不断学习

Summary和FLOPs统计 使用窍门SummaryFLOPs总结SummarySummary 中需要输入input_size，如果input其Shape为[256,557]，则其用法和输出结果如下：用法：summary(model,(557,))输出：同理，如果input的Shape属性为[64,1,28,28]，则其input_size为[1,28,28]FLOPsSummary 中需要输入input_size，如果input其Shape为[256,300]，则其用法和输出结果如下：

记一次数据挖掘：中文语句情绪多标签分类问题将中文语句矩阵数字化对8个类别进行模型建立，找到8个最适合的机器学习模型将中文语句矩阵数字化import pandas as pdimport pickle先导入pandas库，该库提供了csv文件的相关数据分析功能，是我们数据挖掘必须学会使用的库。之后导入pickle库，该库是用于将中文语句中使用频数超过10次的字或词收集的字典序列化。train_df = pd.read_csv('../yangqf/Desktop/Train.csv',encod

机器学习之逻辑斯谛回归分类问题分类假设表示决策边界分类要尝试分类，一种方法是使用线性回归并将所有大于0.5的预测映射为1，将所有小于0.5的预测映射为0。但是，此方法效果不佳，因为分类问题实际上不是线性函数。分类问题就像回归问题一样，除了我们现在要预测的值仅包含少量离散值。现在，我们将重点讨论二分类问题，其中y只能采用两个值0和1。（我们在这里所说的大多数内容也将推广到多类情况。）例如，如果我们尝试为电子邮件建立垃圾邮件分类器，然后x(i)x^{(i)}x(i)可能是一封电子邮件的某些功能，如果是垃圾

机器学习之多元线性回归多重特征多个变量的梯度下降练习I中的梯度下降-特征缩放练习II中的梯度下降-学习率特征和多项式回归正态方程正规方程不可逆多重特征具有多个变量的线性回归也称为“多元线性回归”。现在我们为方程式引入符号，其中可以有任意数量的输入变量。xj(i)=value of feature j in the ith training examplex(i)=the input (features) of the ith training examplem=the number of train

机器学习之一个变量的线性回归模型表示成本函数成本函数 Intuition I成本函数 Intuition II梯度下降梯度下降 Intuition线性回归的梯度下降模型表示为了建立供将来使用的符号，我们将使用x(i)x^{(i)}x(i)表示“输入”变量，也称为输入要素，并且y(i)y^{(i)}y(i)表示我们试图预测的“输出”或目标变量。一对(x(i),y(i))(x^{(i)},y^{(i)})(x(i),y(i)) 被称为训练示例，而我们将用来学习的数据集——m个训练示例的列表(x(i),y(