06 2020 档案
摘要：1.数据类型 如何表示string? One-hot [0,1,0,0,...] Embedding Word2vec，glove 类型推断 1 #type check 2 a=torch.randn(2,3) 3 print(a.type()) #torch.FloatTensor 4 print
阅读全文
摘要：训练集和测试集（训练集包含两个文件：train_negative.txt和train_positive.text，分别包含2000多的负样本和2000多的正样本。文件里面的每一行代表一个样本（例如：一篇电影评论）。测试样本类似。）： 链接：https://pan.baidu.com/s/1GybqI
阅读全文
摘要：恒等块（Identity block） 和图中不同，下例中会跳过三个隐藏层，且路径中每一步先进行卷积操作，再Batch归一化，最后进行Relu激活。 相关函数： 实现Conv2D：参见这里 实现BatchNorm：参见这里 实现激活：使用Activation('relu')(X) 添加快捷方式传递的
阅读全文
摘要：在完成作业之前需要在虚拟环境中安装TensorFlow和Keras Keras中几个函数用法https://blog.csdn.net/u012969412/article/details/70882296/ 导包 1 import numpy as np 2 from keras import l
阅读全文
摘要：导包 1 import math 2 import numpy as np 3 import h5py 4 import matplotlib.pyplot as plt 5 import scipy 6 from PIL import Image 7 from scipy import ndima
阅读全文
摘要：导包 1 import numpy as np 2 import h5py 3 import matplotlib.pyplot as plt 4 5 plt.rcParams['figure.figsize'] = (5.0, 4.0) # set default size of plots 6
阅读全文
摘要：TensorFlow常用函数 1 import math 2 import numpy as np 3 import h5py 4 import matplotlib.pyplot as plt 5 import tensorflow as tf 6 from tensorflow.python.f
阅读全文
摘要：任务：损失函数𝐽 = 𝑤2 −10𝑤 +25，使用TensorFlow找到使损失函数最小的𝑤值。 import numpy as np import tensorflow as tf w=tf.Variable(0,dtype=tf.float32) cost=tf.add(tf.add(w
阅读全文
摘要：（批量）梯度下降法 1 import numpy as np 2 import matplotlib.pyplot as plt 3 import scipy.io 4 import math 5 import sklearn 6 import sklearn.datasets 7 8 from o
阅读全文
摘要：初始化 分别使用0、随机数和抑梯度异常初始化参数，比较发现抑梯度异常初始化参数可以得到更高的准确度。 原始数据： import numpy as np import matplotlib.pyplot as plt import sklearn import sklearn.datasets fro
阅读全文
摘要：深度神经网络计算过程 提前加载包 1 import numpy as np 2 import h5py 3 import matplotlib.pyplot as plt 4 from testCases_v2 import * 5 from dnn_utils import sigmoid, si
阅读全文
摘要：1.梯度下降法 是一种基于搜索的最优化方法，作用是最小化一个损失函数。 但不是所有的函数都有唯一的极值点。 解决方案：多次运行，随机初始化点 梯度下降法的初始点也是一个超参数 线性回归法的损失函数具有唯一的最优解。 模拟实现梯度下降法 1 import numpy as np 2 import ma
阅读全文
摘要：1.最小二乘法 手工推导使损失函数最小的参数a和b： 2.简单线性回归的实现 1 import numpy as np 2 import matplotlib.pyplot as plt 3 4 x=np.array([1.,2.,3.,4.,5.]) 5 y=np.array([1.,3.,2.,
阅读全文
摘要：1 """ 2 #演示内容：二次回归和线性回归的拟合效果的对比 3 """ 4 print(__doc__) 5 6 import numpy as np 7 import matplotlib.pyplot as plt 8 from sklearn.linear_model import Lin
阅读全文
摘要：1.K近邻算法基础实例 1 import numpy as np 2 import matplotlib.pyplot as plt 3 4 raw_data_X=[[3.9,2.3], 5 [3.1,1.7], 6 [1.3,3.3], 7 [3.5,4.6], 8 [2.2,2.8], 9 [7
阅读全文
摘要：1.线性回归模型及求解方法 什么是回归？ X的行表示每个样本，列表示每个特征。 研究X和Y之间关系的统计分析方法称之为回归。其中X是自变量，Y是因变量。 利用训练数据，使用回归模型（如线性模型）去拟合变量之间的关系。因此训练任务就是利用数据，来学习模型中的参数 parameter（如线性模型中的斜率
阅读全文
摘要：pyplot绘图 import matplotlib.pyplot as plt import numpy as np x=np.linspace(0,10,100) siny=np.sin(x) cosy=np.cos(x) plt.plot(x,siny) #plt.plot(x,siny,co
阅读全文
摘要：1 """ 2 演示内容：文档的向量化 3 """ 4 from sklearn.feature_extraction.text import CountVectorizer 5 corpus = [ 6 'Jobs was the chairman of Apple Inc., and he wa
阅读全文
摘要：1.Jupyter notebook中的魔法命令 %run 在Jupyter中加载.py文件 先搞清楚Jupyter中文件的默认路径，修改完后再运行 import os print(os.path.abspath('.')) F:\python_DemoCode\JuypterNotebook %r
阅读全文
