正则和编码

1、问题

[+-.] 该正则匹配到了英文的逗号,为什么?

因为 -表范围,匹配了+到.中间的asii码也就是 +,- ,这四个字符。

2、ascII码有中文标点吗?

没有。标准ascII码7位二进制,不包括中文标点。英文和数字

3、ut-8包含中文编码

 1-4字节变长编码

4、在开头或者结尾表示一个破折号(在这些位置该符号表示的就不是一个范围) `pattern:’-’。

 

彩蛋:

nohup命令输出到指定的文件, 而不是默认的nohup.out

 

nohup 默认输出到当前目录的nohup.out, 可以通过下面的命令来制定nohup输出位置

nohup some_command &> NEW_name.out&

 

正则编码器是一种基于正则化的自编码器,它在自编码器的基础上加入了正则化项以控制模型的复杂度,从而避免过拟合。在tensorflow中,可以通过定义损失函数来实现正则编码器。 下面是一个简单的正则编码器的tensorflow实现: ```python import tensorflow as tf # 定义输入数据维度 input_dim = 784 # 定义隐藏层维度 hidden_dim = 128 # 定义正则化系数 lambda_reg = 0.01 # 定义输入数据占位符 input_x = tf.placeholder(dtype=tf.float32, shape=[None, input_dim], name='input_x') # 定义编码器 encoder = tf.layers.dense(inputs=input_x, units=hidden_dim, activation=tf.nn.relu) # 定义解码器 decoder = tf.layers.dense(inputs=encoder, units=input_dim, activation=tf.nn.sigmoid) # 定义重构误差 reconstruction_loss = tf.reduce_mean(tf.square(input_x - decoder)) # 定义正则化项 regularization_loss = tf.reduce_sum(tf.abs(encoder)) # 定义总损失 total_loss = reconstruction_loss + lambda_reg * regularization_loss # 定义优化器 optimizer = tf.train.AdamOptimizer(learning_rate=0.001) # 定义训练操作 train_op = optimizer.minimize(total_loss) # 开始训练 with tf.Session() as sess: # 初始化变量 sess.run(tf.global_variables_initializer()) # 训练1000个epoch for epoch in range(1000): # 执行训练操作 _, loss = sess.run([train_op, total_loss], feed_dict={input_x: input_data}) # 每100个epoch打印一次损失 if epoch % 100 == 0: print("Epoch: {}, Loss: {:.4f}".format(epoch, loss)) ``` 在这个例子中,我们使用了一个单隐藏层的自编码器,并加入了一个L1正则化项控制模型复杂度。训练过程中,我们使用Adam优化器来最小化总损失。每100个epoch打印一次损失,可以看到损失逐渐减小,说明模型逐渐学习到了数据的特征。
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

打赏作者

Ai君臣

学会的就要教给人

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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