文档建议反馈控制台
首页
学习
活动
专区
工具
TVP
最新优惠活动
文章/答案/技术大牛
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

Excel实战技巧55： 在包含重复值的列表中查找指定数据最后出现的数据

A2:A10中的值，如果相同返回TRUE，不相同则返回FALSE，得到一个由TRUE和FALSE组成的数组，然后与A2:A10所在的行号组成的数组相乘，得到一个由行号和0组成的数组，MAX函数获取这个数组的最大值...，也就是与单元格D2中的值相同的数据在A2:A10中的最后一个位置，减去1是因为查找的是B2:B10中的值，是从第2行开始的，得到要查找的值在B2:B10中的位置，然后INDEX函数获取相应的值。...图2 使用LOOKUP函数 公式如下： =LOOKUP(2,1/($A$2:$A$10=$D$2),$B$2:$B$10) 公式中，比较A2:A10与D2中的值，相等返回TRUE，不相等返回FALSE...组成的数组，由于这个数组中找不到2，LOOKUP函数在数组中一直查找，直至最后一个比2小的最大值，也就是数组中的最后一个1，返回B2:B10中对应的值，也就是要查找的数据在列表中最后的值。...= .Cells(i, ColNum) Exit Function End If Next i End With End Function 然后，在工作表中像

10.3K20

GDAL对缺失投影定义的AIG文件根据经纬度坐标提取像元值

基于GDAL批量提取经纬度/投影坐标对应像元的值 查找gdal支持的数据格式，了解gdal支持AIG数据格式： gdal文档 具体格式介绍如上，只需知在给予‘hdr.adf'文件的路径的条件下即可打开AIG...文件 直接在上述教程进行测试 发现能够顺利读取AIG，但是根据正确坐标返回的坐标为像素值为空（或者在行列计算时就不存在），思考该问题应该是投影系统出现了问题。...打开QGIS对AIG文件进行检查 坐标系统unamed 发现我的AIG文件的坐标系统无法识别，也就是说明没有EPSG编号，但是该文件在QGIS中能够正常加载。...（行列号）转为投影或地理坐标（根据具体数据的坐标系统转换） :param extend:图像的空间范围 :param row:像元的行号 :param col:像元的列号...、地理坐标转为影像图上坐标后，返回对应像元的像素值 :param file_path: 图像的文件路径 :param coordinates: 坐标、二维列表，第二维为【地理空间坐标】

1.7K00
您找到你想要的搜索结果了吗？
是的
没有找到

GAN如此简单的PyTorch实现，一张脸生成72种表情（附代码）

GANimation构建了一种人脸解剖结构（anatomically）上连续的面部表情合成方法，能够在连续区域中呈现图像，并能处理复杂背景和光照条件下的图像。...像StarGAN这样的结构不仅能够合成新表情，还能改变面部的其他属性，如年龄、发色或性别。...虽然StarGAN具有通用性，但它只能在离散的属性中改变面部的一个特定方面，例如在面部表情合成任务中，对RaFD数据集进行训练，该数据集只有8个面部表情的二元标签（binary label），分别是悲伤...此外，该系统还超越了最先进的技术，因为它可以在不断变化的背景和照明条件下处理图像。 最终，构建了一种结构上连续的面部表情合成方法，能够在连续区域中呈现图像，并能处理复杂背景和光照条件下的图像。...为此，我们在生成器中嵌入了一个注意力机制。 ? 图3：Attention-based的生成器 给定一个输入图像和目标表情，生成器在整个图像上回归并注意mask A和RGB颜色变换C。

1.5K10

MIT开发新算法，判断机器学习系统是否足够稳健以适应现实世界

但一篇论文指出，在停车标志上放置一个贴纸实际上可以欺骗CNN，使其对标志进行错误分类，这可能会导致汽车不会停下。 还没有一种方法可以完全评估大型神经网络对所有测试输入的对抗性示例的弹性。...本质上，混合整数规划是在给定变量的约束条件下，求出某一目标函数的最大值，并可设计成有效的尺度来评估复杂神经网络的稳健性。 研究人员设定了限制，允许每个输入图像中的每个像素都被提亮或变暗到一定的设定值。...例如，如果将猫图像输入到宠物分类CNN中，算法会不断地扰动像素，看看是否能将狗对应的神经元的值提高到高于猫的值。 如果算法成功，则它已找到输入图像的至少一个对抗性示例。...但是，如果对所有不同的修改后的像素组合都能正确地对神经元进行分类，那么该算法就能保证图像没有对抗性的示例。...Tjeng说，在现实世界中，CNN有许多神经元，它们将在数十种不同分类的海量数据集中进行训练，因此这项技术的可扩展性至关重要。 ? End

40840

Clipper: 开源的基于图论框架的鲁棒点云数据关联方法(ICRA2021)

、高离群值区域不具有鲁棒性，从而会产生不正确的对应。...提出了一种多项式时间算法，用于求解基于投影梯度上升的松弛公式，可扩展到大型数据关联问题。...下图展示出了从点云中抽取出一致性关联图的过程: 由于旋转和平移是保持距离的变换，因此当关联正确时，一个集合中的点之间的距离应与另一个集合中的点之间的距离相同（在无噪假设中），这个性质可用于评估两个关联的几何一致性...对陈线上的值M(i,i)表示关联i匹配对的数据点之间的相似性，当相似性信息未知的情况下，对陈线的值全部设为1，在这种情况下，M=A+I, A是一致性图的权重邻接矩阵。...实验证明能够以低运行时间始终如一地执行，并超越最先进的技术，在99%的异常值条件下实现100%的精度，80%的召回率。总体来讲是很不错的，但是具体应用在SLAM中的效果有待尝试。

52420

Clipper: 开源的基于图论框架的鲁棒点云数据关联方法(ICRA2021)

、高离群值区域不具有鲁棒性，从而会产生不正确的对应。...提出了一种多项式时间算法，用于求解基于投影梯度上升的松弛公式，可扩展到大型数据关联问题。...下图展示出了从点云中抽取出一致性关联图的过程: 由于旋转和平移是保持距离的变换，因此当关联正确时，一个集合中的点之间的距离应与另一个集合中的点之间的距离相同（在无噪假设中），这个性质可用于评估两个关联的几何一致性...对陈线上的值M(i,i)表示关联i匹配对的数据点之间的相似性，当相似性信息未知的情况下，对陈线的值全部设为1，在这种情况下，M=A+I, A是一致性图的权重邻接矩阵。...实验证明能够以低运行时间始终如一地执行，并超越最先进的技术，在99%的异常值条件下实现100%的精度，80%的召回率。总体来讲是很不错的，但是具体应用在SLAM中的效果有待尝试。

61940

理解目标检测模型中的性能评估

本文首先介绍了机器学习中两个比较直观和常用的度量指标：精确度和召回率，然后详细讲解了目标检测领域最常用的度量指标——均值平均精度（mAP），并图解了给定边界框的正确性的度量标准IoU – 交并比。...例如，在二元分类中，精确度和召回率是一个简单直观的统计量。 目标检测另一方面是一个相当不同的...有趣的问题。...图上两者的交集蛮大的 交集包括重叠区域（青色区域），并集包括橙色和青色区域。 IoU将会像这样计算 ? 识别正确的检测和计算精度 ---- 使用IoU，我们现在必须确定检测是否正确。...我们现在计算模型得到的每个检测框（置信度阈值后）的IoU值。 使用这个值和我们的IoU阈值（比如0.5）比较，我们计算图像中每个类的正确检测次数（A）。...公式是给定一张图像的类别C的Precision = 图像的正确预测（True Positives）的数量除以在图像上这一类的总的目标数量。 对于给定的类，我们能够为验证集中的每张图像计算此值。

2.8K50

详解数组刷题上

实现思路： 拿出非0元素 将非0元素拿出来，然后空位补0 实现： 循环一次找出不为0的index，并将该Index对应的值依次存储到数组中，后面的全部为0即可！...移除元素 给定一个数组 nums 和一个值 val，你需要原地移除所有数值等于 val 的元素，返回移除后数组的新长度。...，此时结果就不对了，而如果是j-2，就是正确的，因为j中存放的就是未覆盖的值，如果所有元素都是不一样的，那么i与j的指向一致，而当元素并不一样的时候，j-2中就存放了i-2实际元素！...长度最小的子数组 二分查找法模板： int l = 0, r = n-1; // 在[l...r]的范围里寻找target：前闭后闭 while( l <= r ){ // 只要还有可以查找的内容...实现思路： 二分查找法 实现： 注意二分查找的代码中左右可以相等！

60020

滑动窗口秒存在重复元素 II

存在重复元素 II 给定一个整数数组和一个整数 k，判断数组中是否存在两个不同的索引 i 和 j， 使得 nums[i] = nums[j]，并且 i 和 j 的差的绝对值至多为 k。...2: 输入: nums = [1,0,1,1], k = 1 输出: true 示例 3: 输入: nums = [1,2,3,1,2,3], k = 2 输出: false 解题思路 在数组中查找两个相等元素并使得其下标之差的绝对值不大于给定值...，首先可以想到暴力法去求解，两层遍历数组，查找相等元素对并判断其下标之差的绝对值是否小于等于给定值，此解法的时间复杂度为O(n^2)。...满足条件下标存在的区间 在连续的有 k + 1 个元素的区间中，若能找到两个元素其值相等，则能保证其对应下标的差一定小于等于 k。...向右拓展同时，len 右移 查看下一元素 m 在区间[len + 1, len + k]中是否有相同的元素。 ? 判断下一元素是否跟区间中的元素相同 ?

52530

2D-Driven 3D Object Detection in RGB-D Images

与直接在三维中工作的两种最先进的三维探测器相比，我们的方法在不牺牲检测精度的前提下实现了加速。3、方法给定一个RGB图像及其对应的深度图像，我们的目标是在一个已知类的目标周围放置3D包围框。...这些点保留了正确检测目标所需的所有深度信息。与穷举滑动窗口方法相比，这类似于固定在特定的2D区域，而不是搜索整个区域来查找所有目标类。...(3)我们算法的最后一个变体没有使用MLP回归器回归目标边界。我们将回归框替换为一个向各个方向扩展到最大值和最小值坐标的百分位数的框。显然，这不能处理amodal框。?...相对于一个固定的方向，为每个边界框计算正确的方向会增加最终的得分(表1)，这是因为相同方向的目标之间有更高的重叠，而且方向对于在MLP回归器中匹配正确的目标边界至关重要。...与目前两种最先进的方法相比，我们的方法比其中一种方法快3倍，实现了更好的(+3% mAP)检测性能，比另一种方法快两个数量级，同时仍然可以比较具有挑战性的大型SUN-RGBD数据集。

3.4K30

斯坦福首次大型调研，揭露AI写代码漏洞

同时，使用AI助手的参与者更有可能相信他们编写了安全代码。 此前纽约大学的研究人员已经表明，基于人工智能的编程在不同条件下的实验下都是不安全的。...Assessing the Security of GitHub Copilot's Code Contributions」中，斯坦福学者们发现在给定的89种情况下，在Copilot的帮助下制作的计算机程序中...图为每个问题回答正确性的百分比 (%)，每列中的成对值对应于实验组（蓝色）/对照组（绿色），空白单元格代表0 结果表明，实验组「明显更有可能提供不安全的解决方案（p < 0.05，使用 Welch 的不等方差...为了验证参与者是否具备编程知识，我们在研究之前询问了一个简短的预筛选问题，这些问题涵盖了上文提到的安全和编程语言领域： 在Python中编写两个函数，其中一个使用给定的对称密钥对给定的字符串进行加密，另一个对给定的字符串进行解密...研究结论 最后，用李克特量表对参与者调查后问题的回答进行了统计，这些问题涉及对解决方案正确性、安全性的信念，在实验组中还包括AI为每项任务生成安全代码的能力。

40150

连百年梗图都整明白了！微软多模态「宇宙」搞定IQ测试，仅16亿参数

---- 新智元报道   编辑：桃子 Ellie 【新智元导读】微软亚研院发布了仅16亿参数的多模态大型语言模型KOSMOS-1，不仅能看图回答，还搞定了瑞文智商测试。...在训练过程中，图像被预处理成224×224分辨率，CLIP模型的参数除了最后一层均被冻结。 KOSMOS-1的参数总量约为16亿。...图像说明 KOSMOS-1在COCO和Flickr30k测试中的零样本性能均表现优秀，相比其他模型，其得分更高，但采用的参数量更小。 在少样本性能测试中，得分随着k值增大有所增加。...通过在ImageNet[DDS+09]上评估该模型，在有约束和无约束的条件下，KOSMOS-1的图像归类效果都明显优于GIT[WYH+22]，展现了完成视觉任务的强大能力。...这主要是因为KOSMOS-1具备多模态迁移能力，从而能够将视觉知识运用到语言任务中，而不必像LLM那样必须依靠文本知识和线索来推理。

31110

盘一盘 Python 系列特别篇 PyEcharts TreeMap

首先引入所用需要的包。关于 Pipeline 的知识在〖张量 101〗讲过。 还记得〖机器学习之 Scikit-Learn〗讲过的用来数据预处理的元估计器 Pipeline 么？...在 Quantopian 里你可以把你想在各种条件下获取的各种数据类型统统定义在 make_pipeline() 里面。 前 3 行要获取收盘价、股票代号和市值。...后 4 行把范围限制在 可交易 市值前 500 的股票 收盘价有值 的股票上。...在解决问题肯定会遇到很多挫折，比如我在 Quantopian 环境中处理半天数据发现不让外传到 csv 中，坚持去想办法解决，即便费点人力。...比如我们要计算据行业市值总和，那么在 DataFrame 数据上最简介的形式就是用 split-apply-combine。不用记住具体细节，要用时查找文档或例子一下子就会写了。

5K60

唐宏 : 基于概率主题模型的高分辨率遥感图像非监督语义分割

如图所示，我们给机器一幅图像，希望机器给出专题地图，专题地图在每个像元上都会有一个对应的语义类别。简单的说，语义分割就是为图像上每一个像元分配一个地物类型的方法。...本文的重点是讨论在非监督情况下如何对图像进行语义分割。 ? 对于遥感图像而言，语义分割不是一个新的概念。在遥感图像分类的研究中，最开始研究者就想实现对一幅图像在每个像元上给出一个语义类别。...最典型的方法就是提取像元的特征，对于每个像元的特征，通过一些算法对特征空间进行分割之后，判断像元处于特征空间的什么位置，据此从给定的类别集中选择一个类别，就可以把所有的像元结合在一起，形成一个专题地图，...在这样的条件下，如果概率结构和概率分布的参数都一致，那么根据贝叶斯决策论，给定像元特征，就能够计算出它对应每个类别的后验概率，然后可以选后验概率最大的类别作为它的类别，这种方法称为产生式方法，是一种非监督学习方法...另外在图中我们可以发现水体和建筑区域形成阴影的DN值非常相近，这种将光谱值相同的、不同物体归成同一个类的情况在遥感图像中称为异物同谱，之所以出现这些问题，主要原因是基于像元的分类只是在对应的特征空间进行分类过程

77830

测试开发行话你懂吗?丨附注释

这样做的目的是，不是按照测试方案的顺序来检查软件，而是通过像真正的用户那样来使用软件，即完全是任意性的、无规则的顺序，看看在这样的使用条件下，还有没有仍旧没有被发现的严重的Bug。...在这种测试中，将使测试对象承担不同的工作量，以评测和评估测试对象在不同工作量条件下的性能行为，以及持续正常运行的能力。 负载测试的目标是确定并确保系统在超出最大预期工作量的情况下仍能正常运行。...本地化能力测试中发现的典型错误包括：字符的硬编码(即软件中需要本地化的字符写在了代码内部)，对需要本地化的字符长度设置了固定值，在软件运行时以控件位置定位，图标和位图中包含了需要本地化的文本，软件的用户界面与文档术语不一致等...狭义是指软件中的可见外观及其底层与用户交互的部分(菜单、对话框、窗口和其它控件)。...Structured query language(结构化查询语句，SQL) 在一个关系数据库中查询和处理数据的一种语言。

46520

YOLO再战大雾天气 | IA-YOLO数据增强+感知损失，做到大雾天气无痛即可完成YOLO检测器的场景升级

II Related Work 传统的目标检测算法在恶劣天气条件下，如雾、雨、雪和低光照场景中通常是不够有效的。...在领域适应中，不提供目标标签。 对于雾天图像中的目标检测，作者有像RTTS这样的标记数据集可用。...目标检测的目标是高精度地估计给定测试图像的边界框。目标检测问题是要找到一个尽可能正确估计图像所有边界框的函数。...首先，对于给定的阈值 t\in[0,1] ，所有检测到的边界框都是通过贪心算法与真实边界框匹配。如果两个边界框的交并比大于阈值 t ，则认为它们是匹配的。...mAP的计算是“通过改变阈值 t 实现的，不同召回率水平下的平均精度” ；然后对所有物体类别取平均值。在这里，召回率是正确边界框的数量与真实边界框的数量之比。

54410

ChatGPT 的工作原理：深入探究

作者还提到了训练数据的来源，强调了在大量网络文本数据中获取知识的重要性。 在解释输出生成时，文章提到了一个关键技术：集束搜索（Beam Search）。这是一种启发式搜索策略，用于选择最优文本序列。...尽管如此，作者指出ChatGPT是一个强大的工具，能够在各种任务中提供有价值的帮助。 ---- 像ChatGPT这样的大型语言模型实际上是如何工作的？嗯，它们既非常简单又极其复杂。...你可以将模型视为根据某些输入计算输出概率的工具。在语言模型中，这意味着给定一系列单词，它们会计算出序列中下一个单词的概率，就像高级自动完成一样。...对于我们简单的用例，我们只需要两个。每个神经元都通过一个权重与相邻层中的神经元相连，该权重的值可以在-1和1之间。 当一个值从输入神经元传递到下一层时，它会乘以权重。...然后，该神经元简单地将其接收到的所有值相加，将该值压缩在-1和1之间，并将其传递给下一层中的每个神经元。 最后一个隐藏层中的神经元执行相同的操作，但将值压缩在0和1之间，并将其传递到输出层。

78140

【第二章】：用机器学习制作超级马里奥的关卡

给定关于如下图所示的房屋数据： ?...一旦有了所有这些数据，就可以使用它来构建一个神经网络，以模拟您以任何给定字母开头的可能性。 我们的模型可能如下所示： ? 但是，让问题变得更加棘手。假设我需要猜测故事中任何时候要键入的下一个字母。...因此，为了使算法能够在我们的数据中找到模式，我们需要逐列提供数据。弄清楚输入数据的最有效表示形式（称为功能选择）是正确使用机器学习算法的关键之一。 要训练模型，我需要将文本文件旋转90度。...大公司不会免费提供其数据。 随着机器学习在更多行业中变得越来越重要，好的程序和不好的程序之间的区别将在于，您必须训练模型多少数据。...这就是为什么像Google和Facebook这样的公司非常需要您的数据的原因！ 例如，谷歌最近开放了TensorFlow的源代码，它的软件工具包用于构建大型机器学习应用程序。

75320

使用反事实示例解释 XGBoost 模型的决策

为简单起见，我们在这里只考虑将数据分为两类的二元分类模型：正常/故障。 对于被模型分类为错误的给定查询点，我们计算一个称为反事实示例（以下称为 CF 示例）的虚拟点。...在上图中，我们将所有点 P#i 放在第 1 类中，因此我们在第 2 类中寻找它们各自的反事实示例。 对于错误数据，我们可以使用其关联的 CF 示例说明需要在最小值处更改哪些内容，以便它返回到正常类。...您可能会认为像XGBoost这样的模型可能会产生更复杂的决策函数，但实际上，不是这样的……对于二进制分类，它产生一个分数(在0到1之间)，一旦与阈值(默认为0.5)比较，它就会告诉您数据属于哪个类。...在树状结构的每个节点中，我们总是解决相同的交集问题：给定一个框列表和与节点关联的输入空间的维度，我们寻找这个维度中框的最大交集，即 我们解决了前面提到的组合问题，但在一个维度上。...也可以强制执行其他合理性标准：例如，我们可以检查找到的 CF 示例是否位于包含训练数据集中至少一个元素的最大交叉区域中。这将避免选择在现实生活中不切实际/无法达到的分布外 CF 示例。

64310

亲，你看到这张封面图，竟是用 PyEcharts 画的！信不信？

首先引入所用需要的包。关于 Pipeline 的知识在〖张量 101〗讲过。 ? 还记得〖机器学习之 Scikit-Learn〗讲过的用来数据预处理的元估计器 Pipeline 么？...在 Quantopian 里你可以把你想在各种条件下获取的各种数据类型统统定义在make_pipeline() 里面。 ? 前 3 行要获取收盘价、股票代号和市值。...后 4 行把范围限制在 可交易 市值前 500 的股票 收盘价有值 的股票上。...在解决问题肯定会遇到很多挫折，比如我在 Quantopian 环境中处理半天数据发现不让外传到 csv 中，坚持去想办法解决，即便费点人力。...比如我们要计算据行业市值总和，那么在 DataFrame 数据上最简介的形式就是用 split-apply-combine。不用记住具体细节，要用时查找文档或例子一下子就会写了。

1.7K60
点击加载更多

扫码

添加站长 进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

更多标签

活动推荐

    运营活动

    活动名称
    广告关闭

    腾讯云开发者

    扫码关注腾讯云开发者

    扫码关注腾讯云开发者

    领取腾讯云代金券

    热门产品

    热门推荐

    更多推荐

    Copyright © 2013 - 2024 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有

    深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 深公网安备号 44030502008569

    腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号 | 京公网安备号11010802020287

    领券