随笔分类 -  Python

摘要:1 前言 三阶数字华容道问题又称八数码问题,目前解决数字华容道问题的方法主要有DFS、贪婪算法、A算法等。DFS时间复杂度较高,贪婪算法和A算法都能得到一个有效解,但都不是最优解。笔者通过大量实验,使用BFS进行数据预处理后,能够得到最优解。 (1)定义: 状态(S):每个棋盘的布局称为一个状态,其 阅读全文
posted @ 2023-03-19 11:26 little_fat_sheep 阅读(263) 评论(0) 推荐(0) 编辑
摘要:1 二维图像 1.1 二维曲线 plot(x, y, ls="-", lw=1.5, label=None) x, y:横坐标和纵坐标 ls:颜色、点标记、线型列表,如 ls='r*-' 表示红色实线、*形点,ls='g.' 表示绿色散点 lw:线宽度 label:线标签 plot(x, y, co 阅读全文
posted @ 2023-03-19 11:25 little_fat_sheep 阅读(160) 评论(0) 推荐(0) 编辑
摘要:1 txt文件 1.1 写操作 import numpy as np def write(fileName,data): file=open(fileName,'w') row,col=data.shape string="" for i in range(row): for j in range( 阅读全文
posted @ 2023-03-19 11:25 little_fat_sheep 阅读(75) 评论(0) 推荐(0) 编辑
摘要:1 前言 tensorflow中定义了3个交叉熵损失函数: softmax_cross_entropy_with_logits(logits, labels) softmax_cross_entropy_with_logits_v2(logits, labels) sparse_softmax_cr 阅读全文
posted @ 2023-03-19 11:24 little_fat_sheep 阅读(124) 评论(0) 推荐(0) 编辑
摘要:1 前言 声明:本博客里的数组乘法运算是指矩阵乘法运算,不是对应元素相乘。 在线性代数或高等代数中,我们学习了矩阵乘法,那么,什么样的高维数组才能相乘?tensorflow 又是如何定义高维数组运算规则? 2 运算条件 两数组的维数相同:len(a.shape)=len(b.shape) 前n-2个 阅读全文
posted @ 2023-03-19 11:23 little_fat_sheep 阅读(59) 评论(0) 推荐(0) 编辑
摘要:1 前言 声明:本博客讨论的数组间运算是指四则运算,如:a+b、a-b、a*b、a/b,不包括 a.dot(b) 等运算,由于 numpy 和 tensorflow 中都遵循相同的规则,本博客以 numpy 为例。 众所周知,相同 shape 的两个数组间运算是指两个数组的对应元素相加。我们经常会碰 阅读全文
posted @ 2023-03-19 11:22 little_fat_sheep 阅读(142) 评论(0) 推荐(0) 编辑
摘要:1 使用list初始化 a=np.array([[1,2,3],[4,5,6]],dtype='float32') #a=[[1. 2. 3.],[4. 5. 6.]] 2 赋值与复制 (1)赋值 a=np.array([1,2,3]) b=a print(b is a) #True b[0]=0 阅读全文
posted @ 2023-03-19 11:21 little_fat_sheep 阅读(315) 评论(0) 推荐(0) 编辑
摘要:1 前言 np.newaxis的意思是给数组新增一个维度。“python中矩阵切片维数微秒变化”中介绍了矩阵切片有时候会降低矩阵维度,为保证维度不变,可以用np.newaxis新增一个维度。 2 numpy数组 2.1 一维数组 import numpy as np a=np.array([1,2, 阅读全文
posted @ 2023-03-19 11:20 little_fat_sheep 阅读(230) 评论(0) 推荐(0) 编辑
摘要:1 numpy数组 1.1 append() import numpy as np a=np.array([[1,3],[5,7]]) b=np.array([[2,4],[6,8]]) c=np.append(a,b) d=np.append(a,b,axis=0) e=np.append(a,b 阅读全文
posted @ 2023-03-19 11:19 little_fat_sheep 阅读(196) 评论(0) 推荐(0) 编辑
摘要:1 前言 使用切片访问矩阵的部分数据(特别是一行或一列数据)时,通常会出现切片维数怎么在瞎变化,以致于不得不用reshape()强制改变维数。在深度学习中,网络对矩阵维数的要求是非常严格的,往往就是这些看似不起眼的错误,导致整个程序崩溃。 2 numpy中切片 import numpy as np 阅读全文
posted @ 2023-03-19 11:18 little_fat_sheep 阅读(79) 评论(0) 推荐(0) 编辑
摘要:1 乘法 在数组中,a * a计算对应元素相乘(矩阵点乘);在矩阵中,A*A计算矩阵乘法 np.multiply()计算对应元素相乘(矩阵点乘) np.dot()计算矩阵乘法 import numpy as np a=np.array([[1.,2.],[3.,4.]]) b=a*a #矩阵点乘 c 阅读全文
posted @ 2023-03-19 11:18 little_fat_sheep 阅读(260) 评论(0) 推荐(0) 编辑

点击右上角即可分享
微信分享提示