(42) 评论(0) 推荐(0)

python使用使用对数坐标系 fig, ax = plt.subplots() ax.set_xscale(“log“) ax.set_yscale(“log“)

摘要： python使用使用对数坐标系 newX = [] newY = [] for i in range(len(x)): if y[i] != 0 : newX.append(x[i]) newY.append(y[i]) fig, ax = plt.subplots() ax.plot(newX,n 阅读全文

posted @ 2022-05-19 10:59 bH1pJ 阅读(144) 评论(0) 推荐(0)

2022年5月18日

对残差神经网络，resnet的理解

摘要：参考资料背景：遇到了挑战，随着网络深度的增加，模型的预测结果并没有编号。按道理，如果深度为20的网络已经达到不错的效果的话，深度增加到30层，后10层什么都不做，也能达到和20层一样的效果才对。但是实际上，随着深度的增加，效果反而变差了。 1、原因在于，随着网络深度的增加，通过链式求导法则得到的阅读全文

posted @ 2022-05-18 23:58 bH1pJ 阅读(31) 评论(0) 推荐(0)

公告