上一页 1 ··· 46 47 48 49 50 51 52 53 54 ··· 56 下一页
摘要: 现将list a与 list b按位相加,其结果为[5,7,9] 方法一: 方法二: 方法三: 调用numpy库 map()函数: map()函数接受两个参数,一个是函数,一个是序列,map将传入的函数作用到序列的每个元素,并返回一个可以列表化的map对象。(python2直接返回列表) zip() 阅读全文
posted @ 2018-11-21 21:21 nxf_rabbit75 阅读(32398) 评论(0) 推荐(1) 编辑
摘要: import numpy as np np.random.seed(1337) # for reproducibility from keras.models import Sequential from keras.layers import Dense from keras.models import load_model # create some data X = np.lin... 阅读全文
posted @ 2018-11-20 22:01 nxf_rabbit75 阅读(817) 评论(0) 推荐(0) 编辑
摘要: 1.将文本数据预处理为有用的数据表示 将文本分割成单词(token),并将每一个单词转换为一个向量 将文本分割成单字符(token),并将每一个字符转换为一个向量 提取单词或字符的n-gram(token),并将每个n-gram转换为一个向量。n-gram是多个连续单词或字符的集合 将向量与标记相关 阅读全文
posted @ 2018-11-18 21:36 nxf_rabbit75 阅读(779) 评论(0) 推荐(0) 编辑
摘要: 可迭代对象( iterable ) 是实现了__iter__()方法的对象 迭代器( iterator)是实现了__iter__()和__next__()方法的对象 可迭代对象( iterable )通过调用 iter() 方法得到一个 迭代器( iterator) 参考文献: 【1】Python可 阅读全文
posted @ 2018-11-17 22:24 nxf_rabbit75 阅读(169) 评论(0) 推荐(0) 编辑
摘要: 1. one-hot编码 characters= '0123456789abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVW XYZ!"#$%&\'()*+,-./:;<=>?@[\\]^_`{|}~ \t\n\r\x0b\x0c' one-hot 编码 阅读全文
posted @ 2018-11-16 16:59 nxf_rabbit75 阅读(725) 评论(0) 推荐(0) 编辑
摘要: 其中a是一个数组,后面两个参数分别表示最小和最大值 也就是说clip这个函数将将数组中的元素限制在a_min, a_max之间,大于a_max的就使得它等于 a_max,小于a_min,的就使得它等于a_min。 高维数组也是同样的操作 阅读全文
posted @ 2018-11-15 18:29 nxf_rabbit75 阅读(318) 评论(0) 推荐(0) 编辑
摘要: 原数据集:包含 25000张猫狗图像,两个类别各有12500 新数据集:猫、狗 (照片大小不一样) 训练集:各1000个样本 验证集:各500个样本 测试集:各500个样本 1= 狗,0= 猫 该问题为二分类问题,所以网咯最后一层是使用sigmoid激活的 单一单元,大小为1的Dense层。 los 阅读全文
posted @ 2018-11-15 14:15 nxf_rabbit75 阅读(1289) 评论(0) 推荐(0) 编辑
摘要: VGG16内置于Keras,可以通过keras.applications模块中导入。 将VGG16 卷积实例化: weights:指定模型初始化的权重检查点、 include_top: 指定模型最后是否包含密集连接分类器。默认情况下,这个密集连接分类器对应于ImageNet的100个类别。如果打算使 阅读全文
posted @ 2018-11-14 20:49 nxf_rabbit75 阅读(2510) 评论(0) 推荐(0) 编辑
摘要: 首先,说下多类分类和多标签分类的区别 多标签分类:一个样本可以属于多个类别(或标签),不同类之间是有关联的,比如一个文本被被划分成“人物”和“体育人物”两个标签。很显然这两个标签不是互斥的,而是有关联的; 多类分类:一个样本属于且只属于多个分类中的一个,一个样本只能属于一个类,不同类之间是互斥的,比 阅读全文
posted @ 2018-11-14 09:16 nxf_rabbit75 阅读(5058) 评论(1) 推荐(0) 编辑
摘要: L0范数:向量中非0元素的个数 L1正则化可以产生稀疏权值矩阵,即产生一个稀疏模型,可以用于特征选择 L2正则化可以防止模型过拟合(overfitting);一定程度上,L1也可以防止过拟合 一、L0正则化 通过引入L0正则项,我们可以使模型稀疏化且易于解释,并且在某种意义上实现了「特征选择」。这看 阅读全文
posted @ 2018-11-13 20:08 nxf_rabbit75 阅读(3537) 评论(0) 推荐(1) 编辑
上一页 1 ··· 46 47 48 49 50 51 52 53 54 ··· 56 下一页