题目分析 代码分析 这个相当于是leetcode37的准备，使用到了hash的思想，通过数组的形式进行判断就可以了 代码总结 public static boolean isValidSudoku(char[][] board) { //大方格的判断 for(int i=0;i<3;i++) { for(int j=0;j<3;j++) { int starti=3*i; int startj=3*j; int[] map=new int[10]; for(int qi=starti;qi<starti+3;qi++) for(int qj=startj;qj<star...

题目 代码分析 递归参数的确定 1,使用的思想就是回溯递归，每放入一个位置就判断一下，如果可以的话，我们就继续递归，不行的话，复原当前位置，换一个数字继续递归。对于二维数组的话，我们的row和col是不断改变的。所以我们的方法参数包括row和col,每一次这个f的时候，需要改变的就是row和col。2,当然也需要带上char[][] board这个二维数组3,除了回溯的思想，我们还需要用到hash的概念，因为每放一个数字就要判断它的合法性，如果使用for循环进行判断的话，时间复杂度会很高，所以我们使用hash的思想来降低时间复杂度，需要判断的时间复杂度来自于三个地方 行，列，小方块使用二维数组...

使用SRCNN进行测试 准备图片 # Read and prepare the test image for SRCNN. def prepare_data(path): # Settings. data = [] label = [] padding = abs(size_input - size_label) / 2 stride = 21 # Read in image and convert to ycrcb color space. img_input = cv.imread(path) im = cv.cvtColor(img_input, cv.COLOR_BGR2YCR_CB)...

在(一)中，是对图片的处理，在二中就开始看训练过程了 size_input = 33 size_label = 21images = tf.placeholder(tf.float32, [None, size_input, size_input, 1], name='images') labels = tf.placeholder(tf.float32, [None, size_label, size_label, 1], name='labels') learning_rate = 1e-4 num_epoch = 15000 batch_size = 128 num_training =...

首先是编写代码需要用到的知识，如numpy和tensorflow，cv2的使用参照的代码是github上的SRCNN的实现，网址如下: https://github.com/Edwardlzy/SRCNN基本的配置 对于图片放大或者缩小的倍数是3 scale=3图片输入的大小是33，图片输出的是21，使用图片进行训练的步长是14．使用图片进行测试的步长是21 图片的预处理 def im2double(im): info = np.iinfo(im.dtype) return im.astype(np.float) / info.max这里是对图片进行归一化处理，比如对于精度为8的，就是除以25...

卷积层的向前传播 def conv_forward(A_prev,W,b,hparameters): (m,n_H_prev,n_W_prev,n_C_prev)=A_prev.shape (f,f,n_C_prev,n_C)=W.shape向前传播，参与运算的有A_prev,W,b,还有两个超参数，步长和填充大小。先来看A_prev的结构，第一维表示的是样本，所以一会向前传播第一层循环就是 for i in range(m): a_prev=A_prev[i]将四维降维成为三维，A_prev后面的三维分别是,当前的高度，当前的宽度，当前的通道数量。然后就是过滤器的结构，分析一下，过滤器的前三...

part1 初始化配置  def __init__(self, sess, image_size=33,#输入图片是33 label_size=21, #输出图片是21 batch_size=64,#一个batch是６４ c_dim=1, checkpoint_dir=None, sample_dir=None): self.sess = sess self.is_grayscale = (c_dim == 1) self.image_size = image_size self.label_size = label_size self.batch_size = batch_size self...

首先看util.py part1 从文件读取数据 def read_data(path): with h5py.File(path, 'r') as hf: data = np.array(hf.get('data')) label = np.array(hf.get('label')) return data, label规整图片的边界 先看代码 def modcrop(image, scale=3): if len(image.shape) == 3: h, w, _ = image.shape h = h - np.mod(h, scale) #mod的作用是取余数，这里返回的是h除以s...

初始化，正则化，梯度校验 首先来看一下我们使用到了库和数据集然后我们说明一下，我们要做的事情首先是初始化参数，当然分为三种情况，如下 case1:初始化为0 case2:初始化为随机数 case3:初始化为梯度抑制给出的数然后就是正则化，这里是两种情况 case1:正则L2 case2:随机删除节点最后就是梯度校验 正式开始 导入的库 import numpy as np import matplotlib.pyplot as plt import sklearn import sklearn.datasets import init_utils #第一部分，初始化 import reg_ut...

一步步搭建多层神经网络以及应用 这一次的作业我们搭建两个神经网络，一个是两层的，一个是多层的 开始之前 开始之前，我们来看一下神经网络运行的大概步骤，先来贴一张图片在进入神经网络之前，我们会提供所有需要用到的w和b，有几层就会有多少对这样的w和b，进入先是正向传播，直到算出了损失函数，然后就是反向传播，通过这个损失函数，反过来影响我们的w和b，不断的修改w和b最后得到一个最后的w和b，然后将这个w和b应用来预测 初始化网络参数 前向传播 2.1 计算一层的中线性求和的部分 2.2 计算激活函数的部分（ReLU使用L-1次，Sigmod使用1次） 2.3 结合线性求和与激活函数 计算误差 反向传...

带有一个隐藏层的平面数据分类 解释一下，就是一个二维平面有两种不同的花色，我们通过花色将这个平面进行划分 预备知识 我们先来看一下我们需要的包 import numpy as np import matplotlib.pyplot as plt from testCases import * import sklearn import sklearn.datasets import sklearn.linear_model from planar_utils import plot_decision_boundary, sigmoid, load_planar_dataset, load_ex...