生物大分子平台（2）

最新推荐文章于 2024-10-02 16:36:44 发布

南山夜梦

最新推荐文章于 2024-10-02 16:36:44 发布

阅读量110

点赞数 1

分类专栏：生物大分子平台文章标签：机器学习深度学习

本文链接：https://blog.csdn.net/fengjiuxin/article/details/120629690

版权

生物大分子平台专栏收录该内容

14 篇文章 0 订阅

订阅专栏

本文介绍了在机器学习和深度学习中如何使用PCA进行数据降维，以避免高维数据带来的问题。此外，通过PyTorch的ImageTypeTest和NNTest展示了神经网络的构建和训练过程，并提及了Keras作为高级神经网络API的易用性和模块化特性。

摘要由CSDN通过智能技术生成

生物大分子平台（2）

2021SC@SDUSC

文章目录

生物大分子平台（2）

1、本周工作

阅读部分机器学习和深度学习源代码并且进行分析

2、部分代码分析

2.1 PCA

通常我们可以获得一维或者二维数据的直观图形，但是实际中很多的数据远比这些维数多，在使用机器学习和深度学习算法时，如果不对数据维数进行降低操作，将会引发灾难性后果。
实验所使用的数据集合为二维*10的随机样本与secom数据库，我们可以自己构造这个算法，也可以使用sklearn中自带的API来调用这个算法完成我们对数据的降维。

from sklearn.decomposition import PCA
pca = PCA()      # n_components参数选择降维程度
pca = pca.fit(replaceNanWithMean()) # fit_transform()为转换数据
main_var = pca.explained_variance_  # 特征值

在这里插入图片描述

2.2 PyTorch

2.2.1 ImageTypeTest

定义转换器、池化层、线性隐藏层，构建好网络。
构建输入转换器与输出层的对应关系
调参完成训练
输出结果，完成结果可视化

2.2.2 NNTest

官方给出的实例
通过网络可以得到训练的结果

2.3 keras

Keras 是一个用 Python 编写的高级神经网络 API，它能够以 TensorFlow, CNTK, 或者 Theano 作为后端运行。Keras 的开发重点是支持快速的实验。能够以最小的时延把你的想法转换为实验结果，是做好研究的关键。
允许简单而快速的原型设计（由于用户友好，高度模块化，可扩展性）。同时支持卷积神经网络和循环神经网络，以及两者的组合。在 CPU 和 GPU 上无缝运行。
keras具有的指导原则：用户友好、模块化、易扩展性、基于python实现等
使用keras可以让我们更方便的完成神经网络的构建。

3、引用资料

https://keras.io/zh/#keras-python
https://pytorch.org/
https://blog.csdn.net/qq_36523839/article/details/82286805?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522163344251316780265472800%2522%252C%2522scm%2522%253A%252220140713.130102334…%2522%257D&request_id=163344251316780265472800&biz_id=0&spm=1018.2226.3001.4187