entropy

1热度

1回答

我用TensorFlow创建了一个简单的卷积神经元网络。当我使用边缘= 32px的输入图像时，网络工作正常，但是如果我将边缘两次增加到64px，那么熵反演就像NaN一样。问题是如何解决这个问题？ CNN结构非常简单，看起来像：输入 - > conv-> pool2-> conv-> pool2-> conv-> pool2-> FC-> SOFTMAX 熵计算，如： prediction =

2热度

2回答

Matlab - 直方图熵的比较

我试图理解矢量的熵。我开始通过用平均130，方差为1从正态分布产生大小百万的样品： kk=normrnd(130,20,1000000,1); kk=uint8(kk);%did this or else the result was 0 entropy(kk) KK的imhist是：熵结果是6.3686 然后我从平均值为130和方差为1的正态分布中生成一个大小为1000的样本，按照与之

1热度

2回答

如何从NP直方图计算熵

我有一个直方图的例子： mu1 = 10, sigma1 = 10 s1 = np.random.normal(mu1, sigma1, 100000) 和计算 hist1 = np.histogram(s1, bins=50, range=(-10,10), density=True) for i in hist1[0]: ent = -sum(i * log(abs(i)))

1热度

2回答

我如何解决熵产生南？

我试图来计算阵列熵源于np.histogram通过 mu1, sigma1 = 0, 1 s1 = np.random.normal(mu1, sigma1, 100000) hist1 = np.histogram(s1, bins=100, range=(-20,20), density=True) data1 = hist1[0] ent1 = -(data1*np.log(np.a

3热度

1回答

熵在这种情况下意味着什么？

我正在阅读一个图像分割纸，其中使用范例“信号分离”来处理问题，信号（在这种情况下，图像）由多个信号（图像中的对象）组成作为噪声，其任务是分离出信号（分割图像）。该算法的输出是一个矩阵，表示的图像的分割成M个分量。 T是图像中像素的总数，是像素j处的源分量（/信号/对象）i的值。在我正在阅读的论文中，作者希望选择一个分量m 匹配一定的平滑度和熵准则。但我不明白在这种情况下熵是什么。熵被定义为以

0热度

1回答

计算图像熵

我正在查找可用于计算附加在此消息中的图像的信息熵的代码（http://i.stack.imgur.com/ahdk6.jpg）。我搜索了这个问题的潜在答案，并找到了如何做到这一点的一些说明（例如http://uk.mathworks.com/help/images/ref/entropy.html）。但是，这并不适用于我和相关图像。我真的很感谢任何人的帮助，因为我不擅长Matlab。感谢和最美好

1热度

1回答

如何减去向量元素r中

我有R中的向量 myVect <- c(1,2,3,4) 输出我期待的是 1-2-3-4 =-8 是没有办法，我可以使用这个功能谢谢

0热度

1回答

R中的熵和互信息

我想计算R中的条件互信息，并使用名为infotheo的包。我用两种方法计算I（X; Y1，Y2 | Z）。第一种是使用下面的代码， condinformation(X$industry,cbind(X$ethnicity,X$education),S=X$gender, method="emp") [1] -1.523344 正如我认为互信息可以被分解两个熵：I（X; Y1，Y2 | Z）=

0热度

5回答

创建一个图像对象数组

我想创建一个图像对象的数组，但挣扎。每个对象都会保存图像和图像的标题。下面的代码工作正常，当我把它粘贴到萤火虫的检查：例1 var imageArray = new Array(); imageArray[0] = new Image(); console.log(imageArray[0]); //result is <img> imageArray[0].src = "my-im

5热度

1回答

为什么均匀分布的熵低于R中的重复值？

根据维基百科，均匀分布是“最大熵概率分布”。因此，如果我有两个序列（一个是均匀分布的，一个是重复值的），都是长度为k的，那么我会期望均匀分布的序列的熵高于重复值的序列。然而，这是在运行中的R下面的代码时观察到没有什么： require(entropy) entropy(runif(1024), method="ML", unit="log2") entropy(rep(1,1024), met