📚旁征博引

对比敏感度函数 梯度下降 平均意见得分 相关系数 均值绝对误差 均方根偏差 斯皮尔曼秩相关系数 图像压缩

🎯要点

🎯算法实现：🖊PyTorch单尺度和多尺度质量指标算法 | 🖊C++单尺度质量指标算法 | 🖊Rust多尺度质量指标算法 | 🖊LabVIEW单尺度质量指标算法 | 🖊MATLAB单尺度质量指标算法 | 🖊PyTorch完整参考图像质量测量指标、和分布式图像特征质量测量指标 | 🖊多尺度质量模型应用：图像压缩，视频压缩、端到端优化图像压缩、神经图像压缩、GPU变速图像压缩

图像处理用例

🍪语言内容分比

pie title 语言分比
 "Python":90
 "PyTorch":80
 "C++":20
 "Rust":20
 "LabVIEW":10
 "MATLAB":10
 "TensorFlow":30

pie title 内容分比
 "算法":90
 "单尺度和多尺度":80
 "图像质量":50
 "图像压缩":30
 "视频压缩":30
 "神经网络":20

✂️梗概

🍇Python斯皮尔曼秩相关性

斯皮尔曼秩相关性是两个连续变量之间单调关系强度和方向的统计度量。因此，这些属性按其偏好排序或排列。它用符号“rho”（ρ）表示，可以取 -1 到 1 之间的值。rho 的正值表示两个变量之间存在正关系，而 rho 的负值表示负关系。rho 值为 0 表示两个变量之间没有关联。

$$ \rho=1-\frac{6 \sum d_i^2}{n\left(n^2-1\right)} $$

• $\rho$=斯皮尔曼相关系数
• 秩 = 变量值相对于数据集中其他值的位置或顺序
• $d _i$= 每个数据项的两个变量值的排名差异
• $n$ = 观察总数

创建秩涉及为数据集中的值分配数字顺序，其中最小值的秩为 1，第二小的值的秩为 2，依此类推。

$$ \begin{array}{|c|c|c|} \hline \text { 次序 } & \text { X1 } & \text { Y1 } \\ \hline 1 & 7 & 5 \\ \hline 2 & 6 & 4 \\ \hline 3 & 5 & 5 \\ \hline 4 & 8 & 10 \\ \hline 5 & 7 & 7 \\ \hline 6 & 10 & 9 \\ \hline 7 & 3 & 2 \\ \hline 8 & 9 & 8 \\ \hline 10 & 2 & 1 \\ \hline \end{array} $$

为 $X_1$ 创建秩，

1. 按升序对 $X_1$ 的值进行排序：2,3,4,5,6,7,7,8,9,10