高级编程技术第十次作业

Exercise 11.1: Plotting a function

    Plot the function

                                F(x)=sin2(x-2)e-x^2 

    over the interval [0,2]. Add proper axis labels, a title, etc.

在区间[0,2]画出f(x)并加上适合的轴标签,题目等信息。

代码如下

from numpy import *
from matplotlib.pyplot import *
import math
x=linspace(0,2)
y=[(sin(num-2)**2)*exp(-num**2) for num in x]
plot(x,y)
title('Plotting a function')
xlabel('x')
ylabel('f(x)')
text(1,0.6,'f(x)=sin^2(x−2)*e^(−x^2)')
show()

画图像的话先设置好x,y,再plot(x,y)设置标题,轴标签,等内容可以用title,xlabel,ylabel等函数完成,而

text(x0,y0,mes)则是在(x0,y0)处打印一条信息mes。最后一起show()就能打印出来了。

截图如下:



Exercise 11.2: Data 

    Create a data matrix X with 20 observations of 10 variables. Generate a vector b with parameters Then generate the     response vector y = Xb+z where z is a vector with standard normally distributed variables.Now (by only using y and     X), find an estimator for b, by solving

                                                b^=argminb||Xb-y||2

    Plot the true parameters b and estimated parameters b^. See Figure 1 for an example plot.

pdf中的Figure1 除了在exercise 11.1中的方法还多了一个标注的信息。

代码如下

from numpy import *
from matplotlib.pyplot import *
import math
X=random.rand(20,10)
b=random.rand(10,1)
z=random.normal(size=20).reshape(20,1)
print(b)
y=dot(X,b)+z
est_b=dot(dot(linalg.inv(dot(X.T,X)),X.T),y)
plot(b,'rx',est_b,'bo')
legend(labels=['True coefficients','Estimate coefficients'],loc=1)
xlabel('index')
ylabel('value')
show()
矩阵的随机生成,乘法,操作在上一次作业已经做出来,这里的^b可以用法方程方法解决最小二乘问题,而注释标注可以用legend的方法做出来,依次对应前面的rx,bo,红色x,蓝色o,后面的loc 可以自己调节图例的位置 loc=1 在右上角 =2左上角 =3 左下角 =4 右下角 一般 =‘best’ 自动调整,这里用1是为了达到pdf中的效果,标注在右上角。

截图如下:



Exercise 11.3: Histogram and density estimation 

    Generate a vector z of 10000 observations from your favorite exotic distribution. Then make a plot that shows a     histogram of z (with 25 bins), along with an estimate for the density, using a Gaussian kernel density estimator (see     scipy.stats). See Figure 2 for an example plot.

从你最喜欢的奇异分布中生成10000个矢量Z。绘制一个Z(25个bins)的直方图,然后用一个高斯核密度估计器(参见SimP.Stas)完成密度的估计。参见图2

代码如下:

from numpy import *
from matplotlib.pyplot import *
from scipy.stats import *
import math
z=sorted(random.randn(10000))
kernel= gaussian_kde(z)
hist(z,25,normed=True)
plot(z,kernel.pdf(z))
show()
生成奇异分布可以用numpy下的random的randn方法。高斯核密度估计器用scipy.stats下的gaussian_kde方法。最后画直方图用hist方法,要设normed=true,而连线要用plot方法。

截图如下:


深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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