03 2019 档案
linux代码笔记
摘要：sudo passwd root更新root密码 软件包管理及shell命令_deb软件包管理一_笔记：dpkj -i 安装dpkj -r 移除dpkj -P 全部移除dpkj -L 列出安装清单djpk -s 安装状态 mv 文件名 . 将暂存状态转入 ls sudo软件包管理及shell命令_d
BP神经网络测试MNIST记录
摘要：约定： 所有的初始化权值范围，如下，就是说更换激活函数的情况，没有过大的调整初始权重。 1 if(randomMode==1): 2 numpy.random.seed(seedWih) 3 self.wih = numpy.random.rand(self.hNodes, self.iNodes)
机器学习算法，机器让我学习（4）
摘要：9-15 9聚类，k均值算法，确定最佳聚类的方法 10凝聚聚类 11基于内容和基于用户的测试、协同过滤、交替最小二乘法 12词袋、NLP 13主题建模分析，如潜在语义分析，潜在狄利克雷分配算法等 14TensorFlow和Keras 15完整的机器学习管道 https://github.com/ba
机器学习算法，机器让我学习（3）
摘要：这个小段的内容主要是朴素贝叶斯、支持向量机、决策树和集成学习的代码，看不懂..........后面的更是看不懂.................. 朴素贝叶斯： scikit-learn提供了伯努利，多项式，高斯三个变体。伯努利是一个二项分布，多项式是离散分布，高斯是连续分布。用在不同的场景里： 伯
机器学习算法，机器让我学习（2）
摘要：这个主要是线性回归和逻辑回归部分，除了前面关于最小二乘法，后面基本都看不懂，只做了记录。 二维线性模型：普通最小二乘法： 1 from __future__ import print_function 2 import numpy as np 3 import matplotlib.pyplot a
机器学习算法，机器让我学习（1）
摘要：机器学习的分类： 有监督学习： 基于连续输出称为回归，如股票预测 基于离散量输出为分类，如数字识别 （常见的有监督学习：回归预测分析，分类；垃圾邮件检测；模式检测；自然语言处理；情绪分析；自动图像分类；自动序列生成等） 无监督的学习： 对象分割，相似性检测，自动标记 强化学习： （不懂啊，是不是还有
优化神经网络的方法，加速训练
摘要：1.BGD法。batch gradient descent批梯度下降 2.SGD法。stochastic gradient descent随机梯度下降，也称MBGD minibatch gradient descent 3.Momentum法。模拟动量 4.Nesterov Momentum法，对3
TensorFlow实现的激活函数可视化
摘要：书上的代码： 1 # coding: utf-8 2 3 # In[1]: 4 5 import matplotlib.pyplot as plt 6 import numpy as np 7 import tensorflow as tf 8 from pylab import * 9 10 11
主体的实践，摘录-----保守还是改革，不是靠思辨的力量，而是靠实践
摘要：马克思关于费尔巴哈的提纲，如是读。 对象世界固然是我们看到的样子，但这是简单的直观反映而已。因此，你看到的，只是世界的现象，而不是世界的本质。这固然是唯物主义看世界的方式，但显得过于朴素了，不能以联系和发展的方式看世界。看到什么就是什么，似乎我们看到的世界从来不与人本身发生联系，这种观点太幼稚，过于
git版本控制工具的使用（3）远程分支
摘要：查看远程库的信息 从远程仓库克隆时，实际上Git自动把本地的master分支和远程的master分支对应起，远程仓库的默认名称是origin。 使用如下，查看远程库信息 git remote git remote -v 加入-v更详细 推送分支 推送为远程的对应分支 git push origin
git版本控制工具的使用（2）分支管理
摘要：git format-patch xxxxx git log --graph git reset --hard xxxx git am --abort git am --signoff < xxx.patch 分支创建合并原理 在git中，HEAD指向了当前分支。以下五张图指针分别为： 原始分支情况
git版本控制工具的使用（1）。本地离线与远程配置，连接
摘要：为了使用。 git init git status git add . git config --global user.email "1872040489@qq.com" git config --global user.name "Mr.bai" git commit -m "initial p
python ui学习过程，使用pyqt5实现
摘要：首先安装pyqt5的包，然后打开notebook就可以编写了。当然这样编写，也可以用designer进行。 它是pyqt5-tools的一个exe软件，\Anaconda3\Lib\site-packages\pyqt5_tools\QT\bin\designer.exe，可以实现可视化编辑， 然后
python下使用opencv拍照
摘要：首先在命令中安装opencv： pip install opencv-python 然后打开notebook： jupyter notebook 建立文件，写入如下代码： import cv2 capture = cv2.VideoCapture(0) while(True): # 获取一帧 ret
python的数字图像处理学习（3）
摘要：高级滤波： 1 from skimage import data,color,data_dir 2 import matplotlib.pyplot as plt 3 from skimage.morphology import disk 4 import skimage.filters.rank
python的数字图像处理学习（2）
摘要：图像的重定义大小，图像的缩扩，图像的旋转： 1 from skimage import transform,data 2 import matplotlib.pyplot as plt 3 img = data.camera() 4 print(img.shape) 5 plt.subplot(22
python的数字图像处理学习（1）
摘要：导入原有的测试图片，测试图片路径，和一些方法，显示出测试图像，测试图像路径。 from skimage import io,data,data_dir img_rgb=data.chelsea() io.imshow(img_rgb) data_dir 使用打开方式的方案，将图像转为灰度图，并显示。
tensorflow下识别手写数字基于MLP网络
摘要：1 # coding: utf-8 2 3 # In[1]: 4 5 import tensorflow as tf 6 import tensorflow.examples.tutorials.mnist.input_data as input_data 7 8 9 # In[2]: 10 11
使用tensorflow下的GPU加速神经网络训练过程
摘要：下载CUDA8.0，安装 下载cuDNN v5.1安装。放置环境变量等。 其他版本就不装了。不用找其他版本的关系。 使用tensorflow-gpu1.0版本。 使用keras2.0版本。 有提示的。 有时候可能需要分配使用空间自动增长： config = tf.ConfigProto() conf
LSTM长短期记忆神经网络模型简介
摘要：LSTM网络也是一种时间递归神经网络，解决RNN的长期依赖关系。 RNN模型在训练时会遇到梯度消失或者爆炸的问题，训练时计算和反向传播，梯度倾向于在每一时刻递增或递减，梯度发散到无穷大或者0.....没看懂吧... LSTM有输入向量，输出向量，状态，闸门等。 有了闸门机制，LSTM有长期记忆功能。
RNN模型（递归神经网络）简介
摘要：有些任务可以通过MLP多层感知器的神经网络，CNN卷积神经网络解决，因为那些任务内部的每一个前后无关联，无顺序，如MNIST手写数字子集，CIFAR子集等。 但是在自然语言处理中，每个字的前后有语义联系，或者在视频图像处理，或者在气象观测数据，股票交易数据方面，有前后的关联性，那么使用RNN网络，或
Keras下的文本情感分析简介。与MLP,RNN,LSTM模型下的文本情感测试
摘要：1 # coding: utf-8 2 3 # In[1]: 4 5 6 import urllib.request 7 import os 8 import tarfile 9 10 11 # In[2]: 12 13 14 url="http://ai.stanford.edu/~amaas/d
Keras的泰坦尼克号的生存率的数据分析
摘要：1 # coding: utf-8 2 3 # In[1]: 4 5 6 import urllib.request 7 import os 8 9 10 # In[2]: 11 12 13 url="http://biostat.mc.vanderbilt.edu/wiki/pub/Main/Da
Keras框架下使用CNN进行CIFAR-10的识别测试
摘要：View Code 有手册，然后代码不知道看一下：https://keras-cn.readthedocs.io/en/latest/ 首先是下载数据集，下载太慢了就从网盘上下载： 链接：https://pan.baidu.com/s/1W-d1atE-hvPwNOtcupfivQ 提取码：8rr5
