05 2019 档案
摘要：1、知识点 2、代码 3、目标函数 4、优化目标
阅读全文
摘要：1、获取resource目录下的template路径 String path = Thread.currentThread().getContextClassLoader().getResource("").getPath()+"template";
阅读全文
摘要：1、知识点 2、将数据写入TFRecords import tensorflow as tf import os os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' FLAGS = tf.app.flags.FLAGS tf.app.flags.DEFINE_strin
阅读全文
摘要：1、知识点 2、代码 3、分布式架构图
阅读全文
摘要：1、知识点 2、代码 3、发展历程 4、卷积与池化输出矩阵维度计算公式 5、损失计算-交叉熵损失公式 6、SoftMax回归计算公式 7、激活函数-Relu
阅读全文
摘要：1、知识点 2、代码
阅读全文
摘要：1、知识点 2、代码
阅读全文
摘要：1、知识点 2、代码
阅读全文
摘要：1、知识点 """ 模拟一个y = 0.7x+0.8的案例 报警： 1、initialize_all_variables (from tensorflow.python.ops.variables) is deprecated and will be removed after 2017-03-02
阅读全文
摘要：内容：包含tensorflow变量作用域、tensorboard收集、模型保存与加载、自定义命令行参数 1、知识点 2、代码
阅读全文
摘要：1、知识点 2、代码
阅读全文
摘要：声明：由于业务场景需要，所以根据一个网友的完成的。 1、既然要使用PDF模板填充，那么就需要制作PDF模板，可以使用Adobe Acrobat DC，下载地址：https://carrot.ctfile.com/dir/11269771-27158812-194d66/29433907/ （使用特别
阅读全文
摘要：知识点： 代码： 轮廓系数：
阅读全文
摘要：# coding=utf-8 from sklearn.datasets import load_iris, fetch_20newsgroups, load_boston from sklearn.model_selection import train_test_split, GridSearchCV from sklearn.neighbors import KNeighborsClas...
阅读全文
摘要：# coding = utf-8 from sklearn import datasets from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split ''' 算法是核心，数据和计算是基础 定位： 1、分析数据 2、分析业务 3、应用常见算法进行对比...
阅读全文
摘要：# coding=utf-8 from sklearn.preprocessing import MinMaxScaler from sklearn.preprocessing import StandardScaler from sklearn.preprocessing import Imputer import numpy as np ''' 特征预处理：通过特定的统计方法，将数据转换成...
阅读全文
摘要：# coding = utf-8 from sklearn.feature_selection import VarianceThreshold from sklearn.decomposition import PCA ''' 数据降维：特征的数量减少(即columns减少) 1、特征选择原因：
阅读全文
摘要：# coding=utf-8 from sklearn.feature_extraction.text import CountVectorizer from sklearn.feature_extraction.dict_vectorizer import DictVectorizer from sklearn.feature_extraction.text import TfidfVecto...
阅读全文
摘要：1、data_range生成时间范围 b）将时间字符串转为时间序列 使用pandas提供的方法把时间字符串转化为时间序列 df["timeStamp"] = pd.to_datetime(df["timeStamp"],format="")，其中format参数大部分情况下可以不用写 c）DataF
阅读全文
摘要：1、pandas对缺失数据的处理 判断数据是否为NaN：pd.isnull(df),pd.notnull(df) 处理方式1：删除NaN所在的行列dropna (axis=0, how='any', inplace=False) 处理方式2：填充数据，t.fillna(t.mean()),t.fia
阅读全文
摘要：知识点 1、DataFrame创建，可以通过index和columns指定索引名称 2、DataFrame基础属性和整体情况查询 3、通过pd.sort_values(by="Count_AnimalName",ascending=False).head(5)排序获取次数最高的排名数据 4、切片与索
阅读全文
摘要：知识点 1、Series创建 2、Series索引与切片 a)索引：一个的时候直接传入序号或者index,多个的时候传入序号或者index的列表 b)切片：直接传入start end或者步长即可 3、Series其他属性与方法 4、Series读取外部数据
阅读全文
摘要：# coding=utf-8 import numpy as np ''' 填充nan的数据，为该列的平均值 ''' def fill_ndarray(t1): for i in range(t1.shape[1]): temp_col = t1[:,i] #取每一列 print(temp_col) nan_num =np.count_...
阅读全文
摘要：a = np.array([[11, 12, 13, 14, 15], [16, 17, 18, 19, 20], [21, 22, 23, 24, 25], [26, 27, 28 ,29, 30], [31, 32, 33, 34, 35]]) print(type(a)) # >>><clas
阅读全文
摘要：# coding=utf-8 import numpy as np import random ############一维数组创建############# #方式一 t1 = np.array([1,2,3],dtype=float) print(t1,t1.dtype,t1.shape) #方式二 t2 = np.array(range(5),dtype=float) print(t...
阅读全文
摘要：1、知识点 2、案例 3、案例二 多条形图
阅读全文
摘要：1、案例一 2、案例二 3、案例三 4、案例四 绘制多个直线图
阅读全文
摘要：数据模型原型如下： 1、表输入，针对最新的数据输入的表 2、目标表，需要更新的表 3、两个表都需要进行排序操作 4、合并，根据id进行合并 5、数据同步(包括更新、插入、删除) 6、点击运行，就可以实现数据同步了。
阅读全文
摘要：1、Kettle的Job使用十分简单，这里也只是演示比较简单的操作，创建Job 2、点击转换，然后点击浏览，选择转换对象 3、执行按钮，运行该转换 4、如果需要长期的进行定时转换，可以在Job中的start控件进行配置
阅读全文
摘要：1、安装JDK 2、下载Kettle 3、将文件解压，点击Spoon.bat文件，启动kettle. 4、创建资源库 点击Connet,选择Pentaho Repository 注意： 1、在使用mysql进行连接测试的时候，一定要找到相应的驱动包，我的是5.1.20jar包这个可以百度找一下， 或
阅读全文
