01 2021 档案
摘要：#CRIM城镇人均犯罪率#ZN占地面积超过2 5万平方英尺的住宅用地比例#INDUS城镇非零售业务地区的比例#CHAS查尔斯河虚拟变量(= 1如果土地在河边;否则是0)#NOX-氧化氮浓度(每1000万份)#RM平均每居民房数#AGE在40年之前建成的所有者占用单位的比例#DIS与2入发土顿就业中心
阅读全文
摘要：w:待优化参数 loss:损失函数 lr:学习率 batch中含有z^n组数据，t表示当前batch迭代的总次数。 更新参数分四步完成：
阅读全文
摘要：转自：https://blog.csdn.net/weixin_38859557/article/details/80795476#-*- coding:utf-8 _*- """ @author:bluesli @file: logistic_regression.py @time: 2018/0
阅读全文
摘要：MNIST是一个手写体数字的图片数据集，该数据集来由美国国家标准与技术研究所（National Institute of Standards and Technology (NIST)）发起整理，一共统计了来自250个不同的人手写数字图片，其中50%是高中生，50%来自人口普查局的工作人员。该数据集
阅读全文
摘要：参考博客：https://blog.csdn.net/weixin_45665788/article/details/104919669 import matplotlib.pyplot as plt import numpy as np import tensorflow as tf # 载入随机
阅读全文
摘要：欠拟合：对现有数据学习不够彻底 过拟合：模型对当前数据拟合的太好，而对从未见过的新数据无法做出正确判断，模型缺乏泛化力。 缓解欠拟合：增加输入特征项，增加网络参数，减少正则化参数 缓解欠拟合：数据清洗，增大训练集，采用正则化，增大正则化参数 # 导入所需模块 import tensorflow as
阅读全文
摘要：损失函数：预测值y与已知答案y_的差距。 nn优化的目标： loss最小（mse（均方误差），自定义，ce（交叉熵）） mse（均方误差） 例题：预测酸奶日销量y，x1，x2是影响日销量因素。 建模前，应预先采集的数据有:每日x1、 x2和销量y_ (即已知答案， 最佳情况:产量=销量)拟造数据集x
阅读全文
摘要：其中MP模型中的非线性函数极为激活函数（激活函数是用来加入非线性因素的，提高神经网络对模型的表达能力，解决线性模型所不能解决的问题。） 优秀的激活函数： 1.非线性：激活函数非线性时，多层神经网络可逼近所有函数 2.可微性: 优化器大多用梯度下降更新参数 3..单调性:当激活函数是单调的，能保证单层
阅读全文
摘要：神经网络（NN）复杂度： 神经网络(NN)复杂度：多用层数和NN参数的个数表示 空间复杂度： 层数 = 隐藏层的层数+1个输出层 总参数 = 总W+总b 图：3X4+4(第1层) + 4X2+2（第2层） = 26 事件复杂度： 乘加运算次数 图： 3X4(第1层) + 4X2（第2层） = 20
阅读全文
摘要：tf.where语句 tf.where(条件语句，真返回A，假返回B) import tensorflow as tf a = tf.constant([1,2,3,4,5,6,7]) b = tf.constant([2,3,4,6,7,89,8]) c = tf.where(tf.greater
阅读全文
摘要：# -*- coding: UTF-8 -*- # 利用鸢尾花数据集，实现前向传播、反向传播，可视化loss曲线 # 导入所需模块 import tensorflow as tf from sklearn import datasets from matplotlib import pyplot a
阅读全文
摘要：常用函数： 1. import tensorflow as tf x1 = tf.constant([1,2,3],dtype=tf.int8) print(x1) x2 = tf.cast(x1,dtype=tf.float16) x3 = tf.reduce_min(x1) x4 = tf.re
阅读全文
摘要：tensor(张量)： 数据类型： 1.直接创建向量： tf.constant(张量内容，dtype=数据类型) import tensorflow as tf t=tf.constant([2,3],dtype=tf.int64)#创建一个一阶张量，dtype表示类型，为int64 print(t
阅读全文
摘要：损失函数：预测值（Xi）与标准答案（xi）的差距 损失函数可定量判断随机产生的参数我，与b的优劣。 均方误差：() 目的：找到一组参数w和b,使得损失函数最小 梯度：函数对各参数求偏导后的向量，函数梯度下降方向是函数减小方向。 梯度下降法：沿损失函数函数梯度下降的方向寻找，寻找函数最小值，得到最优函
阅读全文
摘要：人工智能的三种主义（行为主义：控制系统，符号主义：专家系统，连接主义：神经网络） 基于联结主义的神经网络的设计过程： 1.准备数据：采集大量“特征，标签”数据 2.搭建网络：搭建神经网络结构 3.优化参数：训练网络获取最佳参数 4.应用网络：将网络保存为模型，输入新数据，输出分类或预测结果 神经网络
阅读全文
浙公网安备 33010602011771号