2021-03-04 大数据课程笔记 day43

article/2025/9/12 18:07:58

时间煮雨
@R星校长

机器学习03【机器学习】

主要内容

  1. 数字聚类案例
  2. TF-IDF算法
  3. 微博营销案例
  4. 逻辑回归算法
  5. 音乐分类案例

学习目标在这里插入图片描述

第一节 数字聚类案例

1. K-means 找中心点和数据点分类例子

import numpy as np  #将每行数据放入一个数组内列表，返回一个二维列表
def loadDataSet(fileName):  #建空列表     dataMat = []                 fr = open(fileName)for line in fr.readlines():#按照制表符切割每行，返回一个列表listcurLine = line.strip().split('\t')#切分后的每个列表中的元素，以float形式返回，map()内置函数，返回一个listfltLine = map(float,curLine) dataMat.append(fltLine)return dataMatdef distEclud(vecA, vecB):return np.sqrt(np.sum(np.power(vecA - vecB, 2)))
#3个中心点的位置坐标，返回一个3*2的矩阵
def randCent(dataSet, k):#列数,2列n = np.shape(dataSet)[1]'''centroids是一个3*2的矩阵，用于存储三个中心点的坐标'''centroids = np.mat(np.zeros((k,n))) for j in range(n): #统计每一列的最小值minJ = min(dataSet[:,j]) #每列最大值与最小值的差值rangeJ = float(max(dataSet[:,j]) - minJ)#random.rand(k,1) 产生k*1的数组，里面的数据是0~1的浮点型。array2 = minJ + rangeJ * np.random.rand(k,1)#转换成k*1矩阵 赋值给centroidscentroids[:,j] = np.mat(array2)return centroidsdef kMeans(dataSet, k, distMeas=distEclud, createCent=randCent):#计算矩阵所有行数  80m = np.shape(dataSet)[0]
#y.mat 将二维数组转换成矩阵clusterAssment = np.mat(np.zeros((m,2)))
#createCent找到K个随机中心点坐标centroids = createCent(dataSet, k)
#     print centroidsclusterChanged = Truewhile clusterChanged:clusterChanged = False#遍历80个数据到每个中心点的距离for i in range(m): #np.inf float的最大值，无穷大minDist = np.inf#当前点属于的类别号minIndex = -1#每个样本点到三个中心点的距离for j in range(k):#返回两点距离的值distJI = distMeas(centroids[j,:],dataSet[i,:])if distJI < minDist:#当前最小距离的值minDist = distJI#当前最小值属于哪个聚类minIndex = j#有与上次迭代计算的当前点的类别不相同的点if clusterAssment[i,0] != minIndex: clusterChanged = True#将当前点的类别号和最小距离 赋值给clusterAssment的一行clusterAssment[i,:] = minIndex,minDistfor cent in range(k): 
#ent[:,0].A==censInClust 取出的是对应是当前遍历cent类别的 所有行数据组成的一个矩阵ptsInClust = dataSet[np.nonzero(clusterAssment[:,0].A==cent)[0]]#中心点坐标的位置centroids[cent,:] = np.mean(ptsInClust, axis=0)  #返回 【 当前三个中心点的坐标】 【每个点的类别号，和到当前中心点的最小距离】return centroids, clusterAssmentif __name__ == '__main__': #80*2的矩阵dataMat = np.mat(loadDataSet('./testSet.txt'))k=3
centroids, clusterAssment = 
kMeans(dataMat, k, distMeas=distEclud, createCent=randCent)print centroidsprint clusterAssment

2. 使用 matplotlib 检验分类效果
对于分类结果，可以抽样数据使用 matplotlib 检验数据的分布情况。

import numpy as np       
import matplotlib.pyplot as plt       
from sklearn.cluster import KMeans        
from sklearn.datasets import make_blobs  #建立12*12新的图像
plt.figure(figsize=(12, 12)) 
n_samples = 1500
random_state = 170
'''make_blobs函数是为聚类产生数据集 ， 产生一个数据集和相应的标签 n_samples:表示数据样本点个数,默认值100 n_features:表示数据的维度，特征，默认值是2 centers:产生数据的中心点，默认值3个 shuffle ：洗乱，默认值是True random_state:官网解释是随机生成器的种子 
'''
#x返回的是向量化的数据点，y返回的是对应数据的类别号
x,y = make_blobs(n_samples=n_samples, random_state=random_state)  
#使用KMeans去聚类,返回聚好的类别集合,聚合成几类
y_pred = KMeans(n_clusters=3, random_state=random_state).fit_predict(x) #subplot 绘制多个子图，221 等价于2,2,1 表示两行两列的子图中的第一个
plt.subplot(221)
#scatter 绘制散点图
plt.scatter(x[:, 0], x[:, 1], c=y_pred)    
plt.title("kmeans01") transformation = [[ 0.60834549, -0.63667341], [-0.40887718, 0.85253229]] 
#numpy.dot 矩阵相乘 
X_aniso = np.dot(x, transformation)     
y_pred = KMeans(n_clusters=3, random_state=random_state).fit_predict(X_aniso)  
plt.subplot(222)
plt.scatter(X_aniso[:, 0], X_aniso[:, 1], c=y_pred)  
plt.title("kmeans02") #vstack 是合并矩阵，将y=0类别的取出500行，y=1类别的取出100行，y=2类别的取出10行
X_filtered = np.vstack((x[y == 0][:500], x[y == 1][:100], x[y == 2][:10]))  
y_pred = KMeans(n_clusters=3, random_state=random_state).fit_predict(X_filtered)  
plt.subplot(223) 
plt.scatter(X_filtered[:, 0], X_filtered[:, 1], c=y_pred)  
plt.title("kmeans03")dataMat = []                
fr = open("testSet.txt","r")
for line in fr.readlines():if line.strip() <> "":curLine = line.strip().split('\t')fltLine = map(float,curLine)  dataMat.append(fltLine)
dataMat = np.array(dataMat)
y_pred = KMeans(n_clusters=4, random_state=random_state).fit_predict(dataMat) 
plt.subplot(224) 
plt.scatter(dataMat[:,0], dataMat[:, 1], c=y_pred)  
plt.title("kmeans04") 
plt.savefig("./kmeans.png")
plt.show()

3. 使用 SparkMllib 训练 K-means 模型

object KMeans {def main(args: Array[String]) {//1 构建Spark对象val conf = new SparkConf().setAppName("KMeans").setMaster("local")val sc = new SparkContext(conf)// 读取样本数据1，格式为LIBSVM formatval data = sc.textFile("kmeans_data.txt")val parsedData = data.map(s => Vectors.dense(s.split(' ').map(_.toDouble))).cache()val numClusters = 4val numIterations = 100val model = new KMeans().//设置聚类的类数setK(numClusters).//设置找中心点最大的迭代次数setMaxIterations(numIterations).run(parsedData)//四个中心点的坐标val centers = model.clusterCentersval k = model.kcenters.foreach(println)println(k)//保存模型
//    model.save(sc, "./Kmeans_model")//加载模型val sameModel = KMeansModel.load(sc, "./Kmeans_model")println(sameModel.predict(Vectors.dense(1,1,1)))val sqlContext = new SQLContext(sc)sqlContext.read.parquet("./Kmeans_model/data").show()}
}

给 Kmeans 指定中心点坐标：

object KMeans2 {def main(args: Array[String]) {val conf = new SparkConf().setAppName("KMeans2").setMaster("local")val sc = new SparkContext(conf)val rdd = sc.parallelize(List(Vectors.dense(Array(-0.1, 0.0, 0.0)),Vectors.dense(Array(9.0, 9.0, 9.0)),Vectors.dense(Array(3.0, 2.0, 1.0))))//指定文件 kmeans_data.txt 中的六个点为中心点坐标。val centroids: Array[Vector] = sc.textFile("kmeans_data.txt").map(_.split(" ").map(_.toDouble)).map(Vectors.dense(_)).collect()val model = new KMeansModel(clusterCenters=centroids)println("聚类个数 = "+model.k)//模型中心点model.clusterCenters.foreach { println }//预测指定的三条数据val result = model.predict(rdd)result.collect().foreach(println(_))}
}

第二节 TF-IDF算法

1. TF-IDF

TF-IDF(Term Frequency-Inverse Document Frequency, 词频-逆文本频率)。TF指词频，IDF指的是逆文本频率。TF-IDF是一种用于信息检索与数据挖掘的常用加权技术，可以评估一个词在一个文件集或者一个语料库中对某个文件的重要程度。一个词语在一篇文章中出现的次数越多，同时在所有文章中出现的次数越少，越能够代表该文章的中心意思，这就是TF-IDF的含义。

词频（Term Frequency ,TF）指的是一个给定的词语在该文件中出现的次数。这个数字通常会被归一化（一般是词频除以文章总词数），来防止这个词偏向内容较长文件。比如：同一个词语在长文件里可能会比短文件有更高的词频。在这里插入图片描述逆向文本频率（Inverse Document Frequency，IDF）,主要思想是在语料库中包含某个词条的文档越少，该词条IDF越大，说明这个词就有很强的类别区分能力。通常某个词语的IDF可以由语料库中文件的总数量除以包含该词语的文件数目，再将得到的商取对数决定。在这里插入图片描述分母加1主要是避免这个单词在语料库文章中没有出现，避免分母为0。这样当一个词语在语料库少数文章中出现，该词语对应的IDF值越大，当一个词语在大多数文章中都出现，那么该词语对应的IDF值会越小。
这样，某个词条的TF-IDF的值为 ，即某一个文件中高频出现的词条，以及该词条在整个语料库文件中低频出现的现象，就可以产生高权重的TF-IDF,因此，TF-IDF倾向过滤掉常见的词语，保留重要的词语。即：字词的重要性随着它在文件中出现的次数成正比增加，但同时会随着它在语料库中出现的频率成反比下降。

第三节 微博聚类案例

1. 微博聚类分析

要实现广告的精准投放，需要使用聚类找出兴趣一致的用户群体，这样就需要对用户进行聚类找出行为一致的用户，当对所有用户完成聚类之后，再使用关键词分析找出每个聚类群体中的用户的讨论主题，如果主题符合广告内容或者和广告内容相关，那么当前广告就可以推荐给当前用户群体，实现精准投放广告。

2. 微博营销案例

object KMeans11 {def main(args: Array[String]) {val conf = new SparkConf().setAppName("KMeans1").setMaster("local[*]")val sc = new SparkContext(conf)val rdd = sc.textFile("./original.txt")/*** wordRDD 是一个KV格式的RDD* 	K:微博ID* 	V:微博内容分词后的结果 ArrayBuffer*/var wordRDD = rdd.mapPartitions(iterator => {val list = new ListBuffer[(String, ArrayBuffer[String])]while (iterator.hasNext) {//创建分词对象val analyzer = new IKAnalyzer(true)val line = iterator.next()val textArr = line.split("\t")val id = textArr(0)val text = textArr(1)//分词val ts : TokenStream = analyzer.tokenStream("", text)val term : CharTermAttribute = ts.getAttribute(classOf[CharTermAttribute])ts.reset()val arr = new ArrayBuffer[String]while (ts.incrementToken()) {arr.+=(term.toString())}list.append((id, arr))analyzer.close()}list.iterator})wordRDD = wordRDD.cache() /*** HashingTF 使用hash表来存储分词* * 1000:只是计算每篇微博中1000个单词的词频   最大似然估计思想*/val hashingTF: HashingTF = new HashingTF(1000)/*** tfRDD* K:微博ID* V:Vector（tf，tf，tf.....）* * hashingTF.transform(x._2) 计算分词频数（TF）*/val tfRDD = wordRDD.map(x => {(x._1, hashingTF.transform(x._2))})/*** 得到IDFModel，要计算每个单词在整个语料库中的IDF*/val idf: IDFModel = new IDF().fit(tfRDD.map(_._2))/*** K:weibo ID* V:每一个单词的TF-IDF值* tfIdfs这个RDD中的Vector就是训练模型的训练集* */val tfIdfs: RDD[(String, Vector)] = tfRDD.mapValues(idf.transform(_))//设置聚类个数val kcluster = 20val kmeans = new KMeans()kmeans.setK(kcluster)//使用的是kemans++算法来训练模型kmeans.setInitializationMode("k-means||")//设置最大迭代次数kmeans.setMaxIterations(100)val kmeansModel: KMeansModel= kmeans.run(tfIdfs.map(_._2))//    kmeansModel.save(sc, "d:/model001")//打印模型的20个中心点println(kmeansModel.clusterCenters)/*** 模型预测*/val modelBroadcast = sc.broadcast(kmeansModel)/*** predicetionRDD KV格式的RDD* 	K：微博ID* 	V：分类号*/val predicetionRDD = tfIdfs.mapValues(sample => {val model = modelBroadcast.valuemodel.predict(sample)})
//    predicetionRDD.saveAsTextFile("d:/resultttt")/*** 总结预测结果* tfIdfs2wordsRDD:kv格式的RDD* K：微博ID* V：二元组(Vector(tfidf1,tfidf2....),ArrayBuffer(word,word,word....))*/val tfIdfs2wordsRDD = tfIdfs.join(wordRDD)/*** result:KV* K：微博ID* V:(类别号，(Vector(tfidf1,tfidf2....),ArrayBuffer(word,word,word....)))*/val result = predicetionRDD.join(tfIdfs2wordsRDD)/*** 查看0号类别中tf-idf比较高的单词，能代表这类的主题*/result.filter(x => x._2._1 == 0).flatMap(line => {val tfIdfV: Vector = line._2._2._1val words: ArrayBuffer[String] = line._2._2._2val tfIdfA: Array[Double] = tfIdfV.toArrayval wordL = new ListBuffer[String]()val tfIdfL = new ListBuffer[Double]()var index = 0for(i <- 0 until tfIdfA.length ;if tfIdfV(i) != 0){wordL.+=(words(index))tfIdfL.+=(tfIdfA(index))index += 1}println(wordL.length + "===" + tfIdfL.length)val list = new ListBuffer[(Double, String)]for (i <- 0 until wordL.length) {list.append((tfIdfV(i), words(i)))}list}).sortBy(x => x._1, false).map(_._2).distinct().take(30).foreach(println)sc.stop()}
}

第四节 逻辑回归算法

1. 逻辑回归

逻辑回归又叫logistic回归分析，是一种广义的线性回归分析模型。线性回归要求因变量必须是连续性的数据变量，逻辑回归要求因变量必须是分类变量，可以是二分类或者多分类(多分类都可以归结到二分类问题)，逻辑回归的输出是0~1之间的概率。比如要分析年龄，性别，身高，饮食习惯对于体重的影响，如果体重是实际的重量，那么就要使用线性回归。如果将体重分类，分成了高，中，低三类，就要使用逻辑回归进行分类。在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述

第五节 音乐分类案例

1. 傅里叶变换：

时域分析：对一个信号来说，信号强度随时间的变化的规律就是时域特性，例如一个信号的时域波形可以表达信号随着时间的变化。

频域分析：对一个信号来说，在对其进行分析时，分析信号和频率有关的部分，而不是和时间相关的部分，和时域相对。也就是信号是由哪些单一频率的的信号合成的就是频域特性。频域中有一个重要的规则是正弦波是频域中唯一存在的波。即正弦波是对频域的描述，因为时域中的任何波形都可用正弦波合成。

一般来说，时域的表示较为形象直观，频域分析则简练。傅里叶变换是贯穿时域和频域的方法之一，傅里叶变换就是将难以处理的时域信号转换成了易于分析的频域信号。傅里叶原理：任何连续测量的时序信号，都可以表示为不同频率的正弦波信号的无限叠加。在这里插入图片描述
2. 音乐分类的步骤:

  1. 通过傅里叶变换将不同7类里面所有原始wav格式音乐文件转换为特征,并取前1000个特征,存入文件以便后续训练使用
  2. 读入以上7类特征向量数据作为训练集
  3. 使用sklearn包中LogisticRegression的fit方法计算出分类模型
  4. 读入黑豹乐队歌曲”无地自容”并进行傅里叶变换同样取前1000维作为特征向量
  5. 调用模型的predict方法对音乐进行分类,结果分为rock即摇滚类

3. 代码：

from scipy import fft
from scipy.io import wavfile
from scipy.stats import norm
from sklearn import linear_model, datasets
from sklearn.linear_model import LogisticRegressionimport matplotlib.pyplot as plt
import numpy as np
"""
使用logistic regression处理音乐数据,音乐数据训练样本的获得和使用快速傅里叶变换（FFT）预处理的方法需要事先准备好
1. 把训练集扩大到每类100个首歌,类别仍然是六类:jazz,classical,country, pop, rock, metal
2. 同时使用logistic回归训练模型
3. 引入一些评价的标准来比较Logistic测试集上的表现 
"""
# 准备音乐数据
def create_fft(g,n):rad="i:/genres/"+g+"/converted/"+g+"."+str(n).zfill(5)+".au.wav"(sample_rate, X) = wavfile.read(rad)#取1000个频率特征fft_features = abs(fft(X)[:1000])#zfill(5) 字符串不足5位，前面补0sad="i:/trainset/"+g+"."+str(n).zfill(5)+ ".fft"np.save(sad, fft_features)
genre_list = ["classical", "jazz", "country", "pop", "rock", "metal","hiphop"]
for g in genre_list:for n in range(100):create_fft(g,n)print 'running...'
print 'finished'
read fft-------------- 
genre_list = ["classical", "jazz", "country", "pop", "rock", "metal","hiphop"]
X=[]
Y=[]
for g in genre_list:for n in range(100):rad="i:/trainset/"+g+"."+str(n).zfill(5)+ ".fft"+".npy"fft_features = np.load(rad)X.append(fft_features)#genre_list.index(g) 返回匹配上类别的索引号Y.append(genre_list.index(g))#构建的训练集
X=np.array(X)
#构建的训练集对应的类别
Y=np.array(Y)
-----train logistic classifier-------------- 
model = LogisticRegression()
#需要numpy.array类型参数
model.fit(X, Y)print 'Starting read wavfile...'
#prepare test data-------------------
sample_rate, test = wavfile.read("i:/classical.00007.au.wav")
# sample_rate, test = wavfile.read("i:/heibao-wudizirong-remix.wav")
testdata_fft_features = abs(fft(test))[:1000]
type_index = model.predict(testdata_fft_features)[0]
print type_index
print genre_list[type_index]

本节作业

  1. 掌握TF-IDF算法。
  2. 掌握逻辑回归算法原理。

http://chatgpt.dhexx.cn/article/J0r0q6R2.shtml

相关文章

文本挖掘之文本聚类（MapReduce）

文本挖掘之文本聚类（MapReduce）

刘 勇 Email&#xff1a;lyssymsina.com 简介 针对大数量的文本数据&#xff0c;采用单线程处理时&#xff0c;一方面消耗较长处理时间&#xff0c;另一方面对大量数据的I/O操作也会消耗较长处理时间&#xff0c;同时对内存空间的消耗也是很大&#xff0c;因此&#xff0c;本文…
阅读更多...
solr 自聚类实现

solr 自聚类实现

参考官网&#xff1a;https://lucene.apache.org/solr/guide/6_6/result-clustering.html 最近用到solr自聚类的&#xff0c;先简单介绍如下&#xff1a; 1、配置文件 主要配置文件必须配置如下内容&#xff1a; <lib dir"${solr.install.dir:../../..}/contrib/cluste…
阅读更多...
《学术小白的学习之路 06》自然语言处理之 数据预处理、Jieba分词和文本聚类

《学术小白的学习之路 06》自然语言处理之 数据预处理、Jieba分词和文本聚类

本文主要是学习参考杨秀璋老师的博客,笔记总结。 原文链接 文章目录 书山有路勤为径&#xff0c;学海无涯苦作舟&#xff08;行行代码要手敲&#xff09;零、吃水不忘挖井人一、数据预处理&#xff08;分词-清洗-特征提取-权重&#xff09;二、中文分词2.1 中文分词技术2.2 Jie…
阅读更多...
kmeans实现文本聚类

kmeans实现文本聚类

需求 拿到的需求是输入n个文本，对文本进行聚类，由于这些输入不能通过历史数据进行训练，所以这个主要就是用无监督学习来解决。 kmeans 谈到聚类就会想到kmeans，它的核心思想是给定的K值和K个初始质心将样本中每个点都分到距离最近的类簇中，当所有点分配完后根据每个类簇的…
阅读更多...
PS放大图片而不模糊的操作方法

PS放大图片而不模糊的操作方法

1、使用ps打开图片&#xff08;原始图片200*200&#xff09;&#xff0c;正常情况下ctrl “” 放大图片&#xff0c;图片会变模糊&#xff0c;如下&#xff1a; 原始图片&#xff1a; 放大之后&#xff1a; 明显模糊了。 2、右键图层&#xff0c;选择复制图层…
阅读更多...
使用PS制作放大镜效果

使用PS制作放大镜效果

&#xff08;撰写时间&#xff1a;2019年5月7日 作者&#xff1a;陈景鸿&#xff09; PS的的放大镜也就是将模糊的东西能够看得清楚&#xff0c;也是一款神奇的东西&#xff0c;制作放大镜有两种效果&#xff0c;一种是将图片发大&#xff0c;一种是将图片变得清晰&#xff0c…
阅读更多...
使用PS中的创建剪贴蒙版来做放大镜

使用PS中的创建剪贴蒙版来做放大镜

使用PS中的创建剪贴蒙版来做放大镜 &#xff08;写作时间&#xff1a;4月15日 作者&#xff1a;陈铭军&#xff09; 首先随便找一张建筑物照片导入PS&#xff0c;其他照片也可以做。 然后“Ctrl”“J”或者鼠标右键点击背景图层复制两次。激活背景副本&#xff0c;在上方的菜…
阅读更多...
ps一些基本操作

ps一些基本操作

调整图片、图层大小 点击矩形 画出需要缩小/放大的矩形框ctrlt&#xff0c;缩小/放大矩形框点击图像—画布大小&#xff0c;修改画布大小
阅读更多...
PS使得画布大小迅速和图像大小保持一致，裁切功能

PS使得画布大小迅速和图像大小保持一致，裁切功能

裁切功能
阅读更多...
ps基础 工作区面板 放大镜 抓手 移动工具

ps基础 工作区面板 放大镜 抓手 移动工具

20191110笔记 ps 又叫做编辑软件又称为 编辑对象:像素图 点阵图 位图 ps基础-设置工作区 工作区 是设计师在使用ps时自定义的工作面板组合,方便提升工作效率 工具栏 选项栏 色板 历史纪录 颜色 图层 ps基础-图片的放大 缩小 切换 移动 放大镜 ctrl 放大镜 ctrl-…
阅读更多...
ps把图片无损放大的方法

ps把图片无损放大的方法

工作中我们当遇到图片编辑修改方面的问题时&#xff0c;我们都习惯用PS软件进行处理。如果想要将图片放大&#xff0c;第一想到的也是用PS软件&#xff0c;但是PS放大后的图片会变得很模糊&#xff0c;于是很多人问&#xff1a;ps怎么把图片无损放大&#xff1f; 其实PS是没有…
阅读更多...
ps 做放大镜效果

ps 做放大镜效果

1 随意打出你想做出效果的文字或应用图片 2.复制一层文字图层&#xff0c;将复制的文字图层栅格化后用椭圆选框工具在你想要放大的地方画一个正圆 3.滤镜——扭曲——球面化 参数可以根据自己调节 4.再新建一个图层&#xff0c;在原来的正圆选框上 编辑 ——描边&#xff0c;…
阅读更多...
ps怎么放大图片保持清晰度？

ps怎么放大图片保持清晰度？

作为一名上班族学会PS软件是非常有必要的&#xff0c;可以帮助我们将图片改成我们需要的样子&#xff0c;如格式转换&#xff0c;修改图片大小等。但是大家有没有发现&#xff0c;使用PS软件将图片放大后&#xff0c;图片会变得很模糊&#xff0c;不像原图那样清晰了&#xff0…
阅读更多...
ps图片放大后模糊怎么办？

ps图片放大后模糊怎么办？

ps图片放大后模糊怎么办&#xff1f;说到如何将图片放大&#xff0c;相信大家想到最多的方法就是用ps软件进行放大&#xff0c;ps是一个比较强大的图片编辑软件。但是大家同样也发现了一个问题&#xff0c;就是用ps将图片尺寸进行放大后&#xff0c;图片的清晰度会降低&#xf…
阅读更多...
ps图像放大后变清晰和文字模糊变清晰

ps图像放大后变清晰和文字模糊变清晰

1.使ps图像放大后变清晰 正常直接拉伸图片&#xff0c;图片会变得十分模糊 点击图像&#xff0c;重新采样改为保留细节2.0 减少杂色拉到 100 然后图片就会变得清晰 2.使ps中文件的文字变清晰 首先ctrlshiftu去色&#xff0c;然后用笔分别吸取黑白两个地方就能调回来 但是文字…
阅读更多...
制作局部区域放大效果（每天一个PS小项目）

制作局部区域放大效果（每天一个PS小项目）

原图如下所示&#xff1a; 按住Ctrl点击通道中黑白放大镜&#xff0c;将放大镜选出来&#xff1a; 按CtrlC复制&#xff0c;点击猫的面板&#xff0c;按CtrlV粘贴&#xff1a; 按CtrlJ复制一个背景&#xff0c;点击放大镜图层&#xff0c;按CtrlT更改尺寸&#xff1a; 选择…
阅读更多...
【Ps问题】PS旋转功能会让图片乱飞的解决方法

【Ps问题】PS旋转功能会让图片乱飞的解决方法

问题描述&#xff1a;PS软件的旋转功能【R】每次旋转后图片都不在视口中心 解决办法&#xff1a; 首选项-工具-勾选过界 这样就会使旋转以窗口中心为圆心&#xff0c;不会乱飞
阅读更多...
Photoshop：PS如何实现放大图片不模糊

Photoshop：PS如何实现放大图片不模糊

Photoshop&#xff1a;如何实现放大图片不模糊 设备&#xff1a;Mac&#xff08;11.6&#xff09; 工具&#xff1a;Photoshop&#xff1a;cc2021 开发需求&#xff1a;实现放大图片不模糊 正如博主简介中写的&#xff1a;不会画画的游戏策划不是一个好的程序猿&#xff01…
阅读更多...
ps图片放大模糊怎么变清晰？

ps图片放大模糊怎么变清晰？

ps图片放大模糊怎么变清晰&#xff1f;作为一名职场人士&#xff0c;或多或少都会用ps进行一些简单的操作&#xff0c;例如修改图片尺寸&#xff0c;更改图片的格式等等&#xff0c;我想大家在用ps修改图片尺寸大小时都遭遇过一个相同的问题&#xff0c;就是将图片放大后出现变…
阅读更多...
ps放大图片后变模糊怎么办，如何变清晰？

ps放大图片后变模糊怎么办，如何变清晰？

ps放大图片后变模糊怎么办&#xff0c;如何变清晰&#xff1f;ps软件是最常用的图片编辑处理工具软件&#xff0c;当使用的图片尺寸太小时&#xff0c;我们可以利用ps软件来将图片的尺寸进行放大&#xff0c;但大家同样发现&#xff0c;如果图片的清晰度不是很高&#xff0c;放…
阅读更多...
推荐文章

Copyright @ 2022~2023