爱上佛我佛可能去哦挖掘我让师傅看没看没法 (2).docxVIP

第一题:图像的滤波在不使用中值与均值滤波的情况下对图像进行滤波 运用高斯滤波 import cv2 # ----------------------读取图片----------------------------- img = cv2.imread('030.jpg') # ----------------------高斯滤波----------------------------- result_5 = cv2.GaussianBlur(img, (5, 5), 0) # 5x5 result_9 = cv2.GaussianBlur(img, (9, 9), 0) # 9x9 # ----------------------显示结果----------------------------- cv2.imshow('origion_pic', img) cv2.imshow('5x5_filtered_pic', result_5) cv2.imshow('9x9_filtered_pic', result_9) cv2.waitKey(0) 第二题 手工编程实现bp算法分类 基于BP神经网络的鸢尾花分类（Python） 鸢尾花数据集包含4种特征，萼片长度（Sepal Length）、萼片宽度（Sepal Width）、花瓣长度（Petal Length）和花瓣宽度（Petal Width），以及3种鸢尾花Versicolor、Virginica和Setosa。 编程实现： import pandas as pd import numpy as np import datetime import matplotlib.pyplot as plt from pandas.plotting import radviz ''' 构建一个具有1个隐藏层的神经网络，隐层的大小为10 输入层为4个特征，输出层为3个分类 (1,0,0)为第一类，(0,1,0)为第二类，(0,0,1)为第三类 ''' # 1.初始化参数 def initialize_parameters(n_x, n_h, n_y): np.random.seed(2) # 权重和偏置矩阵 w1 = np.random.randn(n_h, n_x) * 0.01 b1 = np.zeros(shape=(n_h, 1)) w2 = np.random.randn(n_y, n_h) * 0.01 b2 = np.zeros(shape=(n_y, 1)) # 通过字典存储参数 parameters = {'w1': w1, 'b1': b1, 'w2': w2, 'b2': b2} return parameters # 2.前向传播 def forward_propagation(X, parameters): w1 = parameters['w1'] b1 = parameters['b1'] w2 = parameters['w2'] b2 = parameters['b2'] # 通过前向传播来计算a2 z1 = np.dot(w1, X) + b1 # 这个地方需注意矩阵加法：虽然(w1*X)和b1的维度不同，但可以相加 a1 = np.tanh(z1) # 使用tanh作为第一层的激活函数 z2 = np.dot(w2, a1) + b2 a2 = 1 / (1 + np.exp(-z2)) # 使用sigmoid作为第二层的激活函数 # 通过字典存储参数 cache = {'z1': z1, 'a1': a1, 'z2': z2, 'a2': a2} return a2, cache # 3.计算代价函数 def compute_cost(a2, Y, parameters): m = Y.shape[1] # Y的列数即为总的样本数 # 采用交叉熵（cross-entropy）作为代价函数 logprobs = np.multiply(np.log(a2), Y) + np.multiply((1 - Y), np.log(1 - a2)) cost = - np.sum(logprobs) / m return cost # 4.反向传播（计算代价函数的导数） def backward_propagation(parameters, cache, X, Y): m