- 博客(21)
- 收藏
- 关注
RSS订阅原创 混淆矩阵召回率
在您的代码中，是使用 Scikit-learn 的函数来计算混淆矩阵。混淆矩阵是一种用于评估分类模型性能的工具，它展示了实际类别与模型预测类别之间的关系。
2024-01-11 17:04:11
543
原创 批量读取文件
import pandas as pdimport numpy as npimport scipy.ioimport tensorflow as tfimport os# 获取文件路径# def get_file_path():# read_path = r"C:\Users\电力系统人工智能\Documents\pycharm\宽频\1"# output_path = r"C:\Users\电力系统人工智能\Documents\pycharm\宽频\test1"#
2022-06-20 17:32:54
291
原创 python类的调用
class VAE(keras.Model): def __init__(self): super(VAE, self).__init__() # Encoder self.fc1 = layers.Dense(128) self.fc2 = layers.Dense(64) self.fc3 = layers.Dense(z_dim) # get mean prediction self.fc4 =
2022-01-15 17:45:18
2409
原创 Debug
1.no numeric data to plot"no numeric data to plot"由于直接重文本读取数据，data.dtypes=object不能画图要改变数据类型data=data.astype('float64')2.csv文件不能直接改后缀名，要另存为csv文件，否则可能报错。...
2021-11-21 21:54:01
831
原创 数据要处理
1.用四分位数清洗数据，填充为每一行的均值for a in range(dataset.shape[0]): # 1st quartile(25%) Q1 = np.percentile(dataset[a], 25) # 3rd quartile (75%) Q3 = np.percentile(dataset[a], 75) # 四分位 IQR = Q3 - Q1 outlier_step = 1.5 * IQR normal_age_m
2021-11-18 21:54:37
797
原创 model.evaluate检验
1.输入输出不同model.evaluate 输入数据(data)和真实标签(label),然后将预测结果与真实标签相比较,得到两者误差并输出.model.predict 输入数据(data)，输出预测结果2是否需要真实标签model.evaluate 需要，因为需要比较预测结果与真实标签的误差model.predict 不需要，只是单纯输出预测结果，全程不需要标签的参与。手写数字识别未训练取一个batchsize，evaluate算出
2021-11-17 13:47:55
7520
3
原创 matplotlib
图片保存保存到指定位置plt.savefig('F:/pycharm/聚类/图片/df1.png')plt.savefig(fname="pic.png",figsize=[10,10])fname：保存的图片文件的名称，必选。figsize：保存图像的大小，单位为英寸，必选。
2021-10-22 11:13:15
112
原创 pandas
建立dataframe给定行索引和列索引dates = pd.date_range('20160101',periods=6)df = pd.DataFrame(np.random.randn(6,4),index=dates,columns=['a','b','c','d'])（行索引也有列索引）读取文件dataset=pd.read_excel('de.xlsx',usecols='B:N',header = None,names=column_names)# header ：指定作为列名
2021-10-22 10:35:53
69
原创 随机种子np.random.seed
np.random.seed()该代码作用即为将模型在初始化过程中所用到的“随机数”全部固定下来，以保证每次重新训练模型需要初始化模型参数的时候能够得到相同的初始化参数，从而达到稳定复现训练结果的目的参考资料...
2021-10-18 15:31:24
166
原创 卷积神经网络
layers.Conv2Dimport tensorflow as tffrom tensorflow import kerasfrom tensorflow.keras import layers, lossesx=tf.random.normal([4,32,32,3])#输入3通道，高度32layer=layers.Conv2D(filters=6,kernel_size=5,strides=1,padding= 'valid')#kernel_size卷积核大小，filters卷积核数
2021-10-11 09:21:57
98
原创 分类贴标签
DataFrame分类贴标签y = np.argmax(tf.nn.softmax(encoded_imgs), axis=1)data_before.loc[:, 'labels'] = ydf1 = data_before[data_before['labels'] == 0]df2 = data_before[data_before['labels'] == 1]df3 = data_before[data_before['labels'] == 2]tf.tensor分类贴标签y =
2021-10-08 20:57:36
107
原创 定义一个三维tensor
b = tf.constant([[[5.,6.], [7.,8.]], [[5., 6.], [7., 8.]]])a=tf.constant([[[1.,2.]], [[1.,2.]]])c=np.zeros((2,1,2))b.shape=[2,2,2]a.shape=[2,1,2]
2021-10-08 20:39:55
951
原创 用compile和fit实现手写数字识别
import osos.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'import tensorflow as tffrom tensorflow import kerasfrom tensorflow.keras import layers, optimizers, datasets(x, y), (x_val, y_val) = datasets.mnist.load_data()x = tf.convert_to_tensor(x, dtype=tf.flo
2021-09-28 10:21:39
110
原创 自定义网络层
自定义网络层欢迎使用Markdown编辑器你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。新的改变我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客：全新的界面设计 ，将会带来全新的写作体验；在创作中心设置你喜爱的代码高亮样式，Markdown 将代码片显示选择的高亮样式 进行展示；
2021-09-27 10:01:22
214
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人