- 博客(32)
- 资源 (1)
- 收藏
- 关注
原创 Pytorch深度学习之RNN
这里使用RNN中的LSTM对MNIST数据集做了分类。 首先对这个代码做一个简要概述,我自己的理解: ①写在开头,这里采用的RNN中的长短期记忆LSTM是将RNN进行提升的一种算法,具体原理不解释,简要概括就是防止普通RNN中的梯度消失和梯度爆炸,以做到长短期记忆的效果,然后这里对详细怎么对MNIST进行分类预测的操作 ②首先,这里MNIST数据集耳熟能详,为灰度图像,所以通道数为1,宽高
2021-03-20 15:45:20 337
原创 Pytorch深度学习之ResNet深度残差网络
这里采用ResNet网络对CIFRI-10数据集进行分类训练,最终通过测试集进行测试,(代码主要解释以及网络已经在注释中给出)具体代码如下:import torchimport torch.nn as nnimport torchvisionimport torchvision.transforms as transforms#简要介绍本次ResNet网络,说在前面,这里定义的conv3x3都是padding=1,保证卷积前后图像宽高为一样大'''图片为3,32,32通过第一层卷积(输入输出
2021-03-20 13:31:11 441 1
原创 Pytorch深度学习之CNN
这里使用CNN对MNIST数据集进行分类,直接上代码#导入相应包import torchimport torch.nn as nnimport torchvisionimport torchvision.transforms as transform#cuda加速device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')#定义输入维度、隐藏层维度、输出维度、训练次数、batch大小、学习率input_size
2021-03-18 22:45:22 299
原创 Pytorch深度学习之简单前馈神经网络
这里还是使用MNIST数据集进行处理,直接上代码(不懂看注释~)#导入相应包import torchimport torch.nn as nnimport torchvisionimport torchvision.transforms as transform#定义cuda加速device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')定义输入维度、隐藏层维度、输出维度、训练次数、batch大小、学习率inpu
2021-03-18 21:26:07 254
原创 Pytorch深度学习之线性回归入门案例
#导入相应包import torchimport torch.nn as nnimport numpy as npimport matplotlib.pyplot as plt#设置输入维数、输出维数、训练次数、学习率input_size = 1output_size = 1num_epochs = 60learning_rate = 0.001#定义训练集数据x_train = np.array([[3.3], [4.4], [5.5], [6.71], [6.93], [4.168
2021-03-17 23:11:58 173
原创 sklearn机器学习之回归
在sklearn中,已经实现的回归算法包括多元线性回归,岭回归,lasso回归和多项式回归,实现方法几乎一致,这里只以线性回归作为例子实现,其他的有兴趣可以自行实现。1.导入相应包from sklearn.linear_model import LinearRegression as LRfrom sklearn.model_selection import train_test_splitfrom sklearn.model_selection import cross_val_scorefro
2021-03-16 14:25:22 481 1
原创 sklearn机器学习之svm案例(预测明天是否会下雨)
1.导入相应包import pandas as pdimport numpy as npimport matplotlib.pyplot as pltfrom sklearn.model_selection import train_test_split2.读取数据集并分析weather = pd.read_csv(r"D:\download\sklearnjqxx_jb51\【机器学习】菜菜的sklearn课堂(1-12全课)\08支持向量机下\weatherAUS5000.csv", in
2021-03-16 10:50:15 2323 8
原创 sklearn机器学习之SVM样本均衡以及ROC与AUC
1.导入相应包import numpy as npimport matplotlib.pyplot as pltfrom sklearn import svmfrom sklearn.datasets import make_blobs2.准备数据集#样本数class_1 = 500class_2 = 50#这里设置了特征数centers = [[0, 0], [2, 2]]clusters_std = [1.5, 0.5]X, y = make_blobs(n_samples=[
2021-03-15 20:28:10 778 1
原创 sklearn机器学习之SVM探索核函数以及寻优(癌症数据集)
1.导入相应包from sklearn.datasets import load_breast_cancerfrom sklearn.svm import SVCfrom sklearn.model_selection import train_test_splitimport matplotlib.pyplot as pltimport numpy as npfrom time import timeimport datetimeimport pandas as pd2.准备数据集并可
2021-03-15 15:52:45 1368 1
原创 sklearn机器学习之SVM不同核函数不同数据集的效果
1.导入相应包import numpy as npimport matplotlib.pyplot as pltfrom sklearn.datasets import make_blobs, make_circles, make_classification, make_moonsfrom sklearn import svmfrom matplotlib.colors import ListedColormapimport pandas as pd2.准备数据集#生成数据集n_sam
2021-03-15 10:54:43 708
原创 sklearn机器学习之SVM基础用法以及可视化
1.导入相应包from sklearn.datasets import make_blobsfrom sklearn.svm import SVCfrom matplotlib import pyplot as pltimport numpy as npimport pandas as pd%matplotlib inline2.准备数据集并可视化X, y = make_blobs(n_samples=50, centers=2, random_state=0, cluster_std=0
2021-03-14 21:18:01 2121 5
原创 sklearn机器学习之Kmeans进行图片颜色降维
1.导入相应包import numpy as npimport matplotlib.pyplot as pltfrom sklearn.cluster import KMeansfrom sklearn.metrics import pairwise_distances_argminfrom sklearn.datasets import load_sample_imagefrom sklearn.utils import shuffleimport pandas as pd2.加载数据
2021-03-14 12:46:02 601 1
原创 sklearn机器学习之Kmeans根据轮廓系数选择参数n_clusters
1.导入相应包from sklearn.cluster import KMeansfrom sklearn.metrics import silhouette_samples, silhouette_scorefrom matplotlib import pyplot as pltfrom matplotlib import cmimport numpy as npfrom sklearn.datasets import make_blobs2.生成数据集X, y = make_blobs
2021-03-14 00:37:51 1191 2
原创 sklearn机器学习之Kmeans聚类基础用法
1.导入相应包from sklearn.datasets import make_blobsfrom matplotlib import pyplot as pltfrom sklearn.cluster import KMeans2.准备数据集#利用sklearn内置函数生成特征数量为2,中心点为4,样本数为500的随机数据集X, y = make_blobs(n_features=2, centers=4, n_samples=500, random_state=1)plt.scatte
2021-03-13 23:41:17 910
原创 sklearn机器学习之逻辑斯蒂回归(乳腺癌数据集)
1.导入相应包from sklearn.linear_model import LogisticRegression as LRfrom sklearn.datasets import load_breast_cancerimport numpy as npfrom sklearn.model_selection import train_test_splitfrom matplotlib import pyplot as pltfrom sklearn.metrics import accur
2021-03-10 20:19:26 2978 1
原创 sklearn机器学习之PCA降维案例二(手写数字图片降维)
1.导入相应包from sklearn.decomposition import PCAfrom sklearn.ensemble import RandomForestClassifier as RFCfrom sklearn.model_selection import cross_val_scoreimport matplotlib.pyplot as pltimport pandas as pdimport numpy as np2.准备数据集data = pd.read_csv(
2021-03-10 16:36:46 990 4
原创 sklearn机器学习之PCA降维案例一(噪声过滤)
1.导入相应包from sklearn.datasets import load_digitsfrom sklearn.decomposition import PCAfrom matplotlib import pyplot as pltimport numpy as np2.准备数据集digits = load_digits()digits.data.shape返回(1797, 64),说明是由1797张长宽为8*8的照片。3.绘制原始数据集def plot_digits(dat
2021-03-10 10:45:06 1060
原创 sklearn机器学习之降维(人脸图片数据集)
1.导入相应包from sklearn.datasets import fetch_lfw_peoplefrom sklearn.decomposition import PCAfrom matplotlib import pyplot as pltimport pandas as pdimport numpy as np2.准备数据集本次我们使用的数据集是sklearn库中自带的人脸图片数据集,包括1348张长宽分别为62、 47的人脸图片,该数据集有data和image两种属性,imag
2021-03-09 22:41:10 3075 1
原创 sklearn机器学习之降维算法(基础用法)
1.导入相应库from matplotlib import pyplot as pltfrom sklearn.datasets import load_irisfrom sklearn.decomposition import PCAimport pandas as pdimport numpy as np2.准备数据集iris = load_iris()X = iris.datay = iris.targetpd.DataFrame(X).head()3.PCA降维#设置降维
2021-03-09 15:38:24 295 2
原创 sklearn机器学习之特征选取(feature_selection)
1.导入相应包import pandas as pdfrom sklearn.feature_selection import VarianceThresholdimport numpy as npfrom sklearn.ensemble import RandomForestClassifier as RFCfrom sklearn.neighbors import KNeighborsClassifier as KNNfrom sklearn.model_selection import
2021-03-09 13:43:00 3489 1
原创 sklearn机器学习之数据预处理(Preprocessing & Impute)
在之前的机器学习中,我们使用的数据集都是sklearn自带的数据集以及非常经典的泰坦尼克号数据集,这些数据集都是一些经过处理被验证为对机器学习很友好的数据集,而现实生活中我们往往数据集并不是那么友好,所以需要对其进行一些预处理,下面我们利用sklearn对数据进行一些预处理。1.数据无量纲化 在机器学习算法实践中,我们往往有着将不同规格的数据转换到同一规格,或不同分布的数据转换到某个特定分布的需求,这种需求统称为将数据“无量纲化”。譬如梯度和矩阵为核心的算法中,譬如逻辑回归,支持向量机,神经网络,
2021-03-08 17:20:21 1927
原创 sklearn机器学习之随机森林回归(波士顿房价数据集)
这里我们将对波士顿房价的原始数据进行处理,在数据中人为添加一些缺失值,然后根据分三种情况:①用0填补缺失值,②均值填补,③用随机森林填补,之后分别构建随机森林回归,计算MSE,并做可视化。1.导入相应包import numpy as npimport pandas as pdimport matplotlib.pyplot as pltfrom sklearn.datasets import load_bostonfrom sklearn.impute import SimpleImputer
2021-03-08 14:41:21 5425 6
原创 sklearn机器学习之随机森林分类(红酒数据集)
本次使用随机森林通过十折交叉验证得到最大平均精度为99%1.导入相应包from sklearn.tree import DecisionTreeClassifierfrom matplotlib import pyplot as pltfrom sklearn.ensemble import RandomForestClassifierfrom sklearn.datasets import load_winefrom sklearn.model_selection import train_t
2021-03-06 16:31:17 7226 4
原创 sklearn机器学习之分类决策树(泰坦尼克号幸存者数据集)
1.导入相应包import pandas as pdfrom sklearn.tree import DecisionTreeClassifierfrom sklearn.model_selection import train_test_splitfrom sklearn.model_selection import GridSearchCVfrom sklearn.model_selection import cross_val_scorefrom sklearn.model_selecti
2021-03-06 14:02:28 1376 10
原创 sklearn机器学习之基于sin函数的回归决策树
1.导入相应包import numpy as npfrom sklearn.tree import DecisionTreeRegressorfrom matplotlib import pyplot as plt2.准备数据集rng = np.random.RandomState(1)X = np.sort(5 * rng.rand(80, 1), axis=0)#ravel函数将原维数降一维y = np.sin(X).ravel()3.绘制图像plt.figure()plt.s
2021-03-05 18:08:18 391 1
原创 sklearn机器学习之回归决策树以及参数设置(波士顿房价数据集)
1.导入相应包以及波士顿房价数据集在这里插入代码片from sklearn.datasets import load_bostonfrom sklearn.model_selection import cross_val_scorefrom sklearn.tree import DecisionTreeRegressor2.建立模型并进行验证这里采用sklearn内置函数进行十折交叉验证,打分函数使用负均方误差boston = load_boston()#生成回归器regressor =
2021-03-05 17:56:16 862
原创 sklearn机器学习之分类决策树以及参数设置(红酒数据集)
在学习完吴恩达老师的机器学习教程后,开始在B站学习菜菜的sklearn机器学习视频。1.导入相应包以及红酒数据集from sklearn import treefrom sklearn.datasets import load_winefrom sklearn.model_selection import train_test_split2.查看红酒数据集中的数据wine = load_wine()#注意这里是采用jupyter notebook环境,如果直接编写脚本会不输出winewi
2021-03-05 16:27:49 3634 2
原创 机器学习之SVM随笔
在吴恩达的机器学习教程中指出:当特征数量远大于样本数时,往往选择逻辑斯蒂回归或不带核函数(线性核)的SVM进行训练当特征数量稍小于样本数时,往往选择带有高斯核函数的SVM进行训练当特征数远小于样本数时,往往选择增加一些特征并选择逻辑斯蒂回归或不带核函数(线性核)的SVM进行训练...
2021-03-04 00:22:01 338 1
原创 解决conda设置清华镜像源并安装pytorch时网速问题以及中断问题
在很多博客中提到,由于pytorch的默认下载地址在外网,所以会导致我们国内用户下载较慢,所以我们需要在Anaconda的Anaconda prompt中输入如下命令行以设置清华镜像源:conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pk
2021-03-03 17:45:18 1176 2
原创 深度学习入门项目之经典数据集MNIST的分类(Pytorch)
深度学习入门项目之经典数据集MNIST的分类(Pytorch)学习自B站up主教学视频[视频链接](https://www.bilibili.com/video/BV1Y7411d7Ys?t=2340&p=9)1.数据集介绍MNIST数据集是新手入门深度学习计算机视觉的必经之路,数据集为多张图片,其中为手写数字如下图所示:2.导入第三方库首先导入需要使用的相应包import torchfrom torchvision import transformsfrom torchvisi
2021-03-01 14:43:42 833 2
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人