【◆AI精华◆】神经网络构建与实战

最新推荐文章于 2024-02-18 14:00:36 发布
最新推荐文章于 2024-02-18 14:00:36 发布
阅读量1w 收藏 1
点赞数 1
分类专栏： python 文章标签： 神经网络 python 机器学习 人工智能 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/XRTONY/article/details/115468791
版权

神经网络构建与实战

文章目录

在这里插入图片描述

神经网络实现与实战

前言

有段时间没有写博客和大家交流了，今天我们来手把手和大家一起交流怎么用python构建属我们自己的神经网络,希望可以和大家一起进步！
写这篇文章的时候，我是一边写代码，一边写博客，讲解原理，遇到的所有困难，都完全模拟了大家可能遇到的问题，绝对具有典型和代表性，请大家一步一步和我一起领略，神经网络的魅力！

一、下载Anaconda

因为我们构建神经网络的时候我们需要用到这个交互式的环境，所以如果方便的话，大家可以下载我提供的这个链接里面的anaconda，这是我的网盘文件，永久有效，除非我哪天不在了，所以大家不用担心，也希望可以帮大家寻找资源省点时间。

链接：https://pan.baidu.com/s/1PdrMKvJOHTbj_LkcRm6qfw
提取码：5210

二、明确思想和目标方向

我们要通过构建神经网络，来对我们的手写图像进行识别，当然，神经网络肯定没有见过每个人的笔记，那么它依然要可以识别出来，每一个人写了什么，通过神经网络，不断优化自己，不断学习，从而实现一个高效率的识别，同时把自己也训练成为一个很厉害的识别AI。

三、理论学习

1.分类器的过渡

我们的神经网络，一开始是从分类器开始出发的。比如一些小虫子，你怎么判断他们属于哪一个类型呢？通过长度，宽度来判断，那么计算机是怎么判断的呢，我们来看看分类器，搞懂了这个，你就可以大概知道，神经网络怎么区分大家的手写笔记和内容。

在这里插入图片描述

我们先用一条直线把它们分开，发现确实区分了他们，但是好像没有真正的区分所有的毛虫和瓢虫，因为这里只有仅仅两只，不具有典型和代表性。

在这里插入图片描述

y =0.25*3.0= 0.75,所以我们进行改进，用这条新的直线来试试，发现好像更好的区分了两种虫子，直线往中间靠近了，并且我们求出他的误差，对直线的斜率进行不断改进，知道可以很好地区分这两种虫子，这就是我们起初的大概思想。

在这里插入图片描述

2.神经元的激活模拟

在这里插入图片描述

生活中，你可以看到很多东西，真正引起你的注意的东西，可能并不多，这里我们就要模拟神经元，进行信息的收集和处理，进行相应的激活，只有被激活的相关信息，才能真正的被我们的神经网络和神经元进行接收，并且做出相应的反应。我们构建S函数！

在这里插入图片描述
在这里插入图片描述

也就是这个！
在这里插入图片描述

四、开始创建

1.打开下载好的anaconda

在这里插入图片描述

打开后创建新的python3文档，重命名文件。

在这里插入图片描述

2.导入可用库

我会把最后的代码一起给出，请不用着急。跟着我慢慢来就好！

在这里插入图片描述

3.构建类和init构建神经网络框架

我们先构建我们的神经网络的节点和定义节点的函数。

在这里插入图片描述

class neuralNetwork:
    def _init_(self,inputnodes,hiddennodes,outputnodes,learningrate):
        #先构建三层网络节点，以便初始化
        self.indoes = inputnodes
        self.hnodes = hiddennodes
        self.onodes = outputnodes
        #产生正态分布的权重数据，按顺序：1、平均值为0，2、标准方差为1/根号下 传入链接数目，也就是-0.5次方，3、用节点的个数确定了权重矩阵的大小。
        self.wih = numpy.random.normal(0.0,pow(self.hnodes,-0.5),(self.hnodes,self.indoes))
        self.who = numpy.random.normal(0.0,pow(self.onodes,-0.5),(self.onodes,self.hnodes))
        #确定学习率
        self.lr = learningrate
        #定义神经网络S激活函数
        self.activation_function = lambda x: scipy.special.expit(x)
        #结束
        pass

4.构建神经网络训练函数

定义好了节点的函数后，我们继续定义神经网络的训练函数。

在这里插入图片描述

def train(self,inputs_list,targets_list):
        #构建二维矩阵，并且转置，转置是因为后面点乘需要用到。
        inputs = numpy.array(inputs_list,ndmin=2).T
        targets = numpy.array(targets_list,ndmin=2).T
        #开始计算隐藏层的输入结果
        hidden_inputs = numpy.dot(self.wih,inputs)
        #通过S函数计算隐藏层节点输出
        hidden_outputs = self.activation_function(hidden_inputs)
        #开始计算输出层的输入结果
        final_inputs = numpy.dot(self.who,hidden_outputs)
        #通过S函数计算输出层节点输出
        final_outputs = self.activation_function(final_inputs)
        
        #开始计算实际输出和目标之间的误差
        output_errors = targets - final_outputs
        #开始反向传播定律
        hidden_errors = numpy.dot(self.who.T,output_errors)
        
        #开始利用微积分后的结果进行相应的权重调整，优化神经网络
        self.who += self.lr * numpy.dot((output_errors * final_outputs * (1.0 - final_outputs)),numpy.transpose(hidden_outputs))
        self.wih += self.lr * numpy.dot((hidden_errors * hidden_outputs * (1.0 - hidden_outputs)),numpy.transpose(inputs))
        
        pass

5.构建神经网络查询函数

我们看到，查询函数中还需要把所有的输入到输出计算一遍，最后输出我们的最终的结果。

在这里插入图片描述

def query(self,inputs_list):
        #先把输入转置，待用
        inputs = numpy.array(inputs_list,ndmin=2).T
        #再通过输入计算隐藏层的输入
        hidden_inputs = numpy.dot(self.wih,inputs)
        #再通过S函数计算隐藏层的输出
        hidden_outputs = self.activation_function(hidden_inputs)
        #再计算输出层的输入
        final_inputs = numpy.dot(self.who,hidden_outputs)
        #通过S函数计算最终输出层的输出
        final_outputs = self.activation_function(final_inputs)
        
        #返回最终的结果
        return final_outputs

6.进行神经网络的参数定义

在这里插入图片描述

 #创建神经网络节点以及学习率
    input_nodes = 784
    hidden_nodes = 100
    output_nodes = 10
    
    learning_rate = 0.3
    
    n = neuralNetwork(input_nodes,hidden_nodes,output_nodes,learning_rate)

7.神经网络对接训练

在这里插入图片描述

#开始真正读取训练文件进行神经网络的训练
    training_data_file = open(r"C:\Users\LX\Desktop\mnist_train.csv",'r')
    training_data_list = training_data_file.readlines()
    training_data_file.close()
    #定义神经网路的世代数
    epochs = 5
    for e in range(epochs):
        for record in training_data_list:
            #利用split函数，把数据分开
            all_values = record.split(',')
            #对输入的数据像素进行相应的处理
            inputs = (numpy.asfarray(all_values[1:]) / 255.0 * 0.99) + 0.01
            targets = numpy.zeros(output_nodes) + 0.01
            targets[int(all_values[0])] = 0.99
            #开始进行相应的神经网络训练
            n.train(inputs,targets)
            pass

8.神经网络测试

在这里插入图片描述

 #开始神经网络的测试文件对接
#         test_data_file = open(r"C:\Users\LX\Desktop\mnist_test.csv",'r')
        test_data_file = open(r"C:\Users\LX\Desktop\pre_test.csv",'r')
        test_data_list = test_data_file.readlines()
        test_data_file.close()
        
        #计分板的创建
        scorecard = []
        
        #神经网络开始测试
        for record in test_data_list:
            all_values = record.split(',')
            correct_label = int(all_values[0])
            inputs = (numpy.asfarray(all_values[1:]) / 255.0 * 0.99) + 0.01
            outputs = n.query(inputs)
            label = numpy.argmax(outputs)
            if(label == correct_label):
                scorecard.append(1)
            else:
                scorecard.append(0)

这里的mnist_test.csv文件，里面有足足60000个测试，我怕要弄到明天早上，所以我准备了一个pre_test文件，里面只有10个测试数据，我们先来一起尝试一下我们的结果。看看怎么样？

9.运行神经网络

在这里插入图片描述

我的天，一来就报错，因为我是一遍写博客，一边写代码，我会把所有输出和大家展示，我们先来处理一下这个问题，我觉得是我的缩进n有问题，我来改一下试试。

在这里插入图片描述

按下CTRL+[，可以很方便的一起改，再运行试试

在这里插入图片描述

又报错，明白了，上面的节点数据缩进没有改，我们再试试！

在这里插入图片描述

又报错了，看看是怎么回事，应该是我的init方法出错了。

在这里插入图片描述

把_init_改成__init__ ，有两个"_",再试试！

在这里插入图片描述

这一次没有报错了，显示服务正忙，看看行不行？
在这里插入图片描述
在这里插入图片描述

我们稍微等一下，因为电脑需要训练10000次，他也需要学习，我们给他点时间，让他学成归来，我们再来看结果。

在这里插入图片描述

好了，识别结束了，我们开始编写输出代码

10.可视化输出

在这里插入图片描述

image_array = numpy.asfarray(all_values[1:]).reshape((28,28))
matplotlib.pyplot.imshow(image_array,camp = 'Greys',interpolation='None')

在这里插入图片描述

终于得到了输出
看看准确度
在这里插入图片描述

神经网络终于认出了9，也算是成功了！
因为代码的问题，保留下的数据识别的是最后一张图片，识别成功！

11.精确度讨论

改进学习率

这是100个训练数据，10个测试数据的结果，1表示正确，0表示错误，结果很不好。
我们现在把学习率改成0.1

在这里插入图片描述

结果好很多

在这里插入图片描述

改进隐藏层点数

再增加隐藏层节点数

在这里插入图片描述

我们的神经网络又变得好起来了

改进世代数

在这里插入图片描述

在这里插入图片描述

结果变得不好了，我们知道，肯定是10超过了最优蜜汁点，再调整为7

在这里插入图片描述

还是不好，调整为6

在这里插入图片描述

可以看出峰值在这5~6附近了。

有没有发现神经网络好像不是很认识4和9,5和4，我们要让神经网络好好学习，让他去学60000吧！！!
再来看看！！学成归来！！！

在这里插入图片描述

完整代码

class neuralNetwork:
    def __init__(self,inputnodes,hiddennodes,outputnodes,learningrate):
        #先构建三层网络节点，以便初始化
        self.indoes = inputnodes
        self.hnodes = hiddennodes
        self.onodes = outputnodes
        #产生正态分布的权重数据，按顺序：1、平均值为0，2、标准方差为1/根号下 传入链接数目，也就是-0.5次方，3、用节点的个数确定了权重矩阵的大小。
        self.wih = numpy.random.normal(0.0,pow(self.hnodes,-0.5),(self.hnodes,self.indoes))
        self.who = numpy.random.normal(0.0,pow(self.onodes,-0.5),(self.onodes,self.hnodes))
        #确定学习率
        self.lr = learningrate
        #定义神经网络S激活函数
        self.activation_function = lambda x: scipy.special.expit(x)
        #结束
        pass
    
    def train(self,inputs_list,targets_list):
        #构建二维矩阵，并且转置，转置是因为后面点乘需要用到。
        inputs = numpy.array(inputs_list,ndmin=2).T
        targets = numpy.array(targets_list,ndmin=2).T
        #开始计算隐藏层的输入结果
        hidden_inputs = numpy.dot(self.wih,inputs)
        #通过S函数计算隐藏层节点输出
        hidden_outputs = self.activation_function(hidden_inputs)
        #开始计算输出层的输入结果
        final_inputs = numpy.dot(self.who,hidden_outputs)
        #通过S函数计算输出层节点输出
        final_outputs = self.activation_function(final_inputs)
        
        #开始计算实际输出和目标之间的误差
        output_errors = targets - final_outputs
        #开始反向传播定律
        hidden_errors = numpy.dot(self.who.T,output_errors)
        
        #开始利用微积分后的结果进行相应的权重调整，优化神经网络
        self.who += self.lr * numpy.dot((output_errors * final_outputs * (1.0 - final_outputs)),numpy.transpose(hidden_outputs))
        self.wih += self.lr * numpy.dot((hidden_errors * hidden_outputs * (1.0 - hidden_outputs)),numpy.transpose(inputs))
        
        pass
    
    def query(self,inputs_list):
        #先把输入转置，待用
        inputs = numpy.array(inputs_list,ndmin=2).T
        #再通过输入计算隐藏层的输入
        hidden_inputs = numpy.dot(self.wih,inputs)
        #再通过S函数计算隐藏层的输出
        hidden_outputs = self.activation_function(hidden_inputs)
        #再计算输出层的输入
        final_inputs = numpy.dot(self.who,hidden_outputs)
        #通过S函数计算最终输出层的输出
        final_outputs = self.activation_function(final_inputs)
        
        #返回最终的结果
        return final_outputs
    
#创建神经网络节点以及学习率
input_nodes = 784
hidden_nodes = 200
output_nodes = 10

learning_rate = 0.1

n = neuralNetwork(input_nodes,hidden_nodes,output_nodes,learning_rate)
    
#开始真正读取训练文件进行神经网络的训练
# training_data_file = open(r"C:\Users\LX\Desktop\mnist_train.csv",'r')
training_data_file = open(r"C:\Users\LX\Desktop\pre_train.csv",'r')
training_data_list = training_data_file.readlines()
training_data_file.close()
#定义神经网路的世代数
epochs = 5
for e in range(epochs):
    for record in training_data_list:
        #利用split函数，把数据分开
        all_values = record.split(',')
        #对输入的数据像素进行相应的处理
        inputs = (numpy.asfarray(all_values[1:]) / 255.0 * 0.99) + 0.01
        targets = numpy.zeros(output_nodes) + 0.01
        targets[int(all_values[0])] = 0.99
        #开始进行相应的神经网络训练
        n.train(inputs,targets)
        pass

    #开始神经网络的测试文件对接
#         test_data_file = open(r"C:\Users\LX\Desktop\mnist_test.csv",'r')
    test_data_file = open(r"C:\Users\LX\Desktop\pre_test.csv",'r')
    test_data_list = test_data_file.readlines()
    test_data_file.close()

    #计分板的创建
    scorecard = []

    #神经网络开始测试
#     for record in test_data_list:
#         all_values = record.split(',')
#         correct_label = int(all_values[0])
#         inputs = (numpy.asfarray(all_values[1:]) / 255.0 * 0.99) + 0.01
#         outputs = n.query(inputs)
#         label = numpy.argmax(outputs)
#         if(label == correct_label):
#             scorecard.append(1)
#         else:
#             scorecard.append(0)

for record in test_data_list:
#     print(record)
    
    all_values = record.split(',')
#     image_array = numpy.asfarray(all_values[1:]).reshape((28,28))
#     matplotlib.pyplot.imshow(image_array,cmap = 'Greys',interpolation='None')
    correct_label = int(all_values[0])
    print(correct_label,"正确的答案")
    inputs = (numpy.asfarray(all_values[1:]) / 255.0 * 0.99) + 0.01
    outputs = n.query(inputs)
    label = numpy.argmax(outputs)
    print(label,"神经网络识别优化答案")
    if(label == correct_label):
        scorecard.append(1)
    else:
        scorecard.append(0)
print(scorecard)
い风花の雪栎
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
PyTorch深度学习实战（1）——神经网络与模型训练过程详解
盼小辉丶的博客
05-28 4万+
在本节中，我们将了解传统机器学习与人工神经网络间的差异，并了解如何在实现前向传播之前连接网络的各个层，以计算与网络当前权重对应的损失值；实现反向传播以优化权重达到最小化损失值的目标。并将实现网络的所有关键组成——前向传播、激活函数、损失函数、链式法则和梯度下降，从零开始构建并训练了一个简单的神经网络。
【项目实战】Python基于卷积神经网络CNN模型和VGG16模型进行图片识别项目实战
02-14
资料说明：包括数据+代码+文档+代码讲解。 1.项目背景 2.数据获取 3.数据预处理 4.探索性数据分析 5.特征工程 6.构建模型 7.结论与展望
基于基础神经网络的实战演练（二）-简单的神经网络搭建
weixin_51117061的博客
12-03 1289
《参考书籍》 95-神经网络与深度学习-邱锡鹏 98-动⼿学深度学习-9月最新版 十、人工神经网络介绍，十一、训练深层神经网络，十二、分布式TensorFlow 感知器，输入的数字和权重相连，形成总和，然后再用阶跃函数去处理其总和 训练感知器就是在训练其权重 上图就是最简单的单一的LTU，是作为简单的线性二元分类 Q1：bias神经元？ Q2：LTU中，当两个神经元具有相同的输出时，他们之间连接的权重就会增加——不加强导致错误输出的连接？ Q4：每个输出神经元的决策边界是线性..
构建卷积神经网络模型（CNN）讲解与实战
怀揣梦想，一颗执着于技术的心从未磨灭，内心住着一颗顽强的小强时刻提醒自己层层突破自我，同时也成就他人
02-18 582
上级神经元的轴突在有电信号传导时释放出化学递质，作用于下一级。神经元的树突，树突受到递质作用后产生出电信号，从而实现了神经元间的信息传递。为特征，进行分布式并行信息处理的算法数学模型。是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。积是指用来计算一个函数通过另一个函数时，两个函数有多少重叠的积分。一个神经元可以通过轴突作用于成千上万的神经元，也可以通过树突从成千上万的。神经网络可以指向两种，一个是生物神经网络，一个是人工神经网络。过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。
神经网络实战网盘资源,神经网络实战项目
super339的博客
08-30 652
一.一些基本常识和原理[什么叫神经网络?]人的思维有逻辑性和直观性两种不同的基本方式。逻辑性的思维是指根据逻辑规则进行推理的过程；它先将信息化成概念，并用符号表示，然后，根据符号运算按串行模式进行逻辑推理；这一过程可以写成串行的指令，让计算机执行。然而，直观性的思维是将分布式存储的信息综合起来，结果是忽然间产生想法或解决问题的办法。这种思维方式的根本之点在于以下两点:1.信息是通过神经元上的兴奋模式分布储在网络上;2.信息处理是通过神经元之间同时相互作用的动态过程来完成的。...
人工智能商业实战应用：金融知识图谱构建与实战【企业内训现场实录】
09-27
人工智能商业实战应用：金融知识图谱构建与实战【企业内训现场实录】，完整版，附源码。 此课程的背景是一个金融知识图谱的大项目，用于构建A股公司的知识图谱，并基于知识图谱提供语义搜索、智能问答等服务。 课程...
卷积神经网络的概要介绍与分析
最新发布
05-03
它从最基础的神经网络概念讲起，逐步过渡到卷积层、池化层、全连接层等核心概念，结合丰富的可视化解释和实战练习，帮助学习者构建扎实的基础。 - **书籍**：《深度学习》（Ian Goodfellow, Yoshua Bengio, Aaron ...
深度学习实战：Python构建卷积神经网络（CNN）图像识别教程
05-03
无论你是深度学习初学者、计算机视觉工程师，还是对人工智能感兴趣的人士，这个资源都能为你提供实用的教程和案例。 内容概要：本资源详细介绍了卷积神经网络（CNN）的基本原理、常见结构和技术要点，并通过Python...
构建一个简单的卷积神经网络，使用DRL框架tianshou匹配DQN算法
12-20
如何设计一个类flappy-bird小游戏：【python实战】使用pygame写一个flappy-bird类小游戏 | 设计思路+项目结构+代码详解|新手向 DFS 算法是怎么回事，我是怎么应用于该小游戏的：【深度优先搜索】一个实例+两张动图...
几个链接搞定你想要的HEX颜色和RBG
热门推荐
风花雪月，品霖千年之情
02-15 3万+
几个链接搞定你想要的HEX颜色和RBG 如果没有你想要的。那么下一步。 颜色代码大全： 1 白颜色 #FFFFFF 2 红颜色 #FF0000 3 绿颜色 #00FF00 4 蓝颜色 #0000FF 5 牡丹红 #FF00FF 6 青颜色 #00FFFF 7 黄颜色 #FFFF00 8 黑颜色 #000000 9 海颜蓝 #70DB93 10 巧克力色 #5C3317 11 蓝紫色 #9F5F9F 12 黄铜色 #B5A642 13 亮金色 #D9D919 14 棕色 #A67D3D 15 青铜色
python网络爬虫最细致讲解之漫画抓取【细！！！】
风花雪月，品霖千年之情
02-15 2万+
漫画抓取：python网络爬虫与html对应结合抓取讲解 文章目录漫画抓取：python网络爬虫与html对应结合抓取讲解前言一、实现目的二、开始旅程1.明确思路2.下载网页3.寻找下载漫画4.完整代码附上5.运行结果附上三、总结 前言 本次以漫画抓取为例，来一步一步结合浏览器后台与爬虫编程讲解，也可以延伸到应对其他不同的网页抓取 一、实现目的 首先说明一下本次抓取的网站：XKCD， 是一个流行的极客漫画网站。 首页url：http://xkcd.com/ 但是其中的重点在于：它有一个“Prev
python高端实现各国GDP动态轮换图
风花雪月，品霖千年之情
03-06 2万+
python高端实现各国GDP动态轮换图 文章目录python高端实现各国GDP动态轮换图前言效果一、准备数据等文件二、完整代码1.准备showGDP.py2.准备PlotUtil.py总结效果展示 前言效果 今天我们来试一下用python实现世界各国从1960-2018年的各国的GDP展示效果！也许大家会觉得有用！ 一、准备数据等文件 https://pan.baidu.com/s/1WC3g7AiZPX2sehqbktlhXQ 提取码 6w8r 二、完整代码 1.准备showGDP.py
python网络爬虫抓取数个最优链接展示
风花雪月，品霖千年之情
02-12 2万+
python网络爬虫抓取数个最优链接展示（百度抓取） 文章目录python网络爬虫抓取数个最优链接展示（百度抓取）前言一、库声明二、步骤1.引入库2.获取命令行参数3.找到查询的结果4.打开浏览器三、完整代码 前言 今天试一下python网络爬虫的链接抓取实战，一起来试一下 一、库声明 我们这次需要用到requests,sys, webbrowser,bs4,os库，如果没有库的小伙伴可以看我这个博文，pip快速安装各种库 二、步骤 1.引入库 代码如下（示例）： import requests,s
python创建Excel文件及写入保存数据
风花雪月，品霖千年之情
02-15 1万+
python创建Excel文件及写入保存数据 创建Excel文件及写入保存数据 文章目录python创建Excel文件及写入保存数据一、 创建并保存Excel文档二、工作表的创建三、完整代码结果展示 一、 创建并保存Excel文档 首先调用我们的openpyxl.Workbook()函数，创建一个新的空的Workbook对象。在交互式的环境中输入我们的代码： import openpyxl,os os.chdir(r'C:\Users\LX\Desktop') wb=openpyxl.Workboo
python实现对话框文件选择以及文件路径选择
风花雪月，品霖千年之情
01-29 1万+
python实现对话框文件选择以及文件路径选择 文章目录python实现对话框文件选择以及文件路径选择效果展现二、步骤1.引入库2.创建对象3.调用方法接收文件返回4.全部完整代码总结 效果展现 示例：先给大家看效果，看看是不是你想要的效果。 这里是最终的效果图展示，大家可以看看是不是你需要的效果。 二、步骤 1.引入库 下面展示 代码片。 代码如下： import tkinter as tk from tkinter import filedialog 2.创建对象 代码如下： root=tk.
因为不会做报表被开除，愤怒杀入可视化拿offer
风花雪月，品霖千年之情
03-14 8151
Python 大数据实现动态可视化大屏 今天有幸又和大家来讨论一下，Python 大数据实现动态可视化大屏该怎么制作！ 当然，被开除的标题都是玩笑话，让我们一起走进今天的讨论交流，希望大家都可以获得自己想要的分析展示。 文章目录Python 大数据实现动态可视化大屏前言一、准备app.py二、准备data.py三.运行程序总结 前言 相信很多人都希望可以拥有一个展板用来每次公司年会做分析，那么今天就来了！ 让我们一起来看看！ 一、准备app.py 先创建一个文件名字叫：app.py #!/u
python用animation绘制动画
风花雪月，品霖千年之情
03-06 7921
python用animation绘制动画 文章目录python用animation绘制动画代码 代码 import matplotlib.pyplot as plt import numpy as np from matplotlib.animation import FuncAnimation import os fig, ax = plt.subplots(1,1) x = np.linspace(0, 2 * np.pi, 5000) y=np.exp(-x)*np.cos(2*np
Python Error解决方案AttributeError: ‘ReadOnlyWorksheet‘ object has no attribute ‘get_highest_row‘
风花雪月，品霖千年之情
02-15 7320
Python Error解决方案AttributeError: ‘ReadOnlyWorksheet’ object has no attribute ‘get_highest_row’ 报错信息： sheet.get_highest_row()和sheet.get_highest_column()在多年前就已经弃用了，现在用的是： sheet.max_row和sheet.column 再次启动：（就不会报错了） 搞定！ ...
python与神经网络实战 pdf
08-09
《Python与神经网络实战》是一本关于使用Python语言实践神经网络的PDF教材。Python是一种简洁而强大的编程语言，广泛用于数据科学和人工智能领域。神经网络是一种模拟人脑工作方式的算法模型，被广泛应用于图像识别、自然语言处理等领域。 这本书结合了Python和神经网络的概念和实践，通过实例演示了如何使用Python语言编写神经网络。它从基本的理论介绍开始，包括神经网络的结构、工作原理和常见的网络类型，如感知器、多层感知器和卷积神经网络。接着介绍了Python的相关库和工具，如NumPy、Pandas和TensorFlow，它们提供了处理数据和构建神经网络所需的功能和接口。 随后，该书以实战项目为核心，手把手地教读者使用Python实现神经网络。这些项目旨在帮助读者加深对神经网络原理和概念的理解，并培养他们在实际问题中应用神经网络的能力。比如，书中可能包括使用神经网络进行手写数字识别、图像分类或语音情感分析等案例。 最后，这本PDF还可能包含一些高级主题，如迁移学习、强化学习和生成对抗网络等。这些主题将进一步扩展读者的知识和技能，使他们能够解决更加复杂和实际的问题。 总之，《Python与神经网络实战》是一本教授读者如何使用Python语言实践神经网络的PDF教材。它结合了理论和实践，并以实战项目为基础，帮助读者掌握用Python构建和应用神经网络的技能。无论是对神经网络还是Python有兴趣的读者，都可以从这本书中获得学习和实践的价值。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

い风花の雪栎

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值