小编San*_*Dey的帖子

我有一个有向图 G(V,E) 和权重 w(u,v)。

在这个图中，权重 w(u,v) 表示 node(v) 从 node(u) 访问了多少次。例如（有关有向图图像，请参阅此内容）：

     1 3
  A ----- B ----- D
  | \____/|
 1| 4 |2
  | |
  行政长官

由于 C 和 B 从 A 被访问了一次，D 从 B 被访问了 3 次，以此类推。鉴于这些数据，我如何计算到达每个终端节点的确切概率，即；C、E、D，如果从 A 开始。

有什么建议吗？

我使用下面的代码创建并采样了平均值 = 0 的联合高斯先验：

import numpy as np\nimport matplotlib.pyplot as plt \nfrom math import pi \nfrom scipy.spatial.distance import cdist\nimport scipy.stats as sts\n\nx_prior = np.linspace(-10,10,101)\nx_prior = x_prior.reshape(-1,1)\nmu = np.zeros(x_prior.shape)\n\n#defining the Kernel for the covariance function\n\ndef sec(a,b, length_scale , sigma) : \n    K = sigma * np.exp(-1/(2*length_scale) * cdist(a,b)**2)\n    return K \n\n#defining the Gaussian Process prior\n\ndef GP(a , b, mu , kernel , length_scale, sigma , samples ) :\n    f = np.random.multivariate_normal(mu.flatten(), kernel(a ,b , length_scale , sigma ) , samples)\n …

我可以获得一些关于如何使用opencv在实时视频中变形脸部的想法吗？我尝试过Face替换,但它是使用openFrameworks实现的.

我想用opencv实现相同的功能.opencv中是否还有其他方法可以将Face替换代码从openFrameworks直接移植到Opencv？

我也经历过这个链接,但是很少有人提到过,因为在opencv中不推荐使用face变形？

我一直在试图找出执行完全自适应直方图均衡（无需插值）的算法。然而，我似乎仍然缺少一块，并且没有设法获得正确的结果图像。

以下是我遵循的步骤，希望有人能够阐明缺少的内容：

1. 输入灰度图像（0-255）。
2. 创建超大图像并镜像边界附近的值以避免边界和角的特殊情况。（正如本文第 20 页所提出的：自适应直方图均衡化并行实现）
3. 为源图像中的每个像素初始化等级 0。
4. 对于源图像中的每个像素，找到其在其局部区域中的排名（局部区域大小将作为输入给出）。像素等级是局部区域中小于中心像素的像素数量（我们正在循环的像素，在源图像中）
5. 新像素值计算公式为：Rank * (最大强度 = 255) / (局部区域像素数)

遵循这些步骤会产生 30x30 局部区域窗口大小的以下输出：

原来的：

输出：

我希望在以下问题上得到一些指导，以解决我在这里缺少的内容。

我正在尝试对来自 lasso2 包的前列腺癌数据运行不同的回归模型。当我使用 Lasso 时，我看到了两种不同的方法来计算均方误差。但他们确实给了我完全不同的结果，所以我想知道我是否做错了什么，或者这是否只是意味着一种方法比另一种更好？

# Needs the following R packages.
library(lasso2)
library(glmnet)

# Gets the prostate cancer dataset
data(Prostate)

# Defines the Mean Square Error function 
mse = function(x,y) { mean((x-y)^2)}

# 75% of the sample size.
smp_size = floor(0.75 * nrow(Prostate))

# Sets the seed to make the partition reproductible.
set.seed(907)
train_ind = sample(seq_len(nrow(Prostate)), size = smp_size)

# Training set
train = Prostate[train_ind, ]

# Test set
test = Prostate[-train_ind, ]

# Creates matrices for independent and dependent …

我已经用rf方法训练了一个数据集。例如：

ctrl <- trainControl(
                     method = "LGOCV", 
                     repeats = 3, 
                     savePred=TRUE,
                     verboseIter = TRUE,
                     preProcOptions = list(thresh = 0.95)
                    )

preProcessInTrain<-c("center", "scale")
metric_used<-"Accuracy"
model <- train(
               Output ~ ., data = training,
               method = "rf",
               trControl = ctrl,
               metric=metric_used,
               tuneLength = 10,
               preProc = preProcessInTrain
              )

在那之后，我想绘制决策树，但是当我 wirte 时plot(model)，我得到了这个：plot(model)。

如果我写plot(model$finalModel)，我会得到这个：plot(model$finalModel)

我想绘制决策树...

我怎样才能做到这一点？谢谢 ：）

R 中有类似的东西可以调用吗df$col1:df$col5？我想使用 将字符元素转换为数字as.numeric，因此我想做 as.numeric( df$col1:df$col5) 之类的操作将这些列中的所有元素转换为数字。

为了允许将Keras模型用作标准tensorflow操作的一部分，我使用输入的特定占位符创建一个模型。

但是，当尝试执行model.predict时，出现错误：

InvalidArgumentError (see above for traceback): You must feed a value for placeholder tensor 'Placeholder' with dtype float and shape [100,84,84,4]
 [[Node: Placeholder = Placeholder[dtype=DT_FLOAT, shape=[100,84,84,4], _device="/job:localhost/replica:0/task:0/cpu:0"]()]]

我的代码如下：

from keras.layers import Convolution2D, Dense, Input
from keras.models import Model
from keras.optimizers import Nadam
from keras.losses import mean_absolute_error
from keras.activations import relu
import tensorflow as tf
import numpy as np
import gym

state_size = [100, 84, 84, 4]

input_tensor = tf.placeholder(dtype=tf.float32, shape=state_size)

inputL = Input(tensor=input_tensor)
h1 = Convolution2D(filters=32, kernel_size=(5,5), strides=(4,4), activation=relu) …

我用from_samples()石榴构建了一个贝叶斯网络。我能够使用 来从模型中获得最大可能的预测model.predict()。我想知道是否有一种方法可以有条件（或无条件）从这个贝叶斯网络中采样？即是否有从网络中获取随机样本而不是最大可能的预测？

我看了看model.sample()，但它正在上升NotImplementedError。

另外，如果使用 无法做到这一点pomegranate，那么还有哪些其他库非常适合 Python 中的贝叶斯网络？

我从 VOC2012 数据集中获取了以下 png 文件。

我使用了以下简单代码：

import numpy as np
from PIL import Image
import matplotlib.pyplot as plt
%matplotlib inline

img = Image.open(filename) # filename is the png file in question
img.show()
arr = np.array(img)
plt.imshow(arr, cmap='gray')

它产生了以下图像：

这很奇怪，因为结果不是原始图像的灰度图像。上面的代码也用于 deeplab tensorflow 数据集，以去除真实图像中的颜色图。

有谁知道为什么？非常感谢！