- 博客(98)
- 收藏
- 关注
RSS订阅转载 python 文件读写
博客园首页新随笔联系订阅管理随笔 - 69 文章 - 3 评论 - 5Python之文件读写（可以读写txt，jpeg等格式的数据）本节内容：I/O操作概述文件读写实现原理与操作步骤文件打开模式Python文件操作步骤示例Python文件读取相关方法文件读写与字符编码一、I/O操作概述I/O
2018-01-11 16:43:20
2788
转载 数据预处理与tensorboard数据可视化
图像是人们喜闻乐见的一种信息形式，“百闻不如一见”，有时一张图能胜千言万语。图像处理是利用计算机将数值化的图像进行一定（线性或非线性）变换获得更好效果的方法。Photoshop，美颜相机就是利用图像处理技术的应用程序。深度学习最重要的应用领域就是计算机视觉（CV, Computer Vision），历史上，MNIST 手写体数字识别和 ImageNet 大规模图像识别均得益于深度学习模型，取得了相
2018-01-11 15:50:37
530
转载 tf数据读取
十图详解tensorflow数据读取机制（附代码）何之源7 个月前在学习tensorflow的过程中，有很多小伙伴反映读取数据这一块很难理解。确实这一块官方的教程比较简略，网上也找不到什么合适的学习材料。今天这篇文章就以图片的形式，用最简单的语言，为大家详细解释一下tensorflow的数据读取机制，文章的最后还会给出实战代码以供参考。一、tensorflow读取机
2018-01-11 15:19:50
925
转载 python os模块解读
#!/usr/bin/env python##-*- coding: utf-8 -*- import os print "n欢迎大家跟我一起学Python"; system=os.name;
2018-01-11 14:00:08
345
转载 python中的参数解析模块详解
在python中，命令行解析的很好用，首先导入命令行解析模块import argparseimport sys然后创建对象（解析器对象）parse=argparse.ArgumentParser()（构建详细解析器对象（模板）））parse.add_argument("--learning_rate",type=float,default=0.0
2018-01-10 17:07:19
795
转载 数据汇总相关操作与tensorboard可视化
（新手上路，如果有不对的地方，望指正。另外有没有小伙伴一起学习交流啊？） tensorboard为tensorflow提供了可视化，它的重要性不言而喻。 tensorboard是通过读取events files来显示的，events file则包含在图计算时生成的summary data。1 tf.summary.scalar('mean',
2018-01-10 14:48:06
289
转载 tf中的tf.sparse_to_dense的用法
tf.sparse_to_dense(sparse_indices, output_shape, sparse_values, default_value, name=None)除去name参数用以指定该操作的name，与方法有关的一共四个参数：第一个参数sparse_indices：稀疏矩阵中那些个别元素对应的索引值。 有三种情况： spa
2018-01-09 23:46:24
4311
原创 有关tf的有用网站
『TensorFlow』函数列表->(张量属性查询、张量调整)https://www.cnblogs.com/hellcat/p/6906130.html
2018-01-09 20:57:49
304
原创 tesnorflow minst用卷积网络做识别
import tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_datamnist=input_data.read_data_sets('MNIST_data/',one_hot=True)def weight_variable(shape): initial_value=tf.trun
2018-01-09 20:27:44
293
转载 tensorflow dropout解释
一、 Dropout原理简述：tf.nn.dropout是TensorFlow里面为了防止或减轻过拟合而使用的函数，它一般用在全连接层。Dropout就是在不同的训练过程中随机扔掉一部分神经元。也就是让某个神经元的激活值以一定的概率p，让其停止工作，这次训练过程中不更新权值，也不参加神经网络的计算。但是它的权重得保留下来（只是暂时不更新而已），因为下次样本输入时它可能又得工作了。示
2018-01-09 13:11:40
1384
原创 mnist入门
import tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_datamnist=input_data.read_data_sets("MNIST_data/",one_hot=True)input=tf.placeholder(tf.float32,[None,784])w=tf.Vari
2018-01-08 22:47:48
347
转载 python *args和**kwargs
先来看个例子：def foo(*args, **kwargs): print 'args = ', args print 'kwargs = ', kwargs print '---------------------------------------'if __name__ == '__main__': foo(1,2,3,4) foo(a=1,
2018-01-01 23:19:06
772
原创 python相关网站
1、各种函数的help中文文档：http://www.runoob.com/python/python-func-isinstance.html
2017-12-23 15:30:47
207
转载 转义字符介绍
C语言中的转义字符 在字符集中，有一类字符具有这样的特性：当从键盘上输入这个字符时，显示器上就可以显示这个字符，即输入什么就显示什么。这类字符称为可显示字符，如a、b、c、$、+和空格符等都是可显示字符。另一类字符却没有这种特性。它们或者在键盘上找不到对应的一个键(当然可以用特殊方式输入)，或者当按键以后不能显示键面上的字符。其实，这类字符是为控制作用而设计的，故称为控制字符。
2017-12-23 14:55:25
33827
原创 tf应用TFRecord存取数据
概述最新上传的mcnn中有完整的数据读写示例，可以参考。关于Tensorflow读取数据，官网给出了三种方法：供给数据(Feeding)： 在TensorFlow程序运行的每一步， 让Python代码来供给数据。从文件读取数据： 在TensorFlow图的起始， 让一个输入管线从文件中读取数据。预加载数据： 在TensorFlow图中定义常量或变量来保存所有数据(仅适用于数
2017-12-13 11:56:31
476
原创 python基础
1、读取图片from PIL import Imageim= Image.open("j.jpg")im.rotate(45).show()2、文件路径查找返回所有匹配的文件路径列表importglob#获取指定目录下的所有图片printglob.glob(r"E:/Picture/*/*.jpg")#获取上级目录
2017-12-13 11:55:05
347
原创 tf基础知识
1、tensorflow 创建b=tf.ones([1],dtype=tf.int32,name="bb")#创建维度为一（一维数组，此处长度为1），类型为tf.int32的tensor:b，tensor的名字为"bb"c=tf.ones([2,3],dtype=tf.int32,name="bb")#创建维度为二（二位数组（矩阵，2x3))，类型为tf.int32的tensor:c,te
2017-12-13 11:51:17
371
原创 交叉验证
假设我们需要从某些候选模型中选择最适合某个学习问题的模型，我们该如何选择？以多元回归模型为例：，应该如何确定k的大小，使得该模型对解决相应的分类问题最为有效？如何在偏倚（bias）和方差（variance）之间寻求最佳的平衡点？更进一步，我们同样需要知道如何在加权回归模型中选择适当的波长参数，或者在基于范式的SVM模型中选择适当的参数C？我们假设模型集合为有限集，我们的目的就是从这d个模型
2017-11-26 22:05:41
540
转载 P-R曲线与mAP
reference：http://blog.csdn.NET/marising/article/details/6543943在信息检索、分类体系中，有一系列的指标，搞清楚这些指标对于评价检索和分类性能非常重要，因此最近根据网友的博客做了一个汇总。准确率、召回率、F1信息检索、分类、识别、翻译等领域两个最基本指标是召回率(Recall Rate)和准确率(Precision R
2017-11-26 18:59:08
17109
转载 ROC
ROC和AUC介绍以及如何计算AUCJune 22, 2013ROC（Receiver Operating Characteristic）曲线和AUC常被用来评价一个二值分类器（binary classifier）的优劣，对两者的简单介绍见这里。这篇博文简单介绍ROC和AUC的特点，以及更为深入地，讨论如何作出ROC曲线图以及计算AUC。ROC曲线需要提前说明的是，
2017-11-26 18:26:21
262
转载 KL散度与极大似然
极大似然估计是一种概率论在统计学中的应用，建立在极大似然原理的基础上，极大似然原理的直观解释是：一个随机试验如有若干个可能的结果A、B、C、…，若在一次试验中，结果A出现，则一般认为试验条件对A出现有利，也即A出现的概率很大，那么就取参数估计，使A出现的概率最大。设随机变量Y具有概率密度函数，θ是参数向量。当我们得到Y的一组独立观测值时，定义θ的似然函数为。极大似然法是采用使L(θ)最大的
2017-11-23 23:34:35
4329
3
原创 极大似然与最小二乘
最大似然估计和最小二乘法还有一大区别就是，最大似然估计是需要有分布假设的，属于参数统计，如果连分布函数都不知道，又怎么能列出似然函数呢？ 而最小二乘法则没有这个假设。 二者的相同之处是都把估计问题变成了最优化问题。但是最小二乘法是一个凸优化问题，最大似然估计不一定是。那么为啥有这么多人把MLE和OLSE搞混，因为当likelihood用于gaussian的时候，由于gaussian k
2017-11-23 23:04:07
649
转载 PCA主成分分析
一、PCA简介1. 相关背景 上完陈恩红老师的《机器学习与知识发现》和季海波老师的《矩阵代数》两门课之后，颇有体会。最近在做主成分分析和奇异值分解方面的项目，所以记录一下心得体会。 在许多领域的研究与应用中，往往需要对反映事物的多个变量进行大量的观测，收集大量数据以便进行分析寻找规律。多变量大样本无疑会为研究和应用提供了丰富的信息，但也在一定程度上增加了
2017-11-23 21:33:11
317
转载 广义线性模型
今天我来介绍一种在机器学习中应用的比较多的模型，叫做广义线性模型（GLM）。这种模型是把自变量的线性预测函数当作因变量的估计值。在机器学习中，有很多模型都是基于广义线性模型的，比如传统的线性回归模型，最大熵模型，Logistic回归，softmax回归，等等。今天主要来学习如何来针对某类型的分布建立相应的广义线性模型。 Contents 1.
2017-11-22 20:33:11
6235
转载 特征获取
特征抽取和特征选择是DimensionalityReduction（降维）两种方法，但是这两个有相同点，也有不同点之处：1. 概念：特征抽取（Feature Extraction）:Creatting a subset of new features by combinations of the exsiting features.也就是说，特征抽取后的新特征是原来特征
2017-11-21 16:57:05
434
转载 逻辑回归
http://blog.csdn.net/pakko/article/details/37878837什么是逻辑回归？Logistic回归与多重线性回归实际上有很多相同之处，最大的区别就在于它们的因变量不同，其他的基本都差不多。正是因为如此，这两种回归可以归于同一个家族，即广义线性模型（generalizedlinear model）。这一家族中的模型形式基本上都差不多
2017-11-21 12:08:42
191
转载 特征选择
特征选择1.相关性通过使用相关性，我们很容易看到特征之间的线性关系。这种关系可以用一条直线拟合。下面通过皮尔逊相关系数（Pearson correlation coefficient）来解释特征的相关性：下面每幅图上方的相关系数Cor(X1, X2)是计算出来的皮尔逊r值，从图中可以看出不同程度的相关性。 p值越高，我们越不能信任这个相关系数 上图
2017-11-21 12:02:20
400
原创 相似性度量
修正cosine考虑的是对item（商品） i打过分的每个user u，其打分的均值，Pearson考虑的是每个item i 的被打分的均值<img src="https://pic4.zhimg.com/50/2d9e3af80ceb49945ce5c0f34d26c9e3_hd.jpg" data-rawwidth="567&
2017-11-21 11:16:48
824
转载 极大似然估计
极大似然估计 以前多次接触过极大似然估计，但一直都不太明白到底什么原理，最近在看贝叶斯分类，对极大似然估计有了新的认识，总结如下：贝叶斯决策 首先来看贝叶斯分类，我们都知道经典的贝叶斯公式： 其中：p(w)：为先验概率，表示每种类别分布的概率；：类条件概率，表示在某种类别前提下，某事发生的概率
2017-11-20 22:39:29
309
转载 交叉熵损失函数
本文是《Neural networks and deep learning》概览 中第三章的一部分，讲machine learning算法中用得很多的交叉熵代价函数。1.从方差代价函数说起代价函数经常用方差代价函数（即采用均方误差MSE），比如对于一个神经元（单输入单输出，sigmoid函数）,定义其代价函数为：其中y是我们期望的输出，a为神经元的实际输出【 a
2017-11-17 16:01:17
949
原创 链表的生长于翻转
#includeusing namespace std;typedef struct node{int data;node* next;}node;void list_grow(node*& head,int nums[], int len){node* front=NULL;node* temp=NULL;for (int i = 0; i {
2017-11-17 12:03:46
159
原创 矩阵顺时针旋转90度
#include#includeusing namespace std;void rotate_circle(int matrix[][4],int circle_num,int len){queue temp1;queue temp2;for (int i = circle_num - 1; i {temp1.push(matrix[i][len - circ
2017-11-15 21:33:24
604
原创 顺时针打印矩阵
#includeusing namespace std;void print_circle(int matrix[][4], int circle_num, int len){for (int i = circle_num - 1; i {cout }for (int i = circle_num-1; i {cout }for (int i = l
2017-11-15 20:29:15
125
原创 最大子序列和
#include#include#includeusing namespace std;int zdzdh(int* nums,int i){if (i==0)return nums[i];else{if (nums[i] + zdzdh(nums, i - 1) return nums[i];elsereturn zdzdh(nums, i -
2017-11-15 14:23:35
144
原创 一个数可以由哪些数相加得到
#includeusing namespace std;void fj(int n,int qt)//qt记录递归时的嵌套次数{if (n return;if (n == 1){cout cout }if (n == 2){cout cout if (qt>0)qt--;return;}if (n>2){cout
2017-11-14 20:07:45
2286
1
原创 全排列（自己版本）
#include#include#includeusing namespace std;void swap(char letters[],int i,int j){char temp = letters[i];letters[i] = letters[j];letters[j] = temp;}void qpl(char letters [], int st
2017-11-13 23:01:13
211
原创 变态青蛙跳
class Solution {public: int jumpFloorII(int number) { int re=0; if(number return 0; if(number==1) return 1;else {
2017-11-13 18:28:19
271
原创 归并排序（自己实现）
#include#includeusing namespace std;void merge(vector& nums, int l, int mid, int r){vector left_nums;vector right_nums;for (int i = l; i {left_nums.push_back(nums[i]);}for (int j
2017-11-13 13:05:32
182
原创 二插排序树（自己实现）
#include#includeusing namespace std;#define Elemtype inttypedef struct node{Elemtype data;node* left_node;node* right_node;}node;void insert(node*& root,Elemtype elem)//由一个根节点去递归的生
2017-11-12 23:03:40
356
原创 堆排序（自己版本）
#include#includeusing namespace std;void heap_adjust(vector& v, int node_bh, int last_node_bh){if (node_bh {int father = node_bh;int node_need_adjust;bool adjust = false;int left_c
2017-11-12 21:17:01
165
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