有没有好朋友帮我解决一下Python的问题 是关于将图像转换为灰色图像的问题 出现的错误不知道是哪里出现了问题

Question

有没有好朋友帮我解决一下Python的问题 是关于将图像转换为灰色图像的问题 出现的错误不知道是哪里出现了问题

Answer 1

【相关推荐】

• 这有个类似的问题, 你可以参考下: https://ask.csdn.net/questions/7662288
• 你也可以参考下这篇文章：python判断一个字符串是否在另一个字符串中【详细】 python获得一个字符串在另一个字符串中的首位置 python获得一个字符串在另一个字符串中的多次出现的位置
• 你还可以看下python参考手册中的 python- 在其它应用程序嵌入 Python- 只做嵌入
• 您还可以看一下 jeevan老师的Python量化交易，大操手量化投资系列课程之内功修炼篇课程中的 编程语言之Python环境安装小节, 巩固相关知识点
  
• 除此之外, 这篇博客: 非线性逻辑回归的梯度下降算法python实现以及决策边界的绘制中的 非线性逻辑回归的梯度下降算法python实现以及决策边界的绘制 部分也许能够解决你的问题, 你可以仔细阅读以下内容或跳转源博客中阅读:
  

  前言： 对于逻辑回归的决策边界有很多并不是线性的而是非线性的，那么这样我就需要训练非线性的逻辑回归，如何训练非线性的逻辑回归呢？仍然利用sklearn的特征转换思路，将非线性问题转为线性问题进行解决，具体思路

  参考我这篇博文，关乎逻辑回归的理论知识 参考我这篇博文

  一、非线性逻辑回归解决分类问题Demo

  import matplotlib.pyplot as plt
  import numpy as np
  from sklearn.metrics import classification_report
  from sklearn import preprocessing
  from sklearn.preprocessing import PolynomialFeatures
  
  # 数据是否需要标准化
  scale = False
  
  # 读取数据
  data = np.genfromtxt('LR-testSet2.txt', delimiter=',')
  x_data = data[:, 0:-1]
  y_data = data[:, -1, np.newaxis]
  
  # 绘制各类别的数据散点图
  def plotClass():
      x0 = []
      y0 = []
      x1 = []
      y1 = []
      for i in range(len(x_data)):
          if y_data[i] == 0:
              x0.append(x_data[i, 0])
              y0.append(x_data[i, 1])
          else:
              x1.append(x_data[i, 0])
              y1.append(x_data[i, 1])
  
      # 绘图
      s1 = plt.scatter(x0, y0, c='b', marker='o')
      s2 = plt.scatter(x1, y1, c='r', marker='x')
      plt.legend(handles=[s1, s2], labels=['class0', 'class1'])
  
  
  # 定义多项式回归，degree的值可以调节多项式的特征
  poly_reg = PolynomialFeatures(degree=3)  # 得到非线性方程y = theta0+theta1*x1+theta2*x1^2+theta3*x1*x2+theta4*x^2所需的样本数据
  # 特征处理(获取多项式相应特征所对应的样本数据)
  x_poly = poly_reg.fit_transform(x_data)
  
  # 定义逻辑回归的模型函数（S型函数）
  def sigmoid(x):
      return 1 / (1 + np.exp(-x))
  
  # 计算代价值
  def cost(xMat, yMat, ws):
      left = np.multiply(yMat, np.log(sigmoid(xMat * ws)))
      right = np.multiply(1 - yMat, np.log(1 - sigmoid(xMat * ws)))
      return np.sum(left + right) / -len(xMat)
  
  # 梯度下降算法
  def gradAscent(xArr, yArr):
      if scale:
          xArr = preprocessing.scale(xArr)
      xMat = np.mat(xArr)
      yMat = np.mat(yArr)
  
      # 学习率
      lr = 0.03
      # 梯度下降迭代次数
      ite = 50000
      # 记录梯度下降过程中的代价值
      costList = []
      # 计算数据行列数
      m, n = np.shape(xMat)
      # 初始化线性函数权重
      ws = np.mat(np.ones((n, 1)))
      for i in range(ite + 1):
          h = sigmoid(xMat * ws)
          ws_grad = xMat.T * (h - yMat) / m
          ws = ws - lr * ws_grad
          if i % 50 == 0:
              costList.append(cost(xMat, yMat, ws))
      return ws, costList
  
  # 训练模型
  ws, costList = gradAscent(x_poly, y_data)
  # 获取数据值所在的范围
  x_min, x_max = x_data[:, 0].min() - 1, x_data[:, 0].max() + 1
  y_min, y_max = x_data[:, 1].min() - 1, x_data[:, 1].max() + 1
  
  # 生成网格矩阵
  xx, yy = np.meshgrid(np.arange(x_min, x_max, 0.02), np.arange(y_min, y_max, 0.02))
  # 测试点的预测值
  z = sigmoid(poly_reg.fit_transform(np.c_[xx.ravel(), yy.ravel()]).dot(np.array(ws)))
  print(xx.shape)
  print(len(z))
  for i in range(len(z)):
      if z[i] > 0.5:
          z[i] = 1
      else:
          z[i] = 0
  
  z = z.reshape(xx.shape)
  # 绘制等高线图
  cs = plt.contourf(xx, yy, z)
  plotClass()
  
  # 根据训练的模型进行预测类型
  def predict(x_data, ws):
      if scale:
          x_data = preprocessing.scale(x_data)
      xMat = np.mat(x_data)
      ws = np.mat(ws)
      return [1 if x >= 0.5 else 0 for x in sigmoid(xMat * ws)]
  
  predictions = predict(x_poly, ws)
  # 计算准确率，召回率，F1值
  print(classification_report(y_data, predictions))
  plt.show()
  
  

  二、执行结果

  precision    recall  f1-score   support
  
           0.0       0.86      0.83      0.85        60
           1.0       0.83      0.86      0.85        58
  
     micro avg       0.85      0.85      0.85       118
     macro avg       0.85      0.85      0.85       118
  weighted avg       0.85      0.85      0.85       118
  

  
  三、数据下载
  链接：https://pan.baidu.com/s/1Lvrzw7s0d4F5jB7SVlkJzg
  提取码：q3uv

如果你已经解决了该问题, 非常希望你能够分享一下解决方案, 写成博客, 将相关链接放在评论区, 以帮助更多的人 ^-^