开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

使用Python统计PDF中的图像数量

可以通过以下步骤实现：

导入所需的库和模块：

import PyPDF2
from PIL import Image

打开PDF文件并创建一个PDF阅读器对象：

pdf_file = open('your_pdf_file.pdf', 'rb')
pdf_reader = PyPDF2.PdfFileReader(pdf_file)

定义一个函数来检查PDF页面中的图像数量：

def count_images(page):
    image_count = 0
    try:
        xObject = page['/Resources']['/XObject'].getObject()
        for obj in xObject:
            if xObject[obj]['/Subtype'] == '/Image':
                image_count += 1
    except KeyError:
        pass
    return image_count

遍历PDF的每个页面并调用上述函数来统计图像数量：

total_image_count = 0
for page_num in range(pdf_reader.numPages):
    page = pdf_reader.getPage(page_num)
    total_image_count += count_images(page)

打印图像数量结果：

print("PDF中的图像数量：", total_image_count)

完整代码示例：

import PyPDF2
from PIL import Image

def count_images(page):
    image_count = 0
    try:
        xObject = page['/Resources']['/XObject'].getObject()
        for obj in xObject:
            if xObject[obj]['/Subtype'] == '/Image':
                image_count += 1
    except KeyError:
        pass
    return image_count

pdf_file = open('your_pdf_file.pdf', 'rb')
pdf_reader = PyPDF2.PdfFileReader(pdf_file)

total_image_count = 0
for page_num in range(pdf_reader.numPages):
    page = pdf_reader.getPage(page_num)
    total_image_count += count_images(page)

print("PDF中的图像数量：", total_image_count)

对于以上代码，我们推荐使用腾讯云的云原生产品来进行部署和运行，例如腾讯云的云服务器（ECS）提供了稳定可靠的计算资源，腾讯云对象存储（COS）用于存储PDF文件，腾讯云函数（SCF）用于运行Python代码。您可以在腾讯云官网上找到更多关于这些产品的详细介绍和使用指南。

参考链接：

相关搜索:如何使用Python在pdf中统计文本摘录列表中的单词数量？Python统计文本中的短语数量使用ReportLab(Python)的PDF文档中的PDF图像从PDF中获取ImageMagick创建的图像数量？如何使用python根据标签来统计对象的数量？使用python中的图像创建PDF格式的报告 pdf中的Python图像提取序列统计文件中if语句的数量统计每组中NaNs的数量如何使用python统计二进制文件中的列表数量？使用Moq统计请求中的文件数量使用javascript统计html中相同<div>的数量使用python统计一张图片中的对象数量统计使用smtplib python发送的电子邮件数量使用Python从pdf中提取图像如何统计predict_generator正确分类的图像数量如何使用Python读取PDF扩展文件中图像中的文本？统计输出中json对象的数量如何使用python统计特定目录下的日志文件数量如何使用kafka-python统计主题中的记录(消息)数量

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

opencv如何读取仪表中的指针刻度

向AI转型的程序员都关注了这个号👇👇👇 机器学习AI算法工程公众号：datayx 最近遇到一个问题，如何读取仪表中的指针指向的刻度解决方法有多种，比如，方案一：模板匹配+边缘检测+霍夫直线检测，方案二：神将网络（CNN）目标定位等，其中CNN就有点麻烦了，需要一定数量的训练样本，太麻烦，而方案一太普通，最后我采用了方案三，方案三:模板匹配+k-means+直线拟合具体做法如下：首先说一下模板匹配，它是OpenCV自带的一个算法，可以根据一个模板图到目标图上去寻找对应位置，如果模板找

02

基于CNN实现对摄像头捕捉的人脸进行性别和年龄的预测

向AI转型的程序员都关注了这个号👇👇👇 机器学习AI算法工程公众号：datayx 实现思路数据处理原始数据来源于 https://data.vision.ee.ethz.ch/cvl/rrothe/imdb-wiki/static/wiki_crop.tar 原始数据集包含的图片数量很多，我从中筛选了大约10000张图片（筛选条件为：由OpenCV识别出的face数目为1、性别已知、男女各约5000张）图片尺寸统一为 100x100，文件名格式统一为编号-年龄-性别.png，其中性别1

03

命名实体识别工具，支持BertSoftmax、BertCrf、BertSpa，开箱即用

向AI转型的程序员都关注了这个号👇👇👇 机器学习AI算法工程公众号：datayx nerpy实现了BertSoftmax、BertCrf、BertSpan等多种命名实体识别模型，并在标准数据集上比较了各模型的效果。 https://github.com/shibing624/nerpy Evaluation 说明：结果值均使用F1 结果均只用该数据集的train训练，在test上评估得到的表现，没用外部数据 shibing624/bert4ner-base-chinese模型达到同级别参数量SOT

03

中国车牌生成

向AI转型的程序员都关注了这个号👇👇👇 机器学习AI算法工程公众号：datayx 目前支持蓝色标准车牌，黄色标准车牌，小型新能源车牌的车牌生成。实际的车牌示例实际的大型新能源车牌示例实际的小型新能源车牌示例生成的蓝色底牌车牌示例生成的小型新能源车牌示例全部代码获取方式：关注微信公众号 datayx 然后回复车牌生成即可获取。程序结构说明 license_plate_elements.py: 车牌号元素，其中定义：车牌号中，不同车牌位的取值范围；不

03

10个有趣的Python高级脚本，建议收藏！

比如不久前的复旦大佬，用130行Python代码硬核搞定核酸统计，大大提升了效率，节省了不少时间。

02

各种机器学习和深度学习的中文微博情感分析

向AI转型的程序员都关注了这个号👇👇👇 机器学习AI算法工程公众号：datayx "情感分析"是我本科的毕业设计, 也是我入门并爱上NLP的项目hhh, 当时网上相关语料库的质量都太低了, 索性就自己写了个爬虫, 一边标注一边爬, 现在就把它发出来供大家交流。因为是自己的项目,所以标注是相当认真的,还请了朋友帮忙校验,过滤掉了广告/太短/太长/表意不明等语料,语料质量是绝对可以保证的带情感标注的微博语料数量: 10000(train.txt)+500(test.txt) 数据格式文档的每一行代

04

基于各种机器学习和深度学习的中文微博情感分析

向AI转型的程序员都关注了这个号👇👇👇 机器学习AI算法工程公众号：datayx 中文微博情感分类语料库 "情感分析"是我本科的毕业设计, 也是我入门并爱上NLP的项目hhh, 当时网上相关语料库的质量都太低了, 索性就自己写了个爬虫, 一边标注一边爬, 现在就把它发出来供大家交流。因为是自己的项目,所以标注是相当认真的,还请了朋友帮忙校验,过滤掉了广告/太短/太长/表意不明等语料,语料质量是绝对可以保证的带情感标注的微博语料数量: 10000(train.txt)+500(test.txt)

03

BERT+Biaffine结构中文NLP地址要素解析

向AI转型的程序员都关注了这个号👇👇👇 机器学习AI算法工程公众号：datayx 人类的活动离不开位置，从空间上可以表征为坐标，从文本上表征为通讯地址。通讯地址广泛存在于电商物流、政府登记、金融交通等领域。对通讯地址的分析、聚合服务已经是一项重要基础服务，支撑着诸多互联网场景，比如地图搜索、电商物流分析等。实际应用中，地址文本存在写法自由、缺省别名多、地域性强等特点，对地址的解析、归一和匹配等都造成困难。针对这些难点，阿里达摩院机器智能技术团队联合CCKS2021大会举办此次地址评测任务。该评测包含2

03

手写实现李航《统计学习方法》书中全部算法

向AI转型的程序员都关注了这个号👇👇👇 机器学习AI算法工程公众号：datayx 监督部分第二章感知机：博客：统计学习方法|感知机原理剖析及实现实现：perceptron/perceptron_dichotomy.py 第三章 K近邻：博客：统计学习方法|K近邻原理剖析及实现实现：KNN/KNN.py 第四章朴素贝叶斯：博客：统计学习方法|朴素贝叶斯原理剖析及实现实现：NaiveBayes/NaiveBayes.py 第五章决策树：博客：统计学习方法|决策树原理剖析及实现实现：

02

DBnet对非固定格式核酸报告要素检测提取

向AI转型的程序员都关注了这个号👇👇👇 机器学习AI算法工程公众号：datayx 核酸检测报告已经是疫情这些年很多人出行必备的材料，而且很多机关单位、政府部门都需要检查核酸报告才能让相关的人员进出场所。如果有一个模型能够快速的识别并提取核酸报告里的关键信息，则能很大程度上提升那些需要提交核酸报告的OA流程审核效率，提升企事业的服务效率。 1.标注数据标注方法和标注目标检测的数据一样，一个框加一个标签 pip install labelImg ==1.8.6 安装完毕后，键入命令： labelImg

02

DBnet检测加分类，提取身份证要素

向AI转型的程序员都关注了这个号👇👇👇 机器学习AI算法工程公众号：datayx DBnet文本检测网络加入多分类，可以实现模型很小又能够区分类别的功能，然后可以根据检测框的标签快速提取目标字段，在端侧部署的话就能达到非常高的精度和效率。 1.标注数据标注方法和标注目标检测的数据一样，一个框加一个标签 pip install labelImg ==1.8.6 安装完毕后，键入命令： labelImg 或者下载工具 labelImg.exe链接：https://pan.baidu.com/s/14

03

视觉分类任务中处理不平衡问题的loss比较

向AI转型的程序员都关注了这个号👇👇👇 机器学习AI算法工程公众号：datayx 在计算机视觉（CV）任务里常常会碰到类别不平衡的问题，例如： 1. 图片分类任务，有的类别图片多，有的类别图片少 2. 检测任务。现在的检测方法如SSD和RCNN系列，都使用anchor机制。训练时正负anchor的比例很悬殊. 3. 分割任务，背景像素数量通常远大于前景像素。从实质上来讲，它们可以归类成分类问题中的类别不平衡问题：对图片/anchor/像素的分类。再者，除了类不平衡问题，还有easy sam

02

一键中文数据增强工具

向AI转型的程序员都关注了这个号👇👇👇 机器学习AI算法工程公众号：datayx 使用：pip install nlpcda https://github.com/425776024/nlpcda 介绍一键中文数据增强工具，支持： 1.随机实体替换 2.近义词 3.近义近音字替换 4.随机字删除（内部细节：数字时间日期片段，内容不会删） 5.NER类 BIO 数据增强 6.随机置换邻近的字：研表究明，汉字序顺并不定一影响文字的阅读理解<<是乱序的 7.中文等价字替换（1 一壹 ①，2 二贰 ②）

02

ChatOCR：文心一言/千帆API实现关键信息提取

现在的任务是从OCR文字识别的结果中提取我指定的关键信息。OCR的文字识别结果使用符号包围，包含所识别出来的文字，顺序在原始图片中从左至右、从上至下。我指定的关键信息使用[]符号包围。请注意OCR的文字识别结果可能存在长句子换行被切断、不合理的分词、对应错位等问题，你需要结合上下文语义进行综合判断，以抽取准确的关键信息。输出为json格式。

01

ImageNet 存在十万标签错误，你知道吗？

使用ImageNet、CIFAR、MNIST 或 IMDB 这些数据集时，你是不是会潜意识中假设，这些数据集中的类标签都是正确的？

02

特征工程7种常用方法

向AI转型的程序员都关注了这个号👇👇👇 机器学习AI算法工程公众号：datayx 一、特征工程简单说，特征工程是能够将数据像艺术一样展现的技术。因为好的特征工程很好的混合了专业领域知识、直觉和基本的数学能力；本质上说，呈现给算法的数据应该能拥有基本数据的相关结构或属性。当你做特征工程时，其实是将数据属性转换为数据特征的过程，属性代表了数据的所有维度，在数据建模时，如果对原始数据的所有属性进行学习，并不能很好的找到数据的潜在趋势，而通过特征工程对你的数据进行预处理的话，你的算法模型能够减少受到噪声

02

[GAN学习系列3]采用深度学习和 TensorFlow 实现图片修复(上）

在之前的两篇 GAN 系列文章--[GAN学习系列1]初识GAN以及[GAN学习系列2] GAN的起源中简单介绍了 GAN 的基本思想和原理，这次就介绍利用 GAN 来做一个图片修复的应用，主要采用的也是 GAN 在网络结构上的升级版--DCGAN，最初始的 GAN 采用的还是神经网络，即全连接网络，而 DCGAN 则是换成卷积神经网络（CNNs）了，这可以很好利用 CNN 强大的特征提取能力，更好的生成质量更好的图片。

03

QQ浏览器视频相似度算法

向AI转型的程序员都关注了这个号👇👇👇 机器学习AI算法工程公众号：datayx 视频Embedding采用稠密向量能够很好的表达出视频的语义，在推荐场景下对视频去重、相似召回、排序和多样性打散等场景都有重要的作用。本任务从视频推荐角度出发，提供真实业务的百万量级标签数据(脱敏)，以及万量级视频相似度数据(人工标注)，用于训练embedding模型，最终根据embedding计算视频之间的余弦相似度，采用Spearman’s rank correlation与人工标注相似度计算相关性，并最终排

02

为什么Claude优于ChatGPT

Claude 是 Anthropic 公司创建的文本聊天机器人。该公司由 OpenAI 前成员创立。Claude 最近在 95 个国家/地区推出。此前，它仅在美国和英国提供。

01

yolov5鱼苗检测计数：从数据标注到训练

向AI转型的程序员都关注了这个号👇👇👇 机器学习AI算法工程公众号：datayx 目标检测yolov5 v6.0版，pytorch实现，包含了目标检测数据标注，数据集增强，训练自定义数据集全流程。一.环境 Python >= 3.7 Pytorch >= 1.7.x 二.标注工具 pip install labelImg ==1.8.6 安装完毕后，键入命令： labelImg 或者下载工具 labelImg.exe 项目全部代码，数据集，标注工具，预训练模型获取方式：关注

02

唐宇迪128集课程一套搞定，PyTorch从入门到实战（附带课程学习资料

向AI转型的程序员都关注了这个号👇👇👇 机器学习AI算法工程公众号：datayx 。。。。。。。全部代码，视频，数据集获取方式：关注微信公众号 datayx 然后回复唐宇迪即可获取。机器学习算法AI大数据技术搜索公众号添加： datanlp 长按图片，识别二维码 ---- 阅读过本文的人还看了以下文章： TensorFlow 2.0深度学习案例实战基于40万表格数据集TableBank，用MaskRCNN做表格检测《基于深度学习的自然

02

Keyphrase Extraction 一个快速从中文里抽取关键短语的工具

向AI转型的程序员都关注了这个号👇👇👇 机器学习AI算法工程公众号：datayx 一个从中文自然语言文本中抽取关键短语的工具，只消耗 35M 内存。 1.抽取关键短语在很多关键词提取任务中，使用tfidf、textrank等方法提取得到的仅仅是若干零碎词汇。这样的零碎词汇无法真正的表达文章的原本含义，我们并不想要它。 For example: >>> text = '朝鲜确认金正恩出访俄罗斯将与普京举行会谈...' >>> keywords = ['俄罗斯', '朝鲜', '普京',

01

智慧课堂实时监测系统

向AI转型的程序员都关注了这个号👇👇👇 机器学习AI算法工程公众号：datayx 项目简介本项目基于PaddlePaddle和EasyDL平台，以教务处和学工为一级用户，高校教师为二级用户，针对提升整体课堂教学质量为目的开发的一款实时课堂监测系统。本项目主要监测课堂的出勤人数、学生的上课状态、教师的语速、情感，以及语言的用词方面。项目中语音的模型均采用EasyDL平台进行训练，调用在线API进行预测分析。而图像模型由于在线API无法达到实时性的要求，采用本地训练Paddle模型库中的模型并使用。

02

深度学习论文精读[视频]

向AI转型的程序员都关注了这个号👇👇👇 机器学习AI算法工程公众号：datayx 所有论文包括已经录制完成和之后将要介绍的论文。选取的原则是10年内深度学习里有影响力文章（必读文章），或者近期比较有意思的文章。当然这十年里重要的工作太多了，不可能一一过一遍。在选取的时候我会偏向一些之前直播课中没讲到过的。总论文数 67，录制完成数 32 全部代码 ,预训练模型获取方式：关注微信公众号 datayx 然后回复论文即可获取。机器学习算法AI大数据技术搜索公众号添加： d

03

【学习】Python大数据学习路线图

1、Python学习，语言的学习，真正掌握语言的方式，是交流与实践，所以，这三本书，是由浅入深的步骤。大家在学习过程中，可以到群里面去进行交流沟通。群号：427711751。《简明Python教程》

03

抢京东茅台脚本，定时自动触发，自动预约，自动停止

向AI转型的程序员都关注了这个号👇👇👇 机器学习AI算法工程公众号：datayx 安装依赖 pip install requests 使用方法浏览器打开：https://order.jd.com/center/list.action 没登录就登录 F12 控制台 console 栏输入 console.log(_JdJrTdRiskFpInfo, _JdEid) 参数依次对应： _JdJrTdRiskFpInfo => self._JdJrTdRiskFpInfo _JdEid => self.

06

基于PyTorch的卷积神经网络经典BackBone(骨干网络)复现

向AI转型的程序员都关注了这个号👇👇👇 机器学习AI算法工程公众号：datayx 前言卷积神经网络的发展，从上个世纪就已经开始了，让时间回到1998年，在当时，Yann LeCun 教授提出了一种较为成熟的卷积神经网络架构LeNet-5，现在被誉为卷积神经网络的“HelloWorld”，但由于当时计算机算力的局限性以及支持向量机(核学习方法)的兴起，CNN方法并不是当时学术界认可的主流方法。时间推移到14年后，随着AlexNet以高出第二名约10%的accuracy rate成为了2012年Ima

04

深度学习TabNet能否超越GBDT？

向AI转型的程序员都关注了这个号👇👇👇 机器学习AI算法工程公众号：datayx 随着深度神经网络的不断发展，DNN在图像、文本和语音等类型的数据上都有了广泛的应用，然而对于同样非常常见的一种数据——表格数据，DNN却似乎并没有取得像它在其他领域那么大的成功。参加过Kaggle等数据挖掘竞赛的同学应该都知道，对于采用表格数据的任务，基本都是决策树模型的主场，像XGBoost和LightGBM这类提升（Boosting）树模型已经成为了现在数据挖掘比赛中的标配。相比于DNN，这类树模型好处主要有：模型

03

医学图像处理与深度学习入门

利用深度学习技术，分析图像与视频，并且将之应用在诸如自动驾驶，无人机等等领域已经成为最新研究方向。在最新的一篇名为“A Neural Algorithm of Artistic Style”[1508.06576] A Neural Algorithm of Artistic Style中，作者描述了一种新的方式，从艺术作品中获得，并且应用到图像中，生成新的图像。另外，在 “Generative Adversarial Networks” [1406.2661] Generative Adversarial Networks(GAN) and “Wasserstein GAN” https://arxiv.org/pdf/1701.07875.pdf文章中，作者提出了新的模型，这些模型能够生成，类似于我们给出的原始数据。至此开启了半监督学习的新世界，并且为半监督学习铺平了道路。

03

高质量中文预训练模型汇总

向AI转型的程序员都关注了这个号👇👇👇 机器学习AI算法工程公众号：datayx 在自然语言处理领域中，预训练语言模型（Pretrained Language Models）已成为非常重要的基础技术，本仓库主要收集目前网上公开的一些高质量中文预训练模型。 NLU系列 BERT RoBERTa ALBERT NEZHA XLNET MacBERT WoBERT ELECTRA ZEN ERNIE RoFormer StructBERT Lattice-BERT Mengzi-BER

01

基于深度学习图像特征匹配，用于图像去重

向AI转型的程序员都关注了这个号👇👇👇 机器学习AI算法工程公众号：datayx 基于Flask RESTful api的图像特征检索方案，api传入url/base64即可在毫秒内返回数据库匹配结果，主要用于图像去重，后续拓展使用范围。 1. 项目说明：本项目基于开源框架PyRetri进行二次开发，同时结合facebook开源项目Facebook AI Similarity Search，设计出基于Flask的RESTful api接口，目的是为了解决以下几个场景问题： 1）本地已经存储大规模

02

深度通用盲图像去噪 | 代码已开源

论文是学术研究的精华和未来发展的明灯。小白决心每天为大家带来经典或者最新论文的解读和分享，旨在帮助各位读者快速了解论文内容。个人能力有限，理解难免出现偏差，建议对文章内容感兴趣的读者，一定要下载原文，了解具体内容。

03

GMS：一种基于运动统计的快速鲁棒特征匹配过滤算法

今天要介绍的文章是边佳旺在CVPR2017以及IJCV2020发表的GMS，论文名是"GMS: Grid-based Motion Statistics for Fast, Ultra-robust Feature Correspondence"。该算法能够实现对初始匹配的筛选，以减少错误匹配。

03

2022搜狐算法大赛文本情感分析第一名方案分享

向AI转型的程序员都关注了这个号👇👇👇 在知乎上看到2022搜狐校园NLP算法大赛情感分析第一名方案分享分享，觉得方案非常简单优雅，同时又有点prompt learning的意味在里面(严格来说不是prompt learning)，并且效果非常好。虽然在他们的方案分享中也给出了比较详细的思路和基于pytorch-lightning的代码，但是有一些细节的地方还不够清楚，同时代码也不太容易理解，因此在博客中做更加清晰的说明和分享更加简洁(更好理解基于torch)的代码。一、比赛和方案理解

01

旷视AI复杂场景的交通标志检测

向AI转型的程序员都关注了这个号👇👇👇 机器学习AI算法工程公众号：datayx 交通标志本身种类众多，大小不定，并且在交通复杂的十字路口场景下，由于光照、天气等因素的影响，使其被精确检测变得更加困难。提高上述场景下交通标志检测准确度，将有助于降低十字路口交通事故发生的概率。提供真实场景的道路图片，部分图片给出了交通标志的标注结果，所有交通标志共计 5 个类别，分别为红灯、直行标志、向左转弯标志、禁止驶入和禁止临时停车。数据示例如下：初赛1/177，复赛1/12 全部代码 ,方案详情获取

04

《交通大数据理论与方法》

向AI转型的程序员都关注了这个号👇👇👇 机器学习AI算法工程公众号：datayx 随着信息通讯技术的不断发展，各行各业都产生了海量的数据，与此同时，一门新的学科应运而生—— 数据挖掘。数据挖掘是从大量数据（包括文本数据）中挖掘出隐含的、先前未知的、对决策有潜在价值的信息、知识和关联关系，并基于这些信息和相应规则建立可用于决策支持与优化分析的模型，提供可支持预测性决策的方法和工具。此外，数据挖掘还可帮助企业和科研团体发现业务与学科中的新趋势，揭示已知的事实，预测未知的结果，因此“数据挖掘”已成为其

02

使用resnet， inception3进行fine-tune出现训练集准确率很高但验证集很低的问题

最近用keras跑基于resnet50，inception3的一些迁移学习的实验，遇到一些问题。通过查看github和博客发现是由于BN层导致的，国外已经有人总结并提了一个PR（虽然并没有被merge到Keras官方库中），并写了一篇博客，也看到知乎有人翻译了一遍：Keras的BN你真的冻结对了吗

02

yolov7-keras源码，可以用于训练自己的模型

向AI转型的程序员都关注了这个号👇👇👇 YOLOV7目标检测模型在keras当中的实现支持step、cos学习率下降法、支持adam、sgd优化器选择、支持学习率根据batch_size自适应调整、新增图片裁剪、支持多GPU训练、支持各个种类目标数量计算、支持heatmap。性能情况训练步骤全部代码获取方式：关注微信公众号 datayx 然后回复 yolov7 即可获取。 a、训练VOC07+12数据集数据集的准备本文使用VOC格式进行训练，训练前需要下载好VOC07+12的数据集

01

使用python多线程加载模型并测试

向AI转型的程序员都关注了这个号👇👇👇 机器学习AI算法工程公众号：datayx 之前只用过单线程处理，加载模型进行测试，运行时间上也可以接受。但是现在需要处理比较大量的数据，如果进行线性处理，可能测试一次就花10个小时，而且还不知道结果怎么样，所以多线程就必须使用上了。有关线程部分主要参考：https://junyiseo.com/python/211.html 1 多线程多线程类似于同时执行多个不同程序，线程在执行过程中与进程还是有区别的。每个独立的进程有一个程序运行的入口、顺序执行序列和程

03

AutoML工具对比与总结

向AI转型的程序员都关注了这个号👇👇👇 机器学习AI算法工程公众号：datayx 自动机器学习（AutoML）是将机器学习应用于现实问题的端到端流程自动化的过程。传统机器学习模型大致可分为以下四个部分：数据采集、数据预处理、优化、应用；其中数据预处理与模型优化部分往往需要具备专业知识的数据科学家来完成，他们建立起了数据到计算的桥梁。然而，即使是数据科学家，也需要花费大量的精力来进行算法与模型的选择。机器学习在各种应用中的成功，导致对机器学习从业人员的需求不断增长，因此我们希望实现真正意义上的机

01

实时监控900多家中国企业的新闻动态

向AI转型的程序员都关注了这个号👇👇👇 机器学习AI算法工程公众号：datayx 此项目可监控近千家中国企业的官方网站的新闻动态，如有更新，系统能在最短2分钟之内通过邮件发送更新的标题和链接。更新的信息流也可通过浏览器查看。监控的公司和站点可以添加删除。原理：定期抓取网站html, 使用difflib比对新旧页面源码，发现增加的部分，提取url和text，过滤筛选，保存MySQL数据库。定期把更新的url和text，通过邮件发送给订阅者。全部代码获取方式：关注微信公众号 datayx 然

04

垃圾分类全套技术方案

向AI转型的程序员都关注了这个号👇👇👇 设计构思与创意本作品以微信小程序为“个人”平台，用户可在微信小程序中录入必要的人脸等个人信息，并且能够以微信小程序为窗口查询自己的垃圾分类详情。为保证微信小程序的丰富性和人性化，用户可在小程序中通过拍照、语音、搜索等查询日常生活中常遇的生活垃圾，积累自己垃圾分类知识。在垃圾桶端，系统在用户授权情况下通过拍摄用户人脸信息匹配用户个人数据库，并记录其垃圾分类信息。此外，垃圾桶在本作品中充当“引导者”角色，用以引导用户将垃圾投掷到正确的垃圾桶中。在管理端，相关部门一方

02

Python批量统计pdf中“中文”字符的个数

del_f：文章中待删除的空格，换行符，逗号，句号，感叹号等符号，可根据文章内容调整。

04

华为零售商品识别一等奖方案

向AI转型的程序员都关注了这个号👇👇👇 机器学习AI算法工程公众号：datayx 商品识别在零售行业的应用一、图像识别的应用场景，以及对零售行业的变革 1.以图搜图，拍照购物说到图像识别，大家可能马上能想到以图搜图的方式，也就是“拍照购”。这个想法出现的很早，在零几年的时候就有很多公司开始做这方面的尝试。美国硅谷的snaptell，他们早在零六年的时候就开始做拍照购物的应用场景，他们做的大部分是一些书籍和CD类的简单物品识别，2009年被Amazon收购。2015年Amazon收购了另一

02

使用sklearn的cross_val_score进行交叉验证

向AI转型的程序员都关注了这个号👇👇👇 机器学习AI算法工程公众号：datayx 在构建模型时，调参是极为重要的一个步骤，因为只有选择最佳的参数才能构建一个最优的模型。但是应该如何确定参数的值呢？所以这里记录一下选择参数的方法，以便后期复习以及分享。（除了贝叶斯优化等方法）其它简单的验证有两种方法：1、通过经常使用某个模型的经验和高超的数学知识。2、通过交叉验证的方法，逐个来验证。很显然我是属于后者所以我需要在这里记录一下 sklearn 的 cross_val_score：我使用是cross_

01

GPT2中文新闻标题生成

向AI转型的程序员都关注了这个号👇👇👇 机器学习AI算法工程公众号：datayx 项目描述本项目是一个带有超级详细中文注释的基于GPT2模型的新闻标题生成项目。本项目参考了GPT2-Chinese、GPT2-chitchat、CDial-GPT、GPT2等多个GPT2开源项目，并根据自己的理解，将代码进行重构，添加详细注释，希望可以帮助到有需要的人。本项目使用HuggingFace的transformers实现GPT2模型代码编写、训练及测试。本项目通过Flask框架搭建了一个Web服务，将新

05

手把手教你用Python画直方图：其实跟柱状图完全不同

直方图（Histogram），形状类似柱状图却有着与柱状图完全不同的含义。直方图牵涉统计学概念，首先要对数据进行分组，然后统计每个分组内数据元的数量。在平面直角坐标系中，横轴标出每个组的端点，纵轴表示频数，每个矩形的高代表对应的频数，这样的统计图称为频数分布直方图。

03

如何用Python批量提取PDF文本内容？

本文为你展示，如何用Python把许多PDF文件的文本内容批量提取出来，并且整理存储到数据框中，以便于后续的数据分析。

04

反卷积，上采样，上池化的理解

向AI转型的程序员都关注了这个号👇👇👇 机器学习AI算法工程公众号：datayx 上采样与上池化图示理解，使用三张图进行说明：图（a）表示UnPooling的过程，特点是在Maxpooling的时候保留最大值的位置信息，之后在unPooling阶段使用该信息扩充Feature Map，除最大值位置以外，其余补0。 Unpooling是在CNN中常用的来表示max pooling的逆操作。鉴于max pooling不可逆，因此使用近似的方式来反转得到max pooling操作之前的原始情

03

基于yolo5工地安全帽和禁入危险区域识别系统,附数据集

因为我这里只是判断【人没有带安全帽】、【人有带安全帽】、【人体】 3个类别，基于 data/coco128.yaml 文件，创建自己的数据集配置文件 custom_data.yaml

04

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

活动推荐

运营活动

活动名称

广告关闭