机器学习
lkw23333
御天之骑,铭刻编年,此时此刻,正乃极致之时。
展开
-
机器学习(七)——tf.keras搭建神经网络固定模式
一.总纲 import——导入相关模块 train,test——指定训练集与测试集 model = tf.keras.models.Sequential model.compile model.fit model.summary原创 2022-03-08 17:36:38 · 2604 阅读 · 0 评论 -
机器学习(六)——优化器
优化器是引导神经网络更新参数的工具鸢尾花分类的各种优化器实现(只有优化器,更新参数的部分不同)1、SGD优化器from sklearn import datasetsimport tensorflow as tfimport numpy as npfrom matplotlib import pyplot as pltimport time ##记录时间#步骤###准备数据# 数据读入# 这个就是sgd优化器的案例x_data = datasets.load_iris().d原创 2022-03-08 17:35:55 · 1132 阅读 · 0 评论 -
机器学习(五)——缓解过拟合
看图理解过拟合与欠拟合欠拟合解决方法 增加输入特征项 增加网络参数 减少正则化参数 过拟合解决方法 数据清洗 增大训练集 采用正则化 增大正则化参数 案例import tensorflow as tffrom matplotlib import pyplot as pltimport numpy as npimport pandas as pd###正则化缓解过拟合# 正则化在损失函数中引入模型复杂度指标,利用给W原创 2022-03-08 17:25:52 · 1953 阅读 · 5 评论 -
机器学习(四)——损失函数
损失函数(loss):预测值(y)与已知答案(y_)的差距,优化目标loss最小以下1与2两个案例的loss函数都是针对酸奶日销量案例1、均方误差mse损失函数import tensorflow as tfimport numpy as np###拟合的是y = x1 + x2的函数SEED = 2333rdm = np.random.RandomState(seed=SEED) # 生成0至1不包含1之间的随机数x = rdm.rand(32, 2)#生成32行 2列的特征##原创 2022-03-08 17:12:01 · 1696 阅读 · 0 评论 -
机器学习(三)——预备知识(学习率与激活函数)
预备知识import tensorflow as tfimport numpy as np# a = tf.constant([1,3,2,2,5])# b = tf.constant([0,4,1,1,6])# c = tf.where(tf.greater(a,b), a, b)#tf.where 若a > b则返回a, 否则返回b# print("c:", c)# rdm = np.random.RandomState(seed=1)#seed等于常数是使得每次产生的随机数相原创 2022-03-08 17:01:56 · 1237 阅读 · 0 评论 -
机器学习(二)——鸢尾花案例
鸢尾花数据加载from sklearn import datasetsfrom pandas import DataFrameimport pandas as pdfrom sklearn.datasets import load_irisx_data = datasets.load_iris().data##返回所有输入特征y_data = datasets.load_iris().target##返回数据集标签print(x_data)print(y_data)##添加列名x_原创 2022-03-02 21:25:37 · 1092 阅读 · 0 评论 -
机器学习(一)——熟悉tensorflow2.0
张量的生成import tensorflow as tfimport numpy as np###创建一个张量, 指定类型,判断是几维张量,直接数[的个数# a = tf.constant([1, 5], dtype= tf.int64)# print(a)# print(a.dtype)# print(a.shape)###将numpy数据转换为tensor# a = np.arange(0, 5)# b = tf.convert_to_tensor(a, dtype=tf.in原创 2022-03-02 21:22:12 · 712 阅读 · 0 评论 -
numpy学习记录
import numpy as np###numpy的创建以及基础运算#a = np.array([10,20,30,40])# a = np.array([[1,2],[3,4]])# b = np.arange(4).reshape(2,2)# print(a.dot(b))# print(a, b)#c = a * b#逐个相乘#c = np.dot(a, b)#矩阵相乘#c = b ** 2#c = np.sin(a)#print(c)# a = np.random..原创 2022-02-27 15:41:20 · 362 阅读 · 0 评论