lujianfeiccie2009的专栏

以下是绘制指数加权平均线的 Python 代码# -*- coding: utf-8 -*-import numpy as npnp.random.seed(1337) # for reproducibilityimport matplotlib.pyplot as plt # 可视化模块#解决中文显示问题plt.rcParams['font.sans-serif'] = ['KaiTi'] # 指定默认字体plt.rcParams['axes.unicode_minus'] = False

下面是各种优化器的对比效果，包含 gd, momentum, nesterovPython 代码示例# -*- coding: utf-8 -*-import numpy as npimport matplotlib.pyplot as plt# 待解决的函数def f(x,y): return x * x + 50 * y * y# f(x,y) 的全导数def g(x): return np.array([2 * x[0], 100 * x[1]])def gd

激活函数tanh# -*- coding: utf-8 -*-import numpy as npimport matplotlib.pyplot as pltfrom keras import backend as Kx = np.linspace(-3,3,100)y = K.tanh(x)plt.plot(x, y, 'b', label = "y = tanh (x)")plt.legend()plt.grid()plt.show()tanh 对应图像relu#

使用 make_classification 生成分类样本# -*- coding: utf-8 -*-from sklearn.datasets.samples_generator import make_classificationimport matplotlib.pyplot as plt###生成的数据如下图所示###plt.figureX,y= make_classification(n_samples=300, # 样本个数 n

# -*- coding: utf-8 -*-from keras.models import Sequential from keras.layers import Denseimport numpy as npimport randomdef generateData(): i = 1 X =[] Y = [] while i < 1000: t1 = random.randint(0,1000) t2 = rando

# -*- coding: utf-8 -*-import numpy as npnp.random.seed(1337) # for reproducibilityfrom keras.models import Sequentialfrom keras.layers import Denseimport matplotlib.pyplot as plt # 可视化模块# 创建数据# create some dataX = np.linspace(-1, 1, 200)np.ran

使用以下镜像代理安装就能飞快python -m pip install tensorflow -ihttp://pypi.douban.com/simple --trusted-host pypi.douban.com

# -*- coding: utf-8 -*-"""Created on Fri Jun 5 17:24:46 2020"""import tensorflow as tfimport matplotlib.pyplot as pltclass Model(object): def __init__(self): # 初始化变量值为(5.0, 0.0) # 实际上，这些变量应该初始化为随机值 self.W = tf.Variable(5.0) self.

训练过程只训练一轮的算法是：for 循环，直到所有样本数据使用完毕：1.读取一个样本数据2.前向计算3.反向传播4.更新梯度Python 代码实现# -*- coding: utf-8 -*-import numpy as npimport matplotlib.pyplot as pltclass SimpleDataReader(object): def __...

数学原理在下面的公式中，我们规定 xxx 是样本特征值（单特征），yyy 是样本标签值，zzz 是预测值，下标 iii 表示其中一个样本。预设函数（Hypothesis Function）为一个线性函数：zi=xi⋅w+bz_i=x_i⋅w+bzi​=xi​⋅w+b          &nbs...

参考资料https://baike.baidu.com/item/%E6%AD%A3%E6%80%81%E5%88%86%E5%B8%83/829892?fr=aladdin一维正态分布若随机变量 XXX 服从一个位置参数为 μ\muμ 、尺度参数为 σ\sigmaσ 的概率分布，且其概率密度函数为f(x)=12πσexp(−(x−μ)22σ2)f(x) ={1\over \sqrt...

梯度下降梯度下降（Gradient descent）一阶最优化算法，让参数沿着 损失函数 的 负梯度 方向更新。迭代的步长 (学习率) 是事先给定的，如果负梯度的绝对值越大，这次更新的幅度也会越大，越接近极值点时，负梯度会越小，这时更新就会越慢。给定一个数 nnn ，求 nnn 的平方根 xxx，所以有x2x^2x2 = n那么，我们可以得出误差函数为E(x)=(n−x2)2E(x) ...