Mu_yongheng的博客

python中numpy操作矩阵的一些函数import numpy as np# 定义一个矩阵并打印A = np.mat('3 4; 2 16')print(A)# 计算矩阵的逆并打印inverse_A = np.linalg.inv(A)print(inverse_A)# 矩阵的乘法并打印（为单位矩阵）dot = np.dot(A, inverse_A)print(dot)''' numpy中matrix和array的区别 matrix是矩阵，只能是

终于算是闲下来点时间了，也不能算闲，该交的报告什么的算完事了。其他要交的东西现在还不急，然后考研的东西现在也不想看，再加上中午没睡好，下午也不想学习新的东西了，就抽出点时间把前段时间做的一个小项目来记录分享一下吧。一、项目简介1.想要干什么？这个项目就是给你一张有车牌的图片，如下图，你怎么把这张个车牌上的车牌号给识别出来呢？从我前段时间的学习也可以看到，这个地方的识别我肯定想用到前面学习到的机器学习的方法。前面学习到的和识别有关的也就是那个Mnist手写数字识别了，那我接下来的思路就是怎么将这个问

经过前面一段时间的学习，今天终于算是把所有的关于Mnist手写数字识别的问题给学完了。从刚开始的单个神经元到后面的单层隐藏层的神经网络，以及多层隐藏层的神经网络，再加上今天要总结的模型的重构以及保存复用等等问题。从刚开始对深度学习只是听说，到现在跟着慕课敲出了一些简单的机器学习的实现代码，在这几天学习的过程中，感觉也只是大致知道了这个流程，还不能达到自己实现的程度，毕竟也只是跟着慕课敲代码，所以可能效果也不是很明显；不过我觉得首先去学习一门新的知识，能迈出第一步就是很大的进步，后面慢慢学习，慢慢巩固，应该

在上一节中，构建了多层神经网络来对Mnist手写数字进行识别，但是我们也只设置了一个隐藏层，为了是我们的模型准确可以达到更高，其实我们可以多写几个隐藏层，那么这里我们就再加入一个隐藏层。目录构建模型附：完整代码主要做出的修改就是构建神经网络的部分，多加入一层隐藏层。构建模型# 构建隐藏层H1_NN = 256 # 第1隐藏层神经元数量H2_NN = 64 # 第2隐藏层神经元数量# 输入层 - 第1隐藏层参数和偏置项w1 = tf.Variable(tf.truncated_no

在上个实例当中，实现了单个神经元模型来识别手写数字，对于单个神经元模型，首先是输入数据，然后根据对应的权重进行求和，再通过一个激活函数即可得到最终的结果。目录一、单个神经元模型回顾二、全连接单隐含层神经网络1、载入数据2、构建输入层3、构建隐藏层（新）4、构建输出层5、训练模型6、模型应用一、单个神经元模型回顾就如下图所示，就是单个神经元实现的，而我们将一个求和和激活函数这个整体看作是一个神经元，而多层神经网络无非就是多加几个神经元。关于激活函数，常见的有以下几种：但是从上次的训练结果来看，正

在完成了MNIST手写数字模型的训练之后，我们就可以使用训练好的模型进行预测手写数字了。这里还是使用MNIST数据集中所提供的测试数据。可以仅仅对测试集的数据进行预测，并直接打印出来结果即可。但是为了和原图像进行对比，这里定义了一个可视化的函数，将原图像以及预测结果值进行显示，可以使结果更加直观。在上述基础上加上下面代码就可以了。# 对测试集的数据进行预测prediction_result = sess.run(tf.argmax(pred, 1), feed_dict={x: mnist.test

在学习完简单的线性回归问题之后，但是线性回归只能解决一些房价预测等求解具体数值的问题，但是在现实生活中有很多的分类问题，例如：对于图片的分类、判断是否等问题。今天想研究的问题就是这一类的分类问题：MNIST手写数字识别，就是利用我们训练的模型对一张手写数字图片进行识别，判断这个数字是0~9中的哪一个？...

昨天已经跟着慕课完成了一个最简单的机器学习实例：线性回归。而且是只有一个变量的，不过通过那个例子我已经理解了机器学习的基本步骤，如何创建数据集、如何创建模型、如何训练模型、如何用训练好的模型进行预测等等。接下来我又跟着慕课做了一个多元线性回归的实例：波士顿房价的预测。这里的变量就不是一个了，而是12个，这样我们就必须使用到多元线性回归的问题。关于慕课的学习，我是在中国大学mooc上学习的，课程名称是：深度学习应用开发-TensorFlow实践，有兴趣可以去学习一下，我觉得讲解的很详细，而且会带着把每一句

通过昨天的学习，我们已经可以将那个简单的线性回归问题模型训练出来。接下来我们想要对每一次的损失进行显示出来，需要在原来的基础上加上一些代码。由于每训练一次就会产生一个损失值，所以我们没有必要将他们全部打印出来，这个时候设置一个参数display_step 来控制打印的粒度；然后设置一个step 参数为训练的步数，一个列表loss_list 来存储每次的损失。具体代码如下，只是在原来代码上做了一些改动。import tensorflow as tfimport matplotlib.pyplot as

通过对tensorflow基础知识学习之后，现在可以通过一个简单的例子来进行机器学习的实践了。这里以一个线性回归的例子来做。1、

关于机器学习系统：通过学习如何组合输入西悉尼，来对未见过的数据做出有用的预测。下面来学习一些常用术语。以一个简单的线性回归为例。由于概念比较多，所以大部分是慕课上PPT的截图，以备后续复习使用。目录监督式机器学习1、标签和特征2、样本和模型3、训练4、损失模型训练与降低损失1、模型训练要点2、收敛3、计算损失例子梯度下降法学习率监督式机器学习1、标签和特征标签：是我们要预测的真实事物线性回归中的y变量特征：是指用于描述数据的输入变量线性回归中的{x1, x2, x3,…,xn}变量2、样

今天开始打算学习一下关于深度学习有关的知识，需要安装python和下载配置tensorflow环境。因为原来对环境已经配置好了，在这里就不再赘述，不过确实挺麻烦的，我当时配置的时候花了很长的时间才配置好的，如果自己实在配置不好，就去找淘宝吧…关于人工智能、深度学习、机器学习等概念，其实就是通过让机器通过人的思维方式进行学习，通过大量的已知数据对其进行训练，并不断的改变模型参数，最终得到最优的模型。目录1、hello world程序2、tensorflow中节点信息3、张量的属性4、会话的几种模式5、常量