gakki_chen的博客

用CNN实现一个分类器, 数据共有10类，训练数据在train文件夹下，测试数据在test文件夹下，数据有十类，读取数据的方法如下。 #python2 import cPickle def load_data(data_path): with open(data_path,"rb") as f: target_params = cPickle.load(f) data = target_params['data'].reshape([-1,32,32,3]) label = target_params['labels'] return data,label #python3 import pickle def load_data(data_path): with open(data_path,"rb") as f: u = pickle.Unpickler(f) u.encoding='latin1' target_params = u.load() data = target_params['data'].reshape([-1,32,32,3]) label = target_params['labels'] return data,label

实现一个基于多层感知器的分类器 a.txt,b.txt,c.txt是三种类别的数据，读取数据的方法为 data = np.loadtxt("a.txt"),数据的维度为60，每类数据的百分之八十用于训练，百分之二十用于测试。

实现一个基于k-means的聚类算法,数据有4000个，每个数据是一个四维向量,读取方式为： data = np.load("data.npy")数据有20个质心,将数据聚类成二十簇，计算这二十个质心的位置

用支持向量机实现一个分类器 训练数据为train.txt， 测试数据为test.txt， 数据中第一列是类别，后面的是特征 因为支持向量机实现起来比较复杂，所以可以使用sklearn中的svm模块

用朴素贝叶斯完成一个分类问题 训练数据为train.txt， 测试数据为test.txt， 数据中第一列是类别，后面的是特征 提示：因为特征是连续的，需要将其离散化，一个比较简单方法是计算每列特征的中位数，若大于中位数记为1，否则记为0.

用于装饰鼠标，可以改变背景颜色和显示的星星颜色，星星随着鼠标移动，很酷炫

定义一个函数，输入一个m维数组X和一个整数n，输出一个n*m的矩阵M，其中 M[i] [j]=X[j]^(i+1) 例：输入X = [2,3,4], n = 3, 则输出 M=[[2 3 4] [4 9 16] [8 27 64]]注（数组和矩阵都用numpy实现）

将1000内的素数打印到number.txt文件里，每五个数一行，数与数之间用空格隔开。 例： 2 3 5 7 11 13 17 19 23 29 …

完成一个逻辑回归的算法。其中data.npz是数据读取数据的方法为： data = np.load("data.npz") x_train, y_train, x_test, y_test = data["x_train"],data["y_train"],data["x_test"],data["y_test"] x_train为训练集特征,y_train为对应的训练集标签，x_test为测试集特征，y_test为对应的测试集标签，用训练集训练一个逻辑回归模型，要求在测试集上的测试精度达到90%以上。

完成一个线性回归的算法，其中train.npz是数据 读取数据的方式为： import numpy as np data = np.load("train.npz") x_array,y_array = data['x'],data['y'] 其中x_array是对2000组特征，每个特征为五维,y_array是这2000组特征的输出，并输出对应的w和b（权重和偏置）

matlab函数用于图像边缘的提取，包含的方法有说soble算子