- 博客(9)
- 收藏
- 关注
RSS订阅原创 Tensorflow实现长文本预测
完成以下对话数据word=‘Ancient Turkic people probably stuffed their dumplings with meat. But it's unclear when this。# ③使用前10个字符预测下一位字符。# ①设置优化器，超参数。# ②定义前向传播方法。# ④将数据转为张量。# ⑤创建lstm类。# ①合理创建类属性。# ③设置合理分类器。
2023-07-11 15:08:17
104
原创 Pytorch实现简单的中文翻译
保留相关特征信息舍弃无关信息的功能，而多层的LSTM则可以实现更抽象特征的提炼。# 2.LSTM的全称是Long Short Term Memory，顾名思义，它具有记忆长短期信息的能力的神经网络。Pytorch这里的训练要自己用底层实现，所以不能用fit()函数了。# ⑥最后一层接适当神经元数量的全连接层，设定合适的激活函数。# ⑧英文文本作为x，中文作为y，进行模型训练，循环次数自拟。# ⑤使用两层LSTM网络进行模型创建，设定适当的参数。# ⑦模型编译，设定优化器Adam，损失函数及准确率函数。
2023-07-09 20:19:07
190
1
原创 pytorch的问题总结
2 当不需要计算生成器的梯度，因此在使用生成数据计算辨别器时使用.detach()作为输入数据，这样就对当前图进行拆分，返回一个新的从当前图中分离的 Variable，返回的 Variable 永远不会需要梯度.参考网址：https://blog.csdn.net/u011276025/article/details/76997425。这句返回的已经不是原始的m了，而是一个DataParallel，原始的m保存在DataParallel的module变量里面。如果不重新初始化，会有报错。
2023-07-07 15:17:24
1015
1
原创 Tensorflow实现hihello预测
11.按照要求使用keras，搭建rnn处理以下内容 sample = "hihello"# ②使用上面的sample，将hihell作为特征，ihello作为标签。# ③使用对应方式将数据进行softmax处理。# ③设置合理的时间序列，将x进行对应的处理。# ②叠加一层lstm模型，元素数量相同。# ①将出现的单词按照字典形式进行处理。# ⑦将预测结果进行打印，核对结果。# ①使用LSTM模型进行处理。# (1)数据预处理。
2023-07-05 17:06:46
93
原创 文本分类RNN
optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(cost) # 优化器。positive_labels = [[0, 1] for _ in positive_examples] # 独热编码，正面。negative_labels = [[1, 0] for _ in negative_examples] # 独热编码，负面。n_steps = max_document_length #时间步数（序列长度）
2023-06-12 16:01:21
56
原创 PCA底层实现
lmd_s, us = np.linalg.eig(cov_mat) # lmd_s = [入1，入2，入3] ,us = [u1,u2,u3]求出 协方差矩阵 cov_mat，特征值lmd s 和对应的 特征向量us。# m_sample :m个样本, n_feature：n个特征。对 eig_pair 从大到小排序。# 七.将 协方差 矩阵 进行 降维。绑定 特征值 和 特征向量。# 1.计算 每一个 属性的均值。
2023-04-22 07:52:53
68
1
原创 seaborn绘图
y = 'total_bill', # 指定y 轴数据，纵轴数据。y = 'total_bill', # 指定y 轴数据，纵轴数据。y='total_bill', # 指定y 轴数据，纵轴数据。y='total_bill', # 指定y 轴数据，纵轴数据。x= 'day', # 指定 x 轴数据，横轴数据。x= 'day', # 指定 x 轴数据，横轴数据。x='day', # 指定 x 轴数据，横轴数据。x='day', # 指定 x 轴数据，横轴数据。
2023-04-21 09:20:12
62
2
原创 pandas常用函数
'产地': ['美国', '中国', '中国', '中国', '新西兰', '新西兰', '美国'],df1 = pd.DataFrame({'类别': ['水果', '水果', '水果', '蔬菜', '蔬菜', '肉类', '肉类'],'水果': ['苹果', '梨', '草莓', '番茄', '黄瓜', '羊肉', '牛肉'],print(pd.crosstab(df1['类别'],df1['产地'],margins=True))'数量': [5, 5, 9, 3, 2, 10, 8],
2023-04-19 17:23:56
80
2
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人