SimonChen

https://zhuanlan.zhihu.com/p/64113429

FLOPS 注意全部大写 是floating point of per second的缩写，意指每秒浮点运算次数。用来衡量硬件的性能。FLOPs 是floating point of operations的缩写，是浮点运算次数，可以用来衡量算法/模型复杂度。CUDA 中FLOPS的计算方法如下：（1）统计您每个线程的计算次数（2）将此值乘以您的线程总数（3）统计出总时间（利用profiler或者自己计时），将2中的值（所有线程的计算次数）除以计算时间，您将得到每秒的计算次数。（4）因为3中的值往

群卷积最早出现于AlexNet中。是为了解决显存不够的问题，将网络部署在两张GTX 580显卡上训练，Alex认为group conv的方式能够增加 filter之间的对角相关性，而且能够减少训练参数，不容易过拟合，这类似于正则的效果。https://blog.csdn.net/hhy_csdn/article/details/80030468...

通常将网络中每对节点之间的连通性表示为二维矩阵。在这个矩阵中，每一行和每一列对应一个不同的节点，位于第i行和第j列交叉处的矩阵元素表示节点i和节点j之间连接的信息。这种矩阵表示通常被称为连通矩阵（connectivity matrice）。https://zhuanlan.zhihu.com/p/152489442...

https://www.zhihu.com/question/19734616?sort=created

机器学习的特征向量是指你所提取的特征组成的向量，这个特征可以是任意的，比如人的身高体重，头发的长短。。。单位也是由你自己决定的，完全看你的需求。而矩阵的特征向量(eigen vector)是线性代数里的概念。是对矩阵求解本征方程得出的向量。...

什么是类别数据？类别数据是一种只有标签值而没有数值的变量。它的值通常属于一个大小固定且有限的集合。类别变量也常被称为标称值（nominal）。下面举例说明：宠物（pet）变量包含以下几种值：狗（dog）、猫（cat）。颜色（color）变量包含以下几种值：红（red）、绿（green）、蓝（blue）。位次（place）变量包含以下几种值：第一（first）、第二（second）和第三（third）。以上例子中的每个值都代表着一个不同的类别。有些类别彼此间存在一定的自然关系，比如自然的

实现流程：1.使用pandas读取数据。利用data.iloc()函数来读取csv数据集的各行各列的数据。data.iloc(0:10,1:-1),这个意思，取得数据集的第1行到第9行，这里）0:10是[0:10),-1是指最后一行/列，2.构建模型tf.keras.Sequential（）model = tf.keras.Sequential( [ tf.keras.layers.Dense(10,input_shape=(3,),activation='rel

解决Keras 与 Tensorflow 版本之间的兼容性问题https://docs.floydhub.com/guides/environments/

# 线性回归(Linear Regression)是利用数理统计中回归分析，# 来确定两种或两种以上变量间相互依赖的定量关系的一种统计分# 析方法# 使用算法：线性回归# 实现步骤：# 1.建立工程并导入sklearn包# 2.加载训练数据，建立回归方程# 3.可视化处理import matplotlib.pyplot as plt#表示matplotlib的pyplot子库，他提...

import jiebaimport wordcloudfrom scipy.misc import imread#例子1# txt = open("threekingdoms.txt",encoding='utf-8').read()# w = wordcloud.WordCloud(width=1000, font_path='msyh.ttc', height=700)# w...

#-* coding: utf-8-*-import numpy as npimport pandas as pdfrom sklearn.impute import SimpleImputerfrom sklearn.model_selection import train_test_splitfrom sklearn.metrics import classification_rep...

import numpy as npfrom sklearn.naive_bayes import GaussianNBX = np.array([[-1, -1], [-2, -1], [-3, -2], [1, 1], [2, 1], [3, 2]])Y = np.array([1, 1, 1, 2, 2, 2])clt = GaussianNB(priors=None)clt.fi...

#导入sklearn的内嵌鸢尾花数据集from sklearn.datasets import load_iris#导入决策树分类器，同时导入计算交叉验证值的函数cross_val-scorefrom sklearn.tree import DecisionTreeClassifierfrom sklearn.model_selection import cross_val_score#...

import matplotlib.pyplot as pltfrom sklearn import decompositionfrom sklearn.datasets import fetch_olivetti_facesfrom numpy.random import RandomStaten_row, n_col = 2, 3n_components = n_row * n_...

#k近邻分类器的简单例子from sklearn.neighbors import KNeighborsClassifier#创建一组数据x和它对应的标签y:x = [[0], [1], [2], [3]]y = [0,0,1,1]#参数n_neighors设置为3，即使用最近的3个邻居作为分类的依据，其他参数保持默认值，并将创建好的实例赋值给neighneigh = KNeighbo...