qq_37278786的博客

全连接神经网络对mnist数据集有着不错的表现，mnist数据集的分辨率只用28*28，是单通道的图片。但是在实际生活中图片的分辨率会很大，并且是彩色三通道图片。实际应用时会先对原始图像进行特征提取，再把提取到的特征送入全连接神经网络，让全连接的神经网络识别出结果。卷积过程介绍卷积计算可认为是一种有效提取特征的方法。一遍会用一个正方形的卷积核，按指定步长，在输入特征图上滑动，遍历输入特征图中每一个像素点。每一个步长卷积核会与输入特征出现重合区域，重合区域对应元素相乘，对应元素相乘并求和再加上

mnist数据集是70000张28*28像素的图片，其中60000张用来训练，10000张用于测试。mnist数据集探索：import tensorflow as tffrom matplotlib import pyplot as pltmnist = tf.keras.datasets.mnist(x_train, y_train), (x_test, y_test) = mnist.load_data()# 可视化训练集输入特征的第一个元素plt.imshow(x_train[0],

tf.Sequential()只能构建顺序网络结构，即上一层的输出作为下一层的输入。如果想要构建跳连的非顺序网络结构，需要使用class类构建网络结构。代码示例：import tensorflow as tffrom tensorflow.keras.layers import Densefrom tensorflow.keras import Modelfrom sklearn import datasetsimport numpy as npx_train = datasets.load

六步法importtrain，testmodel = tf.keras.models.Sequentialmodel.compilemodel.fitmodel.summarymodel = tf.keras.models.Sequential([网络结构])常见网络结构举例拉直层：tf.keras.layers.Flatten()全连接层：tf.keras.layers.Dense(神经元个数, activation=‘激活函数’, kernel_regularizer=正则化方式)

zip()函数将可迭代对象作为参数。按照第一维度打包成元组，返回打包成元组的列表。l1 = [1, 2, 3, 4]l2 = ['a', 'b', 'c']# l1 与 l2长度不一致时按最短长度打包元组for i in zip(l1, l2): print(i)# 输出# (1, 'a')# (2, 'b')# (3, 'c')# *理解为解压，与zip功能相反l3 = [[1, 'a'], [2, 'b'], [3, 'c']]for i in zip(*l3):

tensorflow中的Tokenizer函数

NLP中unicode文本处理Unicode字符标转化将unicode文件转化为ascii。import unicodedatadef unicode_to_ascii(s): return ''.join(c for c in unicodedata.normalize('NFD', s))在标点与单词之间加入空格def preprocess_sentence(s): import re # 需要处理的标点 punctuation = ',.?!' pre

Python多进程处理文件如果你处理的文件之间相互之间没有影响，并且产生的结果相互独立，即不会产生脏数据。可以用进程池的方法加快处理速度。下面是一个例子，你们可以根据自己的需求改写代码。import import concurrent.futuresdef fun(i): count = 0 while True: if count > i * 99999999: ...