机器智能
文章平均质量分 87
麓山君陌
在校科研生
展开
-
模式识别与机器识别考试重点
一、SVM:1、相比于传统线性回归、逻辑回归的优势是什么?(1)预测结果是介于0和1之间的概率(2)可以适用于连续性和类别性自变量,适合二分类问题,不需要缩放输入特征(3)简单易理解,模型的可解释性非常好,从特征的权重可以看到不同的特征对最后结果的影响(4)训练速度较快,分类的时候,计算量仅仅只和特征的数目相关2、支持向量是什么,如何确定?在支持向量机中,距离超平面最近的且满足一定条件的几个训练样本点被称为支持向量。3、多元SVM如何设计?SVM算法最初是为二值分类问题设计的,当处理多类问原创 2021-01-06 14:31:10 · 1008 阅读 · 0 评论 -
机器智能(十一)
1、相似性度量:a、数据库存储后台多媒体数据(包含多个多媒体对象P),每个对象表示成d维向量形式b、查询Q:从查询对象中抽取的d维特征向量c、度量:计算P与Q之间的相似性或者距离D(P,Q),其中D是距离度量函数2、典型的相似性度量公式:a、L-P方程P=2为Euclidean距离带权值的L-P方程b、Quadratic方程A为相似性矩阵3、基于样本的查询:a、用户提供一个查询图像,通常为数字图像用户手工画的轮廓简单的线条浏览的图像b、系统根据用户提供的图像样本返原创 2020-06-18 16:22:37 · 2143 阅读 · 0 评论 -
机器智能(十)
1、语言:有限字符串组成的集合2、语法:用来描述语言的规则的集合3、语言存在歧义性,自然语言规模大,且不断变化4、最简单的语言模型:字符序列的概率分布5、n元组:长度为n的书写符号序列,即字母6、n元模型:n个字符序列上的概率分布,可以定义为n-1阶的马尔科夫链7、三元模型中字符序列的概率:如P(the)=p(t)p(h|t)p(e|th)应用:语言识别,建立对每种候选语言的三元模型,只针对于字符语言,汉语不行。8、n元模型需要提供对于语料真实概率分布的估计值a、普通字符的估计比较准,原创 2020-06-18 16:21:07 · 1919 阅读 · 0 评论 -
机器智能-高频问题:目标检测经典算法(YOLO算法)
2、YOLO算法:a、核心思想:输入:利用整张图作为网络的输入输出:直接在输出层回归bounding box的位置和bounding box所属的类别b、不用单独提取候选区域,速度快c、bounding box:包括四个坐标(x,y,w,h),人为设置的真实框,类似于数据标签。d、真实框:人工标注的包含有对象的bounding boxe、锚框(anchor):人为构造出来的假想框。其长宽是认为设置的,用于解决对象的多尺度问题,类似于机器学习里面的样本。以某个中心点(神经网络随机得到)为中心,以原创 2020-06-07 18:03:18 · 2723 阅读 · 0 评论 -
机器智能-高频问题:目标检测算法
6、计算机中的图像语义感知a、Image Segmentation:将语义对象的位置进行分块,根据语义来进行图像位置的划分。b、Image Classification:根据图像的特征来进行图像类别的判断c、Object Detection:综合以上两者,目标检测,既要找到图像的位置,又要判断图像的语义。d、Image Captioning:将所得到的信息用自然语言进行组织7、目标检测:找出图像或者视频中所有感兴趣的目标(物体), 确定它们的类别和位置。问题包括:计算机中的图像是如何表示的?目标检原创 2020-06-07 18:01:29 · 2441 阅读 · 0 评论 -
机器智能-高频问题:经典CNN网络
5、经典CNN网络a、lenet:只有两个卷积层、两个池化层、两个全连接层,结构很简单。主要用于识别10个手写邮政编码数字,5*5卷积核,stride=1,最大池化。b、alexnet:结构更加复杂。三个池化、四个卷积层,三个全连接。开启了卷积学习和深度学习的先河。他的效果比第二名的效果拉开了很大的距离。c、VGG-16:进一步增加了网络的层次(very deep),提出了一种小卷积核的理论。用小卷积核同样可以达到好的效果,减少了参数,提高了运行速度。d、resnet-50:提出了一个残差原创 2020-06-07 18:00:17 · 2090 阅读 · 0 评论 -
机器智能-高频问题:卷积神经网络优化
1、Batch Normalization:a、可以简单理解为归一化,将值压缩到0-1之间,并且求和的值为1b、当一批数据(batch)到达时(不一串行,一个一个,而是并行,所有数据全部计算完错误率后统一更新参数),进行一个normalization的操作。c、逐层尺度归一(零均值方差归一,scale和shift)d、Normali避免了梯度消失和梯度溢出。e、BN可以加速收敛5倍~20倍, 作为一种正则化技术也提高了泛化能力。2、反向传播训练:a、卷积+池化 = 特征提取器b、全连接层 =原创 2020-06-07 17:59:40 · 2297 阅读 · 0 评论 -
机器智能-高频问题:Lenet框架&卷积神经网络概念
4、Lenet框架(最简单的卷积神经网络)数字分类网络a、名词①、comvolutions:卷积层②、subsamping:池化层③、full connection:全连接层b、一个完整的CNN卷积层和池化层负责特征提取。全连接层负责预测,产生一个概率。如果是单分类问题,全连接层的概率相加为1。当该图作为输入的时候,网络正确的给船的分类赋予了最高的概率(0.94)。输出层的各个概率相加应为1。卷积神经网络主要执行了四个操作:①、卷积②、激活函数(ReLU)③、池化或下采样④原创 2020-06-07 17:57:26 · 2174 阅读 · 0 评论 -
机器智能-高频问题:EM算法
3、EM算法(Expectation maximization),是无监督学习的一种a、期望最大算法,通过观察数据来学习参数,学到的参数能够满足使得观察数据以最大的可能性出现。与极大后验假说类似。b、应用:聚类给定一些观察数据x,假定x符合如下的混合高斯分布:混合高斯分布是指有多个高斯分布密度函数将他们组合起来。即有多聚类(聚合中心点)。求混合高斯分布的三组参数:μk、σk、 πkπk是高斯核的权重,即每个聚类中心点的重要性。c、聚类初始阶段:开始的数据形式。数据x属于哪个类是未知的,每个原创 2020-06-07 17:54:37 · 2125 阅读 · 0 评论 -
机器智能-高频问题:糖果问题
糖果问题:a、问题描述:有两种糖,放入五种数目不定的袋子中,然后随机选一个袋子,并从中随机抽取一定数目的糖果,要求预测选出的袋子是哪一种袋子?以及下一个糖果是什么口味的?b、问题解析:①、相当于在已知拿出的糖的情况下,属于哪个袋子的概率,即:已知糖为d的情况下为袋子hi的概率=参数x从hi袋子中拿出糖d的概率x袋子为hi的先验概率②、相当于在已知拿出的糖的情况下,得到下一个糖的概率,即:已知糖为d的情况下下一个糖为X的概率=对不同的袋子hi求和(已知糖为d 的情况下当前袋子为hi的概率x从原创 2020-05-27 14:30:04 · 2649 阅读 · 0 评论 -
机器智能(九)
1、前向连接算法:从知识库的原子语句出发,在前向推理中应用假言推理规则,增加新的原子语句,直到不能进行任何推理a、首先进行实例化的置换,得到CNF,然后进行前向连接。b、前向连接步骤:①、扫描整个知识库,找到所有的实例化的事实(谓词),凡是有变量的都不是实例化的谓词②、通过所有实例化的事实去置换所有的含有变量的事实(谓词),进行匹配,将可以进行置换的语句进行置换(实例化)③、将新得到的实例化的事实加入到知识库中,并继续进行置换,直到得到结论。c、举例:首先,得到知识库:然后,查看哪些是原创 2020-05-14 16:52:14 · 3303 阅读 · 0 评论 -
机器人项目:智能寻迹小车
大一下学期的时候做的一个智能小车寻迹的项目,还是很成功的。当时我负责的是部分的焊接、硬件组装以及全部的代码改写工作,的确付出了很多心血。最后测评的时候老师给了优。总之还是很不错的,记录一下。一、基本功能描述:1、基本循迹功能(红外)2、基本避障功能(红外)3、改良横跨黑线的功能(用于十字路口或横向黑线干扰)4、改良转直角弯的功能(通过前后轮的差速顺畅通过直角弯)5、遥控转换模式功能6...原创 2020-04-12 12:18:59 · 11146 阅读 · 6 评论 -
机器智能-高频问题:归一化&条件独立性&贝叶斯规则&机器人开门问题
先验概率和后验概率就不说了,直接进入归一化正题:1、归一化:a、目标:给定条件变量E的值e,计算查询变量Y的后验联合分布P(Y|E=e).b、步骤:①、确定隐藏变量H=X-E-Y,其中X是变量总集条件概率=联合概率*规划因子,规划因子的值为1/P(E=e)②、c、条件变量(这里是E),查询变量(要得到的变量,这里是Y),隐藏变量(这里的H,是所有变量-查询变量-条件变量)d、两个变...原创 2020-04-08 17:21:06 · 3393 阅读 · 0 评论 -
机器智能(八)
1、两个著名的命题搜索推理算法:a、DPLL算法b、不完备的局部搜索算法(walksat algorithm)2、DPLL算法:a、目标:判断逻辑语句(CNF)是否是可满足的。b、实际上也是枚举算法,即改进的真值表枚举算法。首先找到纯符号、递归,再找单元子句、递归,最后去除了纯符号和单元子句后的语句进行枚举。思想是只要部分符号有效就可以推导出语句有真值,而不需要讨论全部符号。c、比枚举...原创 2020-04-03 21:17:02 · 3475 阅读 · 0 评论 -
机器智能(七)
1、复合语句评估:a、若S1->S2为真T,则S1 T S2 T/S1 F S2 T/S1 F S2 Fb、若S1->S2为假F,则S1 T S2 F2、怪兽问题:真值表枚举算法,递归实现3、真值表枚举算法:2^n的时间复杂度,n的空间复杂度a、每个命题的值在真值表中直接指定b、真值表表示了所有可能的模型4、逻辑等价:如果两个语句在任何模型中同为真或者同为假,则逻辑等价...原创 2020-04-03 21:14:13 · 2703 阅读 · 0 评论 -
机器智能-高频问题:一阶逻辑归结
4、归结:a、与命题逻辑相比,有一个置换的过程b、这k+n个元素中至少有两个为真,其中l有一个,m有一个c、因为li和!mj是一致的,在θ下是可置换的,所以在θ置换下,删除这两个元素之后,结果依然为真d、举例:e、步骤:①、CNF化,将知识库中的所有知识转换为CNF②、KB(知识库)和否a(结论)进行消元③、如果得到空,证明KB可推出a④、如果不为空,证明KB不可推出af...原创 2020-04-03 21:10:30 · 3018 阅读 · 0 评论 -
机器智能-高频问题:一阶逻辑转化合取范式
3、一阶逻辑转化合取范式CNF:a、步骤:①、消除蕴含词②、将否定符号内移③、变量标准化:每个量词应该使用不同的符号④、skolem化,消除存在量词任何x存在y=>y由x决定,y=f(x)任何x任何y=>y与x无关,x=x,y=y存在x任何y=>y与x无关,x=常量,y=y存在x存在y=>y与x无关,x=常量1,y=常量2⑤、消除全称量词⑥、将∩分配到...原创 2020-04-03 21:07:34 · 4572 阅读 · 0 评论 -
机器智能-高频问题:反向链接算法
2、反向连接算法:a、快,但不完备b、从结论推出前提然后进行匹配。:①、扫描知识库,找到结论为最终结论的事实②、将找到的结论中的相应的变量进行置换,得到新的实例化后的结论③、以新的实例化后的结论为目标,找到能够推导出该结论的前提条件④、将找到的前提条件中的相应变量进行置换⑤、重复,直到与知识库中的已知条件相吻合c、举例:题目同上首先,找到能推导出结论的前提条件然后,找出能推...原创 2020-04-03 21:06:01 · 3020 阅读 · 0 评论 -
机器智能-高频问题:前向连接算法
1、前向连接算法:从知识库的原子语句出发,在前向推理中应用假言推理规则,增加新的原子语句,直到不能进行任何推理a、首先进行实例化的置换,得到CNF,然后进行前向连接。b、前向连接步骤:①、扫描整个知识库,找到所有的实例化的事实(谓词),凡是有变量的都不是实例化的谓词②、通过所有实例化的事实去置换所有的含有变量的事实(谓词),进行匹配,将可以进行置换的语句进行置换(实例化)③、将新得到的...原创 2020-04-03 21:04:28 · 4431 阅读 · 2 评论 -
机器智能-高频问题:一阶逻辑退化到命题逻辑
一阶逻辑退化到命题逻辑:a、每一个一阶逻辑的知识库都能被命题化b、思路:实例化KB和查询(即实例化);归结;返回结果c、命题逻辑导致的知识库的扩张可能是无限的(当包含涵词的时候,对象无限多可能会导致知识库无限扩张)d、命题化可能产生许多无关语句e、对于p个k阶谓词(谓词中有多少个参数)和n个常数(参数可以用多少个常数代替),共产生pn^k个实例化合一操作:unitfy(p,q)=θ,θ...原创 2020-04-01 16:36:00 · 2172 阅读 · 0 评论 -
机器智能-高频问题:DPLL算法&walksat算法
DPLL算法DPLL算法是一种判断逻辑语句(CNF)是否可满足的算法。实际上也是枚举算法,即改进的真值表枚举算法。首先找到纯符号、递归,再找单元子句、递归,最后去除了纯符号和单元子句后的语句进行枚举。思想是只要部分符号有效就可以推导出语句有真值,而不需要讨论全部符号。比枚举算法的改进①、及早终止算法:如果其中任意一个文字为真则一个子句是真;如果搜索的文字都为假则一个子句为假②、纯符号启...原创 2020-04-01 16:31:32 · 6130 阅读 · 0 评论 -
机器智能(六)
1、应用约束传播缩小值域范围后开始使用搜索算法来得到最终结果。2、通用搜索模式:输入是一个CSP问题,输出是一个解决方案。a、转态是由赋值的变量决定的b、初始状态设为空{}c、步骤:给一个没有赋值的变量赋值,该赋值不与当前已赋值的变量相冲突d、目标测试:如果所有的赋值完成且满足终止状态,则搜搜结束e、CSP适用于通用的搜索模式,并采用深度搜索方法3、CSP搜索树大小:a、变量ab...原创 2020-03-29 19:11:30 · 2055 阅读 · 0 评论 -
机器智能-高频问题:归结算法
为证明KB|=a是有效的,需要证明(KB∩!a)是不可满足的举例:KB=(B11<=>(P12∪P21))∩!B11a=!P12想要证明KB∩!a是不可满足的,即(((B11<=>(P12∪P21))∩!B11)∩P12)是不可满足的解题空间:1、转换为合取范式①(((B11<=>(P12∪P21))∩!B11)∩P12)原式②(((!B1...原创 2020-03-26 13:44:00 · 3013 阅读 · 0 评论 -
机器智能(五)
1、前向剪枝:无需进一步考虑直接剪枝一些子节点(横向剪枝)a、模拟人的思考方式,人只会思考几百步棋中的几步b、柱搜索:每一层只考虑最好的n步棋。可能导致最佳的行棋方法被剪掉c、pnobcut算法:使用先验的统计信息在一定程度上保护最佳行棋不被剪掉,根据历史的经验和一定的先验统计信息(类似于人类的棋谱),使剪枝可能在(a,b)之外2、搜索与查表:a、开局时的行棋大多依赖于人类的专业知识b...原创 2020-03-23 21:08:17 · 2079 阅读 · 0 评论 -
机器智能(四)
1、局部束搜索:a、随机产生k个状态,然后每一步从所有的后继状态中选择k个最佳的后继状态(也有健康度函数,详见下文)直到找到目标状态(内存中同时保留k个状态),增大了找到全局最优的概率。b、相当于多个人去找,或者多次爬山法。c、状态越多,找到最优的可能性越大d、空间复杂度高;时间复杂度大;来自同一个父节点的子节点可能非常相似,可能导致同样的一个局部最优,从而减小了找到全局最优的可能性。e...原创 2020-03-23 21:07:26 · 2013 阅读 · 0 评论 -
机器智能-高频问题:怪兽问题
描述是这样的:在一个迷宫里面,有一个人在起始的位置上,他的目标是从迷宫中走出去,其中pit为黑洞(不能行走,边上有风),怪兽(不能行走,边上有臭味),金子(可以得到金钱,金光),人有一把剑他的任务环境(PEAS)是这样的:性能度量:带金子+1000,死亡-1000,一个行动-1,用掉剑-10,agent(人)死亡或者走出迷宫结束环境:①、邻接怪兽的方格感到臭味②、邻近黑洞感到微风③、...原创 2020-03-20 21:42:21 · 2547 阅读 · 0 评论 -
机器智能-高频问题:CSP搜索
CSP搜索的作用就是在应用约束传播缩小值域范围后开始使用搜索算法来得到最终结果。首先来看一下通用搜索模式:输入是一个CSP问题,输出是一个解决方案。a、转态是由赋值的变量决定的b、初始状态设为空{}c、步骤:给一个没有赋值的变量赋值,该赋值不与当前已赋值的变量相冲突d、目标测试:如果所有的赋值完成且满足终止状态,则搜搜结束e、CSP适用于通用的搜索模式,并采用深度搜索方法f、缺点:...原创 2020-03-20 21:21:42 · 2564 阅读 · 0 评论 -
机器智能-高频问题:AC-3算法
概述:是一种约束传播算法,即在得到约束条件和值域的情况下,算出所有变量满足约束条件的取值范围。注意,AC-3算法能够处理的只有二元约束,即弧相容的情况,或者说在约束条件中任何一个约束条件都只包含了两个一下的变量。算法步骤:1、首先,将所有的二元组(弧)入队2、二元组一个个出队,出队的时候确定一个为固定的值,另一个可变3、对可变变量的值域进行调整,剔除不满足的值4、如果值域发生改变,将与...原创 2020-03-18 21:52:05 · 6188 阅读 · 3 评论 -
机器智能-高频问题:博弈
1、博弈:竞争环境中多个agent之间的目标是有冲突的,称为对抗搜索问题,也称为博弈。2、特点:问题复杂,注重时间效率(时间要求高),实时性强;3、博弈一般都是有完整信息的,确定的,轮流行动的,两个游戏者的零和游戏(利弊等值,结果加起来等于0)4、零和游戏:在严格竞争下,一方的收益必然意味着另一方的损失,博弈各方的收益和损失相加总和永远为“零”,双方不存在合作的可能5、博弈游戏,目的是寻找...原创 2020-03-12 16:40:32 · 2142 阅读 · 0 评论 -
机器智能-高频问题:局部束搜索&遗传算法
1、局部束搜索:a、随机产生k个状态,然后每一步从所有的后继状态中选择k个最佳的后继状态(也有健康度函数,详见下文)直到找到目标状态(内存中同时保留k个状态),增大了找到全局最优的概率。b、相当于多个人去找,或者多次爬山法。c、状态越多,找到最优的可能性越大d、空间复杂度高;时间复杂度大;来自同一个父节点的子节点可能非常相似,可能导致同样的一个局部最优,从而减小了找到全局最优的可能性。e...原创 2020-03-12 15:59:54 · 3505 阅读 · 0 评论 -
机器智能-高频问题-局部搜索算法
首先,什么是局部搜索算法?某些问题中,不是找到目标状态的路径,而是目标状态本身a、从当前状态出发,通过行为到达他的邻近状态而不保留搜索路径b、优点:很少的内存、能在很大或无限的状态空间中找到合理的解爬山法只要发现上坡就向上爬,直到当前位置周围只有下坡空间复杂度不高不一定找得到最优解,只能找到局部最优解不完备,比方说n皇后问题这个很好理解吧,我就不做解释了模拟退火算法爬山法每次...原创 2020-03-08 21:53:47 · 1888 阅读 · 0 评论 -
机器智能-高频问题-有信息搜索算法
无信息搜索是只有信息的一些真实的条件,那么有信息搜索就是除了真实的条件还有一些估计的条件,以让我们能够定义评价函数。简单地将,就是我们现在知道了,目标距离我们大概有多远,注意,是大概!大概!大概!!估计值是有信息搜索的重点之一,好的估计函数可以大大提高算法的性能。最佳优先搜索基本思路:通过对每一个节点计算评价函数f(n)值,找到一个f(n)最低的未扩散的节点。和一致代价搜索很像。但是这里的评...原创 2020-03-08 21:49:03 · 1984 阅读 · 0 评论 -
机器智能-高频问题-无信息搜索算法
首先,解释一下名词,什么是“树搜索算法”?树搜索算法并不是特指一个算法,而是指一类基于树结构的搜索算法(如深度优先和广度优先等)当然,还有一个名词,什么是“图搜索算法”?图搜索不会重复搜索节点,树搜索允许重复搜索节点。图搜索是特殊的树搜索。还有一个名词,什么是“无信息搜索策略”?除了问题定义中提供的状态信息外没有任何附加信息,算法只能区分状态是不是目标状态,而无法比较非目标状态的好坏(即...原创 2020-03-08 21:31:47 · 1973 阅读 · 2 评论 -
机器智能-高频问题:agent类型
1、agent就是能够行动的某种东西。2、合理agent:当存在不确定性时,能够实现最佳期望结果而行动的agent3、agent可以抽象地表示成方程:搜集信息,处理信息,行动4、agent相当于与环境相互感知的对象,通过感知器感知环境序列并转化为行为,再通过执行器产生对环境的影响(感知器+执行器+之间的映射函数)5、感知器(sensors)感知环境信息给agent,通过faction处理信...原创 2020-03-08 21:17:31 · 3543 阅读 · 0 评论 -
机器智能-高频问题:环境的性质
任务环境四要素:性能、环境、执行器、传感器环境的性质(分类方式)a、完全可观察,部分可观察(当前状态)在某个是简单上获取环境的完整程度vs获取环境的部分状态(如真空吸尘器和自动驾驶汽车)国际象棋是完全可观察的,因为所有的当前信息都给出来了。b、单agent,多agent独自运行vs同时运行(字谜游戏和国际象棋)c、确定的,随机的确定的环境下一个状态完全取决于当前状态和agent执行的...原创 2020-03-08 21:13:58 · 1757 阅读 · 0 评论 -
机器智能-高频问题:人工智能的定义
目前一共有四中定义方式:1、合理地行动2、像人一样行动3、合理地思考4、像人一想思考一、合理的行动:这也是当前的定义。因为有统一的标准,易于实现a、正确的推理可能是合理的推理b、正确的推理不是合理性的全部c、有些合理的行动不涉及推理合理的行动比思维法则更一般,因为正确的推理只是实现合理性的其中可能机制之一;比人类的行为更经得起科学的检验,合理性的标准在数学上定义明确。二、像人...原创 2020-03-08 21:11:25 · 1838 阅读 · 0 评论 -
机器智能(三)
1、无信息搜索(只有信息的一些真实的条件)/有信息搜索(除了真实的条件还有一些估计的条件,以让我们能够定义评价函数。比方说上面的罗马问题中给出节点间的直线距离)2、有信息的搜索策略a、有额外信息辅助预测b、贪婪最佳优先搜索3、最佳优先搜索:a、基本思路:通过对每一个节点计算评价函数f(n)值,找到一个f(n)最低的未扩散的节点。和一致代价搜索很像。但是这里的评价函数是估计值,而一致搜索中...原创 2020-03-08 20:45:51 · 2020 阅读 · 0 评论 -
机器智能(二)
1、搜索问题求解agent:信息处理的软件部分是搜索求解的算法,包含三个部分:形式化、搜索(得到seq,包含多个action,相当于行为序列)、执行2、状态空间(初始状态、行动、转移模型)、目标、路径消耗3、举例:真空吸尘器:a、状态:机器人的位置和灰尘位置b、初始状态:任何状态c、行动:向左向右吸尘d、转移模型:状态+行动->新状态e、目标测试:检查所有位置是否干净f、路径...原创 2020-03-08 20:43:32 · 1792 阅读 · 0 评论 -
机器智能(零)-tensorflow学习笔记2
tensorflow的八股:用张量表示数据,用计算图搭建神经网络,用会话执行计算图,优化线上的权重(参数),得到模型'''001加法'''# a=tf.constant([1.0,2.0])# b=tf.constant([3.0,4.0])# # a=tf.constant([1.0])# # b=tf.constant([1.0])## result=a+b# print(...原创 2020-02-29 21:58:29 · 1685 阅读 · 0 评论 -
机器智能(零)-TensorFlow学习笔记1
此仅仅为我上完了csdn学院的TensorFlow入门课之后所记录下来的笔记,我自己感觉很有用,所以在这里分享一下。001-数据内置数据集介绍:dir(tf.keras.datasets)MNIST数据集加载:mnist=tf.keras.datasets.mnistmnist.load_data()数据集查看:x_train.shapey_train.shape导入依赖库:...原创 2020-02-28 21:54:45 · 1810 阅读 · 0 评论