随笔分类 - 人工智能之机器学习
python
Python机器学习（七十九）Keras 评估模型
摘要：模型训练好后，就可以使用测试数据评估模型的性能。 score = model.evaluate(X_test, Y_test, verbose=0) 到此为止，我们已经完成了一个完整的Keras应用。进一步了解Keras，可参考更多Keras例子。 完整代码 下面是本教程的完整代码： # Keras
阅读全文
Python机器学习（七十八）Keras 训练模型
摘要：训练模型，即根据训练数据拟合模型的过程。为了拟合这个模型，需要设置训练的批次大小和训练周期(epoch)数，另外，当然需要传递训练数据。 model.fit(X_train, Y_train, batch_size=32, nb_epoch=10, verbose=1) # Epoch 1/10 #
阅读全文
Python机器学习（七十七）Keras 编译模型
摘要：接下来编译模型。在编译模型时，设置损失函数与优化器。 model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy']) Keras有多种损失函数和开箱即用的优化器可供选择。
阅读全文
Python机器学习（七十六）Keras 模型架构
摘要：接下来定义神经网络模型架构。 在实际的研发工作中，模型架构研究是主要工作。当你刚刚开始时，可以从学术论文中复制经过验证的架构，或者使用现有的示例，Keras中的示例网址。 首先声明一个Sequential模型格式: model = Sequential() 接下来，声明输入层: model.add(
阅读全文
Python机器学习（七十五）Keras 预处理分类标签
摘要：让我们看看分类标签数据: print (y_train.shape) # (60000,) print (y_train[:10]) # [5 0 4 1 9 2 1 3 1 4] 可以看到，这是一个一位数组，包含了训练数据集对应的标签。 在Keras中，模型训练时，需要把分类标签数据转换为类似位图
阅读全文
Python机器学习（七十四）Keras 预处理数据
摘要：首先需要调整数据集的形状，让其包含图像的位深信息。 打印原始数据集的形状： >>> print (X_train.shape) (60000, 28, 28) 可以看到并没有包含图像的位深信息。 MNIST是灰度图像，位深为1，我们将数据集从形状(n，宽度，高度)转换为(n，位深，宽度，高度)。 i
阅读全文
Python机器学习（七十三）Keras 加载MNIST数据集
摘要：MNIST是一个经典的深度学习和计算机视觉的数据集，里面包含了0-9的手写数字图片，开发人员可使用此数据集来训练和测试神经网络，训练后的神经网络可以识别手写数字。 Keras库已经包含了这个数据集，可以从Keras库中加载: from keras.datasets import mnist # 将预
阅读全文
Python机器学习（七十二）Keras 导入库与模块
摘要：让我们从导入numpy开始，并为计算机的伪随机数生成器设置一个种子，相同种子可以产生同系列的随机数。 import numpy as np np.random.seed(123) # 种子相同，随机数产生可以重现 接下来，将从Keras导入Sequential模型类型。这是一个简单的线性神经网络层的
阅读全文
Python机器学习（七十一）Keras 环境搭建
摘要：我们使用主流的TensorFlow作为Keras的底层实现。 Keras需要依赖下面的库，确保电脑上已经安装: Python 3 NumPy SciPy Matplotlib TensorFlow 检查一下是否安装正确: 命令行上输入: > python Python 3.7.3 (v3.7.3:e
阅读全文
Python机器学习（七十）Matplotlib 保存图形
摘要：保存为图像文件 可以使用plt.savefig()函数将图形保存到png文件中。 示例 # 保存图形 plt.savefig("foo.png") # 保存为透明图像 plt.savefig("foo.png", transparent=True) 保存为PDF 示例 # 导入 PdfPages f
阅读全文
Python机器学习（六十九）Matplotlib 其他类型图形
摘要：Matplotlib 柱状图 柱状图/条形图是常见的图形类型，可使用bar()方法绘制。 示例 # 导入numpy库与matplotlib.pyplot库 import numpy as np import matplotlib.pyplot as plt # 柱状图条目 divisions = [
阅读全文
Python机器学习（六十八）Matplotlib 多个图形
摘要：个图(figure)中可以包含多个子图(subplot)。 subplot 可以使用subplot()添加子图。 示例 创建2个子图，水平排列。 # 导入numpy库与matplotlib.pyplot库 import numpy as np import matplotlib.pyplot as
阅读全文
Python机器学习（六十七）Matplotlib 图形绘制
摘要：本章我们将从一个简单的图形开始，演示各种绘图方法，逐步丰富图形，使其更美观。 使用默认属性绘图 Matplotlib中，绘制图形时，可以设置一些属性，包括：图形大小、dpi、行宽、颜色和样式、坐标轴、网格属性、文本和字体属性等等。如果不设置，则将使用属性的默认值。 示例 使用默认设置，绘制正弦函数和
阅读全文
Python机器学习（六十六）Matplotlib 基本概念
摘要：Figure/绘图 Figure表示整个绘图，可以理解为一个画布，绘图中可以包含多个子图形（subplot）。 如果不显式创建figure，会使用默认的figure。 示例 显式创建figure # 创建一个大小为8x6英寸的图形，每英寸80个点 plt.figure(figsize=(8, 6),
阅读全文
Python机器学习（六十五）Matplotlib 入门
摘要：绘制一个简单图形 让我们从一个简单的图形开始。 示例 # 以别名plt导入pyplot模块 import matplotlib.pyplot as plt # 准备数据 x = [1,2,3,4] y = [1,4,9,16] # 绘制数据 plt.plot(x, x, label='linear'
阅读全文
Python机器学习（六十四）SciPy 统计
摘要：scipy.stats模块包含了统计工具以及概率分析工具。 分布: 直方图和概率密度函数 给定随机过程的观测值，其直方图是随机过程的概率密度函数PDF的估计量: 示例 import numpy as np samples = np.random.normal(size=1000) bins = np
阅读全文
Python机器学习（六十三）SciPy 信号处理
摘要：scipy.signal模块专门用于信号处理。 重新采样 scipy.signal.resample()函数使用FFT将信号重采样成n个点。 示例 import numpy as np t = np.linspace(0, 5, 100) x = np.sin(t) from scipy impor
阅读全文
Python机器学习（六十二）SciPy 优化
摘要：优化是指在某些约束条件下，求解目标函数最优解的过程。机器学习、人工智能中的绝大部分问题都会涉及到求解优化问题。 SciPy的optimize模块提供了许多常用的数值优化算法，一些经典的优化算法包括线性回归、函数极值和根的求解以及确定两函数交点的坐标等。 导入scipy.optimize模块，如下所示
阅读全文
Python机器学习（六十一）SciPy 图像处理
摘要：图像处理和分析通常被看作是对二维值数组的操作。然而，在一些领域中，必须对高维数的图像进行处理分析，例如，医学成像和生物成像。由于对多维特性的良好支持，numpy非常适合这种类型的应用程序。scipy.ndimage包提供了许多通用的图像处理和分析功能，这些功能支持操作任意维度的数组。 scipy.n
阅读全文
Python机器学习（六十）SciPy 线性代数
摘要：SciPy线性代数包是使用优化的ATLAS LAPACK和BLAS库构建的，具有高效的线性代数运算能力。 线性代数包里的函数，操作对象都是二维数组。 SciPy.linalg 与 NumPy.linalg与NumPy.linalg相比，scipy.linalg除了包含numpy.linalg中的所有
阅读全文