机器学习
文章平均质量分 55
菜且凶残_2017
这个作者很懒,什么都没留下…
展开
-
卷积神经网络的网络层与参数的解析
参考博主:https://blog.csdn.net/weixin_41457494/article/details/86238443import torchfrom torch.autograd import Variableimport torch.nn as nnimport torch.nn.functional as F# 神经网络参数解析'''神经网络参数解析'''class Net(nn.Module): def __init__(self): sup原创 2021-06-27 10:24:58 · 181 阅读 · 0 评论 -
Epoch,Batch Size,Iterations,Episode
Epoch:One Epoch is when an ENTIRE dataset is passed forward and backward through the neural network only ONCE.神经网络对所有数据集进行一次前向和后向传播的过程Batch:divide dataset into Number of Batches or sets or parts,a Batch is one of them.将数据集分成很多份,Batch表示其中一份Batch Siz原创 2021-06-17 18:11:23 · 413 阅读 · 0 评论 -
模式识别与机器学习课程笔记——决策树和贝叶斯估计
文章目录前言1 eager learner1.1 Desicion Trees1.1.1 第一个决策树:ID3算法1.1.1.2 熵1.1.1.3 ID3实现举例1.1.1.4 剪枝问题1.1.2 决策树的特点1.1.3 其他决策树算法1.1.4 决策树特点1.2 Bayesian1.2.1 朴素贝叶斯1.2.2 朴素贝叶斯举例Naïve Bayes Classifier (NB)1.2.3 朴素贝叶斯举例Bayesian Decision1.2.3.1 最小错误率贝叶斯决策1.2.3.2 最小风险贝叶斯决原创 2021-03-28 20:23:15 · 826 阅读 · 0 评论 -
python(matplotlib9)——animation动画
文章目录前言前言来自 莫烦python的总结。from matplotlib import animationfig, ax = plt.subplots()x = np.arange(0,2*np.pi,0.01)line, = ax.plot(x,np.sin(x))def animate(i): line.set_ydata(np.sin(x+i/100)) return line,def init(): line.set_ydata(np.sin(x))原创 2021-03-04 19:59:25 · 303 阅读 · 1 评论 -
python(matplotlib8)——图中图(在figure中画多个坐标图),次坐标(两个y轴)
文章目录前言图中图次坐标(两个y轴)前言来自 莫烦python的总结。图中图left,bottom,width,height = 百分比fig = plt.figure()x = [1,2,3,4,5,6,7]y = [1,2,3,9,5,6,7]left,bottom,width,height = 0.1,0.1,0.8,0.8 #figure的百分比ax1 = fig.add_axes([left,bottom,width,height])ax1.plot(x,y,'r')ax1.原创 2021-03-03 22:57:40 · 1727 阅读 · 1 评论 -
python(matplotlib7)——subplot 一个figure中国显示几个小图 分格显示
文章目录前言均等分割不均等分割前言来自 莫烦python的总结。均等分割plt.figure()plt.subplot(2,2,1) # 分成两行两列,第一个图plt.plot([0,1],[0,1])plt.subplot(2,2,2) # 分成两行两列,第二个图plt.plot([0,1],[0,1])plt.subplot(223) # 分成两行两列 不加逗号也okplt.plot([0,1],[0,1])plt.subplot(2,2,4) # 分成两行两列,第四个图原创 2021-03-01 20:54:41 · 1115 阅读 · 0 评论 -
python(matplotlib6)——打印图像(imshow)3D数据(contourf等高线)
文章目录前言打印图像 imshow3D图像 Axes3D前言来自 莫烦python的总结。打印图像 imshowa = np.array([0.313,0.365,0.423, 0.365,0.439,0.525, 0.423,0.525,0.651]).reshape(3,3)plt.imshow(a,interpolation='nearest',cmap='bone',origin='lower') # origin: 升序降序排列颜色原创 2021-02-27 20:36:48 · 1562 阅读 · 0 评论 -
python(matplotlib5)——Contours 等高线图
文章目录前言Contours 等高线图前言来自 莫烦python的总结。Contours 等高线图def f(x,y): return (1-x/2+x**5+y**3)* np.exp(-x**2-y**2)n=256x=np.linspace(-3,3,n)y=np.linspace(-3,3,n)X,Y = np.meshgrid(x,y) # 至于为什么用这个meshgrid请参考这篇博文:划线的时候,一个X中的元素对应一行Y,https://blog.csdn.net/原创 2021-02-26 22:16:30 · 504 阅读 · 0 评论 -
python(matplotlib4)——Scatter 散点图,Bar柱状图(方向:向上,向下),柱状图添加注释
文章目录前言scatter 散点图Bar柱状图(方向:向上,向下)前言来自 莫烦python的总结。scatter 散点图n =500X = np.random.normal(0,1,n) # 正态分布,参数分别为(均值,标准差,size)Y = np.random.normal(0,1,n)T = np.arctan2(Y,X) # for color valueplt.scatter(X,Y,s=75,c=T,alpha=0.5) # c 颜色plt.xlim((-1.5,1.5)原创 2021-02-25 21:10:25 · 1159 阅读 · 1 评论 -
python(matplotlib3)——ticks(坐标刻度)能见度
文章目录前言ticks(坐标刻度)能见度前言来自 莫烦python的总结。ticks(坐标刻度)能见度x = np.linspace(-3,3,50)y = 0.1*xplt.figure()plt.plot(x,y,linewidth=10,zorder=1) # 能见度等级plt.ylim(-2,2)ax=plt.gca()ax.spines['right'].set_color('none') # 消除右边框ax.spines['top'].set_color('none'原创 2021-02-24 22:40:41 · 1416 阅读 · 4 评论 -
python(matplotlib2)——legend图例,Annotation图片注解
文章目录前言legend 图例将figure的边框消除figure中设置x,y坐标轴位置Annotation图片注解标注一个点更多标注前言来自 莫烦python的总结。legend 图例x = np.linspace(-1,1,50)y1=2*x+1y2=x**2l1,= plt.plot(x,y2,label='up')l2,= plt.plot(x,y1,color='red',linewidth=1.0,linestyle='--',label='down')#若想将这个传入legen原创 2021-02-22 22:35:35 · 521 阅读 · 0 评论 -
python(matplotlib1)——figure图像,坐标设置
前言来自 莫烦python的总结。figure图像画多个图x = np.linspace(-1,1,50)y1=2*x+1y2=x**2plt.figure(num='图1',figsize=(8,5)) # 画多个图plt.plot(x,y1)plt.figure(num='图2')plt.plot(x,y2)plt.plot(x,y1,color='red',linewidth=10.0,linestyle='--') #在图2中画一条粗虚线设置坐标轴给坐标轴设置范围和名称原创 2021-02-21 23:05:52 · 2982 阅读 · 0 评论 -
python(numpy,pandas12)——pandas plot 画图
文章目录前言plot.scatter前言根据 莫烦Python的教程 总结写成,以便自己复习和使用,这里我就不哟林地挂原创了????。data = pd.DataFrame(np.random.randn(1000,4), index = np.arange(1000), columns = ['A','B','C','D'])data = data.cumsum()print(data.head()) # 取出前五行原创 2021-02-19 22:18:19 · 148 阅读 · 0 评论 -
python(numpy,pandas10)——pandas 合并数据 concat,append
文章目录前言concat参数axis,ignore_index参数joinappendappend添加一个数据索引不同的数列前言根据 莫烦Python的教程 总结写成,以便自己复习和使用,这里我就不哟林地挂原创了????。concat参数axis,ignore_indexdf1 = pd.DataFrame(np.ones((3,4))*0,columns=['a','b','c','d'])df2 = pd.DataFrame(np.ones((3,4))*1,columns=['a','b'原创 2021-02-18 23:11:22 · 345 阅读 · 0 评论 -
python(numpy,pandas9)——pandas 导入导出数据
文章目录前言用于导入导出数据的函数前言根据 莫烦Python的教程 总结写成,以便自己复习和使用,这里我就不哟林地挂原创了????。用于导入导出数据的函数read_csv read_pickle read_excelto_csv to_pickle to__exceldata = pd.read_csv('student.cvs')data.to_pickle('student.pickle') # 保存成pickle文件...原创 2021-02-18 14:34:29 · 199 阅读 · 1 评论 -
python(numpy,pandas8)——pandas大范围赋值和增加特定数据,处理丢失数据(nan)
文章目录前言pandas大范围赋值增加空数据处理丢失数据(nan)isnull:查看哪个数据是nandropna:直接丢掉fillna:赋值为0前言根据 莫烦Python的教程 总结写成,以便自己复习和使用,这里我就不哟林地挂原创了????。pandas大范围赋值dates = pd.date_range('20200209',periods=6) #以日期的格式形成的数据df = pd.DataFrame(np.arange(24).reshape(6,4),index=dates,column原创 2021-02-18 14:18:59 · 613 阅读 · 0 评论 -
python(numpy,pandas7)——pandas的数据选择
文章目录前言直接取某些数据loc:通过label取某些数iloc:通过行数和列数取某些数前言根据 莫烦Python的教程 总结写成,以便自己复习和使用,这里我就不哟林地挂原创了????。直接取某些数据dates = pd.date_range('20200209',periods=6) #以日期的格式形成的数据df = pd.DataFrame(np.arange(24).reshape(6,4),index=dates,columns=['a','b','c','d']) # index 行;c原创 2021-02-18 10:00:29 · 136 阅读 · 1 评论 -
python(numpy,pandas6)——pandas数据形式的简介,排序方式sort_index,sort_values
文章目录前言Series data_range DataFramepandas的属性查看方法pandas 排序前言根据 莫烦Python的教程 总结写成,以便自己复习和使用,这里我就不哟林地挂原创了????。Series data_range DataFramepandas的数据类型更像是字典形式的numpydates = pd.date_range('20200209',periods=6) #以日期的格式形成的数据df=pd.DataFrame(np.arange(24).reshape(6原创 2021-02-17 17:37:00 · 403 阅读 · 1 评论 -
python(numpy,pandas5)——numpy中copy 和 deep copy
文章目录前言copydeep copy前言根据 莫烦Python的教程 总结写成,以便自己复习和使用,这里我就不哟林地挂原创了????。copya8 = np.arange(4)b8 = a8c8 = a8d8 = b8a8[0] = 11print(a8,b8,c8,d8)# pyhton 中赋值是完完全全相等的,改变其中一个,其他的都会改变,所以这就需要其他的copy方法。deep copy用numpy中的copy函数就可以避免python copy中的尴尬b8 = a8.co原创 2021-02-17 16:19:08 · 395 阅读 · 0 评论 -
python(numpy,pandas4)——numpy中array合并和分割
前言根据 莫烦Python的教程 总结写成,以便自己复习和使用,这里我就不哟林地挂原创了????。合并垂直合并,水平合并a6 = np.array([1,1])# array([1, 1])b6 = np.array([2,2])# array([2, 2])c6 = np.vstack((a6,b6)) # vertical stack 垂直合并# c6 = array([[1, 1],# [2, 2]])# 从这里也可以看出,np.array 生成的是一个行向量d6 =原创 2021-02-16 20:48:13 · 521 阅读 · 2 评论 -
python(numpy,pandas3)——numpy索引
前言根据 莫烦Python的教程 总结写成,以便自己复习和使用,这里我就不哟林地挂原创了????。取某一行,某一列,某行的某几列的数据a5 = np.arange(3,15).reshape((3,4))print(a5[2][1])# 等价于print(a5[2,1])print(a5[2,:]) # 第二行print(a5[:,1]) # 第一列print(a5[1, 1:3]) # 第一行1——2列的元素,发现numpy中上限总是取不到,例如arange(3,15)就只是3——12取原创 2021-02-16 19:39:52 · 143 阅读 · 1 评论 -
python(numpy,pandas2)——numpy 运算
前言根据 莫烦Python的教程 总结写成,以便自己复习和使用,这里我就不哟林地挂原创了????。numpy 运算对每个元素求sin,对每个元素求平方,每个元素对应相乘。a3 = np.array([10,20,30,40])b3 = np.arange(4)c3 = np.sin(a3) #对每个元素求sind3 = a3**2 # 对每个元素求平方e3 = a3 * b3 #每个元素对应相乘f3 = np.dot(a3,b3) # 矩阵相乘 a3.dot(b3)print(a原创 2021-02-13 20:11:41 · 157 阅读 · 1 评论 -
python(numpy,pandas1)——numpy(ndim,shape,size,zero, empty, arange, linspace)
前言根据 莫烦Python的教程 总结写成,以便自己复习和使用,这里我就不哟林的挂原创了????。numpy属性ndim,shape,size# 1. numpy属性array1 = np.array([[1,2],[3,4]]) # 将一个列表变成数组矩阵,加速运算list = [[1,2],[3,4]]# print(array1)# print(list)#在list中只是列表## print(array1.ndim)# 数组的列维度# print(array1.shape)# 几原创 2021-02-13 17:52:31 · 325 阅读 · 1 评论 -
信息论1——信源(单符号离散信源,多符号离散信源)
信源信号,消息,信息信号(像素点)是一个个符号,电信号,光信号等。消息(图像)由信号组成,是符号串。信息来源于消息,是一种不确定性的消除=先验不确定性(通常由统计确定)I(X)-后验不确定性(通常由观察确定)I(X|Y)=互信息。单符号离散信源自信量(信息量,符号的先验不确定性) 自信量是信源发出消息ai前,接收端对信源发ai的不确定性,它表示ai含有的全部信息量。无损信道能够使得不确定性完全消除。(就是说如果消息ai的发生概率小,那么接收端就感觉接收到它的概率就小,那么接收端就对消息a.原创 2021-01-06 19:23:57 · 5975 阅读 · 1 评论 -
信息论4—无失真信源编码(非延长码,霍夫曼编码)
无失真信源编码单义可译码码字非奇异,码字序列非奇异。单义可译定理——克拉夫不等式非延长码(即时码,在无失真信源编码中,常采用此码)延长码:部分码字是其它码字的前缀。100是10的延长码,01就不是001的延长码。接收端接收到一个完整的码字后,不能立即译码,还需要等待下一个码字开始接收后才能判断是否译码。非延长码一定是单义可译的单义可译的不一定是非延长码平均码长码率平均码长界定定理香农第一定理无记忆有记忆霍夫曼编码(计算题)(最佳码)r元霍夫曼原创 2021-01-15 20:39:04 · 3397 阅读 · 0 评论 -
信息论4—多符号离散信道,单维连续信道
文章目录多符号离散信道多符号离散信道容量信道的剩余度单维连续信道平均交互信息量连续信道的信道容量高斯加性信道的信道容量信道的剩余度单维连续信道平均交互信息量连续信道的信道容量高斯加性信道的信道容量多符号离散信道 总体上看,多符号离散信道是单符号信道的N次扩展信道,就是信道的输入是一个随机矢量,输出也是一个随机矢量。 I(X⃗;Y⃗)=I(X1X2⋯XN;Y1Y2⋯YN)≤∑k=1NI(Xk;Yk)\mathrm{I}(\vec {\mathrm{X}} ; \vec {\mathrm{Y}})=\ma原创 2021-01-14 19:52:20 · 1378 阅读 · 0 评论 -
信息论3——信道(单符号离散信道,互信息,各种熵)
信道单符号离散信道 信源发出X=a,经过信道,信宿出现符号b的概率:“a出现的前提下出现b的条件概率”,也就是说P(b/a)P(b/a)P(b/a)体现了信道对输入符号的传递作用。互信息(这才是信息) 这里就是说,一开始信源传递a,由于信道的噪声干扰I(b/a)I(b/a)I(b/a),信宿得到了b,那么互信息就是信宿得到b后对符号a的不确定性的消除。I(a;b)=I(a)−I(a/b)=I(b)−I(b/a)I(a;b)=I(a)-I(a/b)=I(b)-I(b/a)I(a;b)=I(a)−原创 2021-01-13 19:21:22 · 4136 阅读 · 0 评论 -
信息论2——单维连续信源
信源输出的消息是时间和取值都连续的随机函数,连续信源可以用一个随机过程{x(t)}表示,其输出的消息是随机过程{x(t)}中的一个样本函数。我们可以用概率密度的形式来进行描述:[X□P]:{X:[a,b]( 或 R)P(X)p(x)[X \square P]:\left\{\begin{array}{ll}X: & {[\mathrm{a}, \mathrm{b}](\text { 或 } \mathrm{R})} \\ P(X) & \mathrm{p}(\mathr原创 2021-01-13 19:16:47 · 941 阅读 · 0 评论 -
tensorflow,显卡驱动,CUDA傻傻分不清
CUDA和NVIDIA (1)CUDA是NVIDIA推出的用于自家GPU的并行计算框架,与NVIDIA的显卡驱动是两回事。 (2)NVIDIA显卡驱动和CUDA并不具有一一对应的关系,可能有多个关系,只是离线安装的CUDA工具包(CUDA ToolKit)会默认携带与之匹配的最新的驱动程序。 (3)所以最好先选择安装驱动,再安装相匹配的CUDA包 tensorflow和 CUDA,NVIDIA对应的版本...转载 2020-11-21 22:04:04 · 618 阅读 · 0 评论 -
详细推导PCA算法(包括算法推导必备的知识)
提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档文章目录1. PCA优化目标2.理论依据2.1 矩阵换基底2.2 拉格朗日乘子法2.3 协方差矩阵2.4 特征向量和奇异值分解2.4.1 特征向量奇异值分解2.4.3 特征向量和奇异值分解的关系3 PCA3.1 PCA推导3.2 PCA过程总结前言该文章转载自https://blog.csdn.net/QQ2627866800/article/details/86656237自己做了点修订1. PCA优化目标用较少特征地数据转载 2020-10-28 16:37:56 · 2227 阅读 · 3 评论