ROS实验报告二
Topic 与 Service
关于ros中的服务通信机制，是一种同步通信，相较于话题通信，区别如下：
ROS学习笔记6~Topic(话题)
和Service(服务)的区别
话题通信适用于不断更新的数据传输相关的应用场景
对比项
发布/订阅
请求/响应
通信模式
发布者发布消息，订阅者接收消息，多对多关系
客户端向服务器发送请求，服务器返回响
机器学习实验6
本次实验需要构造一个简单的 softmax
分类模型，先复习一下基础知识
利用softmax进行预测，得到预测的分类结果
对于损失函数的定义如下：
对损失函数的定义需要重点关注！！！
有了损失函数和梯度就可以构建模型
12345def cost_gradient(W, X, Y, n): G = (1 / n) * np.dot(X.T, predict(X, W)
数字图像处理实验1
本次实验课实现了对于16色图像、256色图像、24位真彩图像的读取显示，以及灰度变换功能，对于不同深度的图像结构有了进一步的了解，部分代码展示如下，便于温习巩固
1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950515253545556575859606162636
第二章：色彩模型
第二章：色彩模型
面向设备的色彩模型
面向设备的色彩模型有 RGB 和 CMYK 等
RGB色彩模型
RGB模型是基于仿生学原理，人的视网膜有三种细胞，分别对红、绿、蓝三种颜色敏感（其中绿色最敏感）。这三种颜色的光通过相加，可以混合出绝大部分肉眼能看到的颜色
使用最广泛的色彩模型。非常适合在输出显示场合使用，如彩色电视机的显像管、计算机的显示器
RGB模型的扩展-彩色电视模型
ROS实验报告一
ROS实验一记录
实验一要求
实现一个复杂的话题（topics）通信，（若无法实现要求一，可使用本地图片）。实验报告需提交PDF，文件命名方式：学号+专业姓名+实验1。提交日期/方式：10.25号通过机房电脑系统提交。
要求一：需实现Ubuntu调用笔记本摄像头。
要求二：需实时对拍摄得的图片进行图像处理（灰度化，边缘检测，方式不限）。
要求三：提交的报告需附关键功能代码，以及处理前后的
机器学习实验5
首先尝试使用粒子群算法求解正则项的系数
123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263646566676869707172737475767778798081828384858687888990919293
第六讲_正则化
第六讲：Regularization 正则化
回顾模型过拟合的原因： - 模型过于复杂，参数多，可能性多
- 训练集、测试集数据量太少，无法完全覆盖所有情况
L^2 正则化
正则化（Regularization）
还是需要调参
L^1 正则化
L1正则化做特征选择
计算L1正则的偏导
正则化的作用是防止模型过拟合，通过对模型的参数进行约束，使得模型更加
第五讲_多分类回归
多分类问题
Softmax regression
如手写字体识别等
数据
x可以多维，一个y（不同的类用不同的数值表示）
首先需要将y的标签转换为one-hot向量
123456789101112import torch# 创建原始张量y = torch.tensor([0, 1, 2])# 创建一个全零的 one - hot 编码张量y_onehot = torch.zeros(le
第四讲_模型选择
十折交叉验证的概念
一般实验中不会做这么多折，一般5折或者3折交叉验证
偏差和方差
alt text
偏差：模型预测值与真实值之间的误差，越小越好。
方差：模型预测值与真实值之间的方差，越小越好。
欠拟合
使用更加复杂的模型
增加更多的维度（特征）
过拟合
收集更多的数据可以优化
降低模型复杂度
regularization 正则化
面