神经网络通俗理解学习笔记(0) numpy、matplotlib

已于 2024-09-15 14:16:53 修改
阅读量366 收藏 1
点赞数 5
文章标签： 神经网络 学习 笔记
于 2024-09-15 13:23:57 首次发布
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/applewld/article/details/142282771
版权

Numpy

numpy

numpy 基本介绍

numpy 大多数机器学习库都用了这个处理数据
在这里插入图片描述
list中不限制数据类型，numpy中的array限定数据类型，处理数据会更加高效

pyython的list列表只是将存储数据看成列表或多维数组
并没有将其看错向量或者矩阵以及相关的运算
在这里插入图片描述
numpy性能更好，代码更简洁

Ndarray对象及其创建

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
创建全是1的数组
在这里插入图片描述
创建形状相同的数组

在这里插入图片描述
在这里插入图片描述
指定数值生成数组

在这里插入图片描述

在这里插入图片描述

等差排列的数组
reshape改变数组形状

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述
random以元组形式传入参数

在这里插入图片描述
前2个参数表示随机的范围
种子每次都不同，可以指定
在这里插入图片描述

在这里插入图片描述

有标准正态分布的随机数

在这里插入图片描述

生成具有高斯分布的随机数据，可以传入均值和方差 默认分别是0和1

在这里插入图片描述

具有均匀分布的随机数
在这里插入图片描述

Numpy数组的基础索引

在这里插入图片描述
numpy中一维数组可以看作向量，二维数组看作矩阵

在这里插入图片描述
在这里插入图片描述
-3 表示倒数第三个
::x， 表示隔数取值，x表示步长
在这里插入图片描述

::-1，表示倒着取值

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

切片和原数组绑定了关系，改变切片，原数组也会改变

在这里插入图片描述

避免前面的情况可以用copy方法

在这里插入图片描述

numpy数组的合并与拆分（重要）

在这里插入图片描述
在这里插入图片描述
合并需要维度一样

在这里插入图片描述

在这里插入图片描述
vstack 行合并
hstack列合并
在这里插入图片描述
axis=0表示在行维度 默认
=1 表示在列维度操作

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

numpy数组的矩阵运算

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
ceil向上取整

在这里插入图片描述

round 四舍六入 奇进偶不进

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
// 整除

% 取余

** 幂运算

在这里插入图片描述

  • 不是真正矩阵乘法 只是对应相乘
  • dot 才是

在这里插入图片描述
T 转置

在这里插入图片描述
trannspose也是转置

在这里插入图片描述
维度不同，numpy也能智能广播形式运算，但不推荐使用
容易引起混乱

在这里插入图片描述

在这里插入图片描述
矩阵求逆， 和原矩阵相乘为单位矩阵

求逆得是方阵

在这里插入图片描述
在这里插入图片描述

Numpy数组的统计运算

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
std标准差
var 方差
在这里插入图片描述
ptp最大值最小值的差

在这里插入图片描述
cumsum 累计和
diff 相连差

在这里插入图片描述
每行所有数相乘

在这里插入图片描述

numpy中的arg运算

在这里插入图片描述
在这里插入图片描述
arg找索引

在这里插入图片描述
sort不会改原数组

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

numpy中的神奇索引和比较

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

Matplotlib

矩阵绘图函数库

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
为什么明明散点，确实连接曲线
因为点密集

在这里插入图片描述

在这里插入图片描述
xlim 调整坐标取值范围

或者通过axis 效果一样

在这里插入图片描述

在这里插入图片描述
xlable定义 x轴 名字

在这里插入图片描述

lable 给线取名
但要看到图例 还得 调用legend

title给图表取名字

在这里插入图片描述
plot用于只有一个特征情况 x特征 y观测值

scatter 用于 xy 都是特征情况，通过散点图可以看到特征分布情况

在这里插入图片描述

大冬AI
关注
Python深度学习（循环神经网络）--学习笔记（十三）
xiekengli8279的博客
11-15 801
6.2 理解循环神经网络 目前见过的所有神经网络（比如密集连接网络和卷积神经网络）都有一个特点，那就是它们都没有记忆。它们单独处理每个输入，在输入与输入之间没有保存任何状态。对于这样的网络，要想处理数据点的序列或时间序列，你需要向网络同时展示整个序列，即将序列转换成单个数据点。例如，在IMDB示例中就是这么做的：将全部电影评论转换为一个大向量，然后一次性处理。这种网络叫作前馈网络（feedforward network）。 与此相反，当你在阅读这个句子时，你是一个词一个词地阅读（或者说，眼睛一次扫视一次扫
深度学习 笔记（线性神经网络）
han_lx_的博客
08-19 2762
线性回归基本知识，softmax学习笔记，简单实现
卷积神经网络-LeNet学习笔记一
zyt18130132的博客
02-25 930
GPT3.5的回答：在编程中，实例化是指根据类创建对象的过程。在面向对象编程中，类是一种抽象的数据类型，描述了对象的属性和行为。当我们需要使用类创建具体的对象时，就会进行实例化操作。在Python中，通过调用类的构造函数来实现实例化。例如，在上述代码中，通过这行代码，我们实例化了一个LeNet类的对象，即创建了一个LeNet模型的实例。
深度学习系列笔记05卷积神经网络CNN
三木今天学习了嘛の博客
10-01 1075
本博客介绍了神经网络的基本知识，如卷积、填充、池化和步幅等，简单介绍了卷积神经网络——LeNet。
RNN循环神经网络——embedding的理解
plus_left的博客
10-31 3787
RNN中Embedding的一些理解一、RNN 循环神经网络1. 1循环核：1.2 循环核按时间步展开1.3循环计算层二、tf描述一个循环计算层2.1基本函数2.1进入RNN时，x_train的维度2.3循环计算过程三、Embedding编码代替独热码3.1思想：3.2代码实现：3.3参数理解感谢北京大学曹健老师的《tensorflow笔记》，收益良多，基本属于课上内容，搬砖至此，作为笔记。 一、RNN 循环神经网络 以实现连续数据预测为例，在这里先引入几个概念 1. 1循环核： 具有记忆力，通过不同时刻
从头编写神经网络（1）（超详细）
2303_76402248的博客
08-10 604
神经网络学习笔记，超级详细
[PaddlePaddle] [学习笔记] PaddlePaddle 官方文档 —— ①使用Python和NumPy构建神经网络模型；②使用PaddlePaddle预测波士顿房价
Le0v1n 的博客
08-04 987
①使用Python和NumPy构建神经网络模型；②使用PaddlePaddle预测波士顿房价
pytorch 神经网络笔记-RNN和LSTM
C语言/数据结构/数学建模/深度学习/生物信息
01-22 1621
b站课程笔记 循环神经网络部分，理论讲的还挺通俗易懂的，虽然有时候把自己讲晕了，包括RNN和LSTM
Tensorflow学习笔记(三)
WuwuwuH_的博客
04-07 259
一、学习内容： 1.Matplotlib将学习过程可视化展示 2.Tensorboard产生神经网络图 3.分类 4.过拟合问题的解决 二、代码及注释： 1.Matplotlib将机器学习过程可视化展示 import tensorflow as tf import numpy as np import matplotlib.pyplot as plt #输出结果可视化的模块 ### 定义了一个函数 用来添加层 def add_layer(intputs,in_size,out_size,activati
1.2使用Python语言和Numpy库来构建神经网络模型-波士顿房价预测任务实战案例(百度架构师手把手带你零基础实践深度学习原版笔记系列)
aiAI
08-12 2211
波士顿房价预测任务-手把手新手实战 友情提示：读完本篇需要大量时间耐心琢磨，新手推荐直接传送到文章结尾处，前往推荐课程观看配套视频，体验更佳。 有一定PYTHON基础和机器学习梯度下降基础常识的小伙伴可以仔细食用，味道鲜美！ 目录 波士顿房价预测任务-手把手新手实战 线性回归模型 线性回归模型的神经网络结构 构建波士顿房价预测任务的神经网络模型 数据处理 读入数据 数据形状变换 数据集划分 数据归一化处理 封装成load data函数 模型设计 训练配置 训练过程..
深度学习（一）简单神经网络【识别猫】
zhiguo98的博客
04-23 3617
a
TensorFlow2.0学习笔记-6.深度神经网络
ruoqi23的博客
08-06 1449
6.深度神经网络 6.1.卷积神经网络简介 在CNN出现之前，图像对于人工智能来说是一个难题，有2个原因： •图像需要处理的数据量太大，导致成本很高，效率很低 •图像在数字化的过程中很难保留原有的特征，导致图像处理的准确率不高 需要处理的数据量太大： 现在随随便便一张图片都是1000×1000像素以上的， 每个像素都有RGB 3个参数来表示颜色信息。 假如我们处理一张1000×1000像素的图片，我们就需要处理3百万个参数！ 1000×1000×3=3,000,000 这么大量...
《动手学深度学习》tensorflow2.0版 第三章笔记
xu_aml的博客
04-11 823
《动手学深度学习》tensorflow2.0版 第三章笔记线性回归训练图像分类数据集（Fashion-MNIST）训练误差（training error）和泛化误差（generalization error）。 作为一名tensorflow新手，用最基本的函数去完成一些任务是必要的，即使现在pytorch如日中天，还是认为目前一段时间工业界对tensorflow的需求还是会有很多，但是鄙人特别擅长反向押宝????。文中的代码没有实测运行。 线性回归训练 只利用Tensor和GradientTape来实现一个
神经网络通俗理解学习笔记(3)注意力神经网络
applewld的博客
09-15 939
注意力机制的发展史Vaswani A, et al. Attention is alyouneed, 2017. （Tansformer首篇文章）生物学中的注意力从众多信息中选择出对当前任务目标更关键的信息深度学习中的注意力机制让神经网络能够更加关注图像中的重要特征，而不是整张图像编解码器架构大多数注意力机制都附着在Encoder-Decoder框架下注意力机制是一种思想，本身并不依赖于任何框架编码器的信息被压缩到编码器和解码器之间固定长度的向量会导致很多信息的损失。
神经网络案例实践之单层感知器求解-学习篇
qq_38925911的博客
09-12 335
首先给了五个输入样本，输入样本和位置信息如下所示，现在要学习一个模型，在二维空间中把两个样本分开，输入数据是个矩阵，矩阵中有五个样本，样本的维度是三维，三个维度分别表示偏置，x坐标，y坐标。对应的标签Y是 区分矩阵中的样本，例如：[1,2,3]对应1，[1,4,5]对应1，[1,1,1]对应-1，以此类推。令误差函数为L，预测值为 y，阈值函数f 为符号函数。单层感知器作为线性分类器被广泛应用。怎么样使用单层感知器求解这个问题？x,y表示实际的二维坐标。
13. 神经网络基本骨架--nn.Module
m0_57190127的博客
09-15 547
15. 数据维度转换 -- torch.reshape
最新发布
m0_57190127的博客
09-15 414
【机器学习】从零开始理解深度学习——揭开神经网络的神秘面纱
擅长将自己的感受、想法、知识通俗地表达出来，会点前后端开发、自动化测试、性能测试、爬虫。将来可能学硬件、AI。但一定会写实用的脚本。
09-06 2797
深度学习是机器学习的一个重要分支，通过多层神经网络处理复杂数据，广泛应用于图像识别、自然语言处理等领域。我们将在这篇文章中揭开深度学习和神经网络的神秘面纱。
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
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