- 博客(76)
- 收藏
- 关注
RSS订阅原创 高级数据库技术-笔记2
一种过程语言，由一组以一个或两个关系作为输入并产生一个新关系作为其/结果的操作组成。数据库实例（instance）——是数据库中数据在给定时刻的快照。数据库模式（schema）——是数据库的逻辑结构。Set-Intersection操作。
2022-10-10 10:34:32
660
1
原创 Python吴恩达深度学习作业24 -- 语音识别关键字
在本周的视频中，你学习了如何将深度学习应用于语音识别。在此作业中，你将构建语音数据集并实现用于关键词检测（有时也称为唤醒词或触发词检测）的算法。关键词识别是一项技术，可让诸如Amazon Alexa，Google Home，Apple Siri和Baidu DuerOS之类的设备在听到某个特定单词时回应。对于本练习，我们的触发词将是"Activate."。每次听到你说“激活”时，它都会发出“蜂鸣声”。作业完成后，你将可以录制自己的讲话片段，并在算法检测到你说"Activate"时触发提示音。...
2022-08-03 00:49:31
6937
8
原创 Python吴恩达深度学习作业23 -- 机器翻译（NMT）
你将建立一个神经机器翻译（NMT）模型，以将人类可读的日期（“25thofJune,2009”）转换为机器可读的日期（“2009-06-25”）。你将使用注意力模型来完成此任务，注意力模型是序列模型中最复杂的序列之一。...
2022-08-02 16:07:45
1201
原创 Python吴恩达深度学习作业22 -- Emoji表情情感分类器
在这一部分中，你将实现一个称为“Emojifier-v1”的基准模型。图2基准模型（Emojifier-V1）。模型的输入是与句子相对应的字符串（例如，“Iloveyou”。在代码中，输出将是维度为（1,5）的概率向量，然后将其传递到argmax层中以提取概率最大的表情符号的输出索引。为了使我们的标签成为适合训练softmax分类器的格式，让我们将从当前YYY的维度、(m,1)(m,1)(m,1)转换为"one-hot表示"(m,5)(m,5)(m,5。...
2022-08-01 11:50:06
2052
原创 Python吴恩达深度学习作业21 -- 词向量的基本操作
因为训练单词嵌入在计算上非常耗时耗力，所以大多数ML练习者都会加载一组经过预先训练的嵌入。__接下来，让我们加载单词向量。对于此作业，我们将使用50维GloVe向量表示单词。运行以下单元格以加载。words你已经看到，单向向量不能很好地说明相似的单词。GloVe向量提供有关单个单词含义的更多有用信息。现在让我们看看如何使用GloVe向量确定两个单词的相似程度。......
2022-07-31 17:49:11
574
原创 Python吴恩达深度学习作业20 -- 用LSTM网络创作一首爵士小歌
这是我们将使用的模型结构。这与你在上一个笔记本中使用的恐龙模型相似，不同之处在于你将用Keras实现它。架构如下我们将在更长的音乐片段中随机抽取30个值的片段来训练模型。因此不必费心设置第一个输入x⟨1⟩=0⃗x⟨1⟩=0，因为现在大部分代码段都用它来表示恐龙名称的开头。音频开始于一段音乐的中间。我们将每个片段设置为相同的长度Tx=30T_x=30Tx=30，使得向量化更加容易。...
2022-07-29 22:47:51
786
原创 Python吴恩达深度学习作业19 -- 字符级语言模型
初始化参数运行优化循环正向传播以计算损失函数反向传播以计算相对于损失函数的梯度剪裁梯度以避免梯度爆炸使用梯度下降方法更新参数返回学习的参数图1循环神经网络，类似于你在上一个笔记本“手把手实现循环神经网络”中构建的内容。在每个时间步，RNN都会根据给定的先前字符来预测下一个字符。数据集X=(x⟨1⟩,x⟨2⟩,...,x⟨Tx⟩)X=(x⟨1⟩,x⟨2⟩,...,x⟨Tx⟩)Y=(...
2022-07-29 16:18:54
515
原创 Python吴恩达深度学习作业18 -- 手把手实现循环神经网络（RNN）
在此作业中，你将使用numpy实现你的第一个循环神经网络。循环神经网络（RNN）在解决自然语言处理和其他序列任务上非常有效，因为它们具有“记忆”，可以一次读取一个输入xx^{}x（例如单词），并通过从一个时间步传递到下一个时间步的隐藏层激活来记住一些信息/上下文。这使得单向RNN可以提取过去的信息以处理之后的输入。双向RNN则可以借鉴过去和未来的上下文信息。符号：1 循环神经网络的正向传播在本周之后的作业，你将使用RNN生成音乐。你将实现的基本RNN具有以下结构。在此示例中，Tx=Ty......
2022-07-29 00:37:48
2759
1
原创 Python吴恩达深度学习作业17 -- 深度学习与艺术 - 神经风格迁移(NST)
在本次作业中，你将学习神经风格迁移。该算法由Gatys等人在2015年创建(https://arxiv.org/abs/1508.06576%E3%80%82))。在此作业中，你将：目前你研究的大多数算法都会优化损失函数以获得一组参数值。而在神经样式转换中，你将学习优化损失函数以获得像素值！1 问题陈述神经风格迁移（NST）是深度学习中最有趣的技术之一。如下所示，它将“内容”图像（Content）和“风格”图像（Style）合并在一起，以创建“生成”图像（Generated）。生成的图像G将图像C的“内
2022-07-25 01:20:53
1265
1
原创 Python吴恩达深度学习作业16 -- 人脸识别
在此次作业中，你将学习构建人脸识别系统。FaceNet网络将人脸图像编码为128个数字向量并学习，通过比较两个这样的向量，以确定两个图片是否是同一个人。在本练习中，我们将使用预训练的模型，该模型使用"channelsfirst"来表示ConvNet激活，而不是像先前的编程作业一样使用"channelslast"。换句话说，一批图像将具有(m,nC,nH,nW)的维度，而非(m,nH,nW,nC)。...
2022-07-23 23:45:13
1050
原创 Python吴恩达深度学习作业15 -- YOLO原理及应用（自动驾驶——汽车检测）
回想一下，我们在尝试识别80个类别，并使用5个定位框。我们已经在两个文件“coco_classes.txt”和“yolo_anchors.txt”中收集了有关80个类和5个框的信息。让我们通过运行下一个单元格将这些数加载到模型中。车辆识别数据集包含720x1280图像，我们已将其预处理为608x608的图像。......
2022-07-20 03:23:47
3388
3
原创 Python吴恩达深度学习作业14 -- 残差网络 Residual Networks
你将学习如何使用残差网络（ResNets）构建非常深的卷积网络。理论上讲，更深的网络可以表现更复杂的特征。但实际上，他们很难训练。引入的残差网络使你可以训练比以前实际可行的深层网络。这项作业将使用Keras完成。...
2022-07-17 20:44:21
1335
原创 Python吴恩达深度学习作业13 -- Keras教程
在此作业中，你将：我们为什么要使用Keras？开发Keras的目的是使深度学习工程师能够快速构建和实验不同的模型。正如TensorFlow是一个比Python跟高级的框架一样，Keras是一个甚至更高层的框架，能够以最小的延迟将想法付诸实践是找到良好模型的关键。但是，Keras比低级框架更具限制性，因此可以在TensorFlow中实现一些非常复杂的模型，而在Keras中实现这些模型较为困难。话虽如此，Keras仍可以在许多常见模型上正常工作。在本练习中，你将解决"the Happy House"问题，我们将
2022-07-12 18:20:10
711
原创 Python吴恩达深度学习作业12 -- 卷积神经网络的应用
在此笔记本中，你将：完成此作业后，你将能够：在上一项作业中，你使用numpy构建了辅助函数，以了解卷积神经网络背后的机制。实际上现在大多数深度学习的应用都是使用编程框架构建的，框架具有许多内置函数，你可以轻松地调用它们。和之前一样，我们将从加载包开始。运行以下单元格以加载要使用的“SIGNS”数据集。SIGNS数据集是6个手势符号的图片集，这些符号表示从0到5的数字。以下单元格将显示数据集中标记图像的示例。随时更改index的值，然后重新运行以查看不同的示例。在课程2中，你已经为此数据集构建了一个
2022-06-29 16:29:52
1306
2
原创 Python吴恩达深度学习作业11 -- 卷积神经网络的实现
在此作业中，你将使用numpy实现卷积（CONV）和池化（POOL）层，包括正向传播和反向传播。符号：我们假设你已经熟悉numpy或者已经完成了之前的专业课程。那就开始吧！让我们首先导入在作业过程中需要用到的包：2 作业大纲你将实现构建卷积神经网络的需要的模块！要求实现的每个函数都有详细的说明，以帮助你完成所需的步骤：本笔记本将要求你使用 numpy从头开始实现这些函数。在下一本笔记本中，你将学习使用TensorFlow来实现：注意，对于每个正向函数，都有其对应的反向等式。因此，在正向传播模块的每一步
2022-06-28 15:48:30
1352
1
原创 Python吴恩达深度学习作业10 -- 深度学习框架TensorFlow入门 + 完整图像识别实战
到目前为止，你一直使用numpy来构建神经网络。现在，我们将引导你使用深度学习框架，改框架将使你可以更轻松地构建神经网络。TensorFlow，PaddlePaddle，Torch，Caffe，Keras等机器学习框架可以极大地加速你的机器学习开发速度。所有这些框架也都有好多文档，你应该随时阅读学习。在此笔记本中，你将学习在TensorFlow中执行以下操作：编程框架不仅可以缩短编码时间，而且有时可以进行优化以加快代码速度。首先，导入库：现在，你已经导入了库，我们将引导你完成其不同的应用程序。你将从一个示
2022-06-11 17:54:43
2527
1
原创 Python吴恩达深度学习作业9 -- 梯度下降的优化
到目前为止，你一直使用梯度下降来更新参数并使损失降至最低。在本笔记本中，你将学习更多高级的优化方法，以加快学习速度，甚至可以使你的损失函数的获得更低的最终值。一个好的优化算法可以使需要训练几天的网络，训练仅仅几个小时就能获得良好的结果。梯度下降好比在损失函数JJJ上“下坡”。就像下图：损失最小化好比在丘陵景观中寻找最低点在训练的每个步骤中，你都按照一定的方向更新参数，以尝试到达最低点。符号：与往常一样，∂J∂a=da\frac {\partial J}{\partial a}=da∂a∂J=da适合用于
2022-06-06 15:57:16
1183
原创 Python吴恩达深度学习作业7 -- 深度神经网络的正则化
正则化深度学习模型具有很高的灵活性和能力，如果训练数据集不够大，将会造成一个严重的问题–过拟合。尽管它在训练集上效果很好，但是学到的网络不能应用到测试集中！你将学习：在深度学习模型中使用正则化。# import packagesimport numpy as npimport matplotlib.pyplot as pltfrom reg_utils import sigmoid, relu, plot_decision_boundary, initialize_parameters, loa
2022-05-31 11:26:24
966
1
原创 Python吴恩达深度学习作业6 -- 深度神经网络的初始化
初始化训练神经网络需要指定权重的初始值，而一个好的初始化方法将有助于网络学习。如果你完成了本系列的上一课程，则可能已经按照我们的说明完成了权重初始化。但是，如何为新的神经网络选择初始化？在本笔记本中，你能学习看到不同的初始化导致的不同结果。好的初始化可以：加快梯度下降、模型收敛减小梯度下降收敛过程中训练（和泛化）出现误差的几率首先，运行以下单元格以加载包和用于分类的二维数据集。import numpy as npimport matplotlib.pyplot as pltimport
2022-05-29 19:59:42
1114
原创 Python吴恩达深度学习作业5 -- 深度神经网络的应用（猫分类器）
深度神经网络应用 – 图像分类你将使用在上一个作业中实现的函数来构建深层网络，并将其应用于分类cat图像和非cat图像。 希望你会看到相对于先前的逻辑回归实现的分类，准确性有所提高。完成此任务后，你将能够：建立深度神经网络并将其应用于监督学习。1 安装包让我们首先导入在作业过程中需要的所有软件包。numpy是Python科学计算的基本包。matplotlib 是在Python中常用的绘制图形的库。h5py是一个常用的包，可以处理存储为H5文件格式的数据集这里最后通过PIL和 scip
2022-05-26 18:29:27
1035
1
原创 Python吴恩达深度学习作业4 -- 构建深度神经网络
逐步构建你的深度神经网络在此之前你已经训练了一个2层的神经网络（只有一个隐藏层）。本周，你将学会构建一个任意层数的深度神经网络！在此作业中，你将实现构建深度神经网络所需的所有函数。在下一个作业中，你将使用这些函数来构建一个用于图像分类的深度神经网络。完成此任务后，你将能够：使用ReLU等非线性单位来改善模型建立更深的神经网络（具有1个以上的隐藏层）实现一个易于使用的神经网络类符号说明：上标[l][l][l]表示与lthl^{th}lth层相关的数量。示例：a[L]a^{[L]
2022-05-26 10:33:57
1213
原创 Python吴恩达深度学习作业3 -- 1层隐藏层的神经网络
用1层隐藏层的神经网络分类二维数据现在是时候建立你的第一个神经网络了，它将具有一层隐藏层。你将看到此模型与你使用逻辑回归实现的模型之间的巨大差异。你将学到如何：实现具有单个隐藏层的2分类神经网络使用具有非线性激活函数的神经元，例如tanh计算交叉熵损失实现前向和后向传播1- 安装包让我们首先导入在作业过程中需要的所有软件包。numpy是Python科学计算的基本包。sklearn提供了用于数据挖掘和分析的简单有效的工具。matplotlib 是在Python中常用的绘制图形的库。
2022-05-20 13:10:51
1476
原创 Python吴恩达深度学习作业2 -- 用神经网络思想实现逻辑回归
用神经网络思想实现Logistic回归将学习如何建立逻辑回归分类器用来识别猫。 这项作业将引导你逐步了解神经网络的思维方式，同时磨练你对深度学习的直觉。说明：除非指令中明确要求使用，否则请勿在代码中使用循环（for / while）。你将学习以下内容：建立学习算法的一般架构，包括：初始化参数计算损失函数及其梯度使用优化算法（梯度下降）按正确的顺序将以上所有三个功能集成到一个主模型上。1- 安装包首先，让我们运行下面的单元格，以导入作业中所需的包。numpy 是Python
2022-05-18 14:09:10
1017
2
原创 Python吴恩达深度学习作业 1 -- Numpy入门与函数向量化
Numpy 基础大家好，这里是你们的第一个作业，即使你之前没有用过python，这个作业也会帮助你熟悉接下来会用到的功能操作指南:请使用python3避免使用for循环，除非题目里要求不要更改(# GRADED FUNCTION [function name])的注释写完代码，运行下面的cell确认你的输出是对的做完这个作业，你能学会：用ipython notebook用numpy，包括函数调用及向量矩阵运算理解“广播”的概念向量化代码让我们开始吧！关于iPytho
2022-05-17 12:03:05
636
原创 Python吴恩达机器学习作业 8 -异常检测和推荐系统
编程作业 8 - 异常检测和推荐系统在本练习中，我们将使用高斯模型实现异常检查算法，并将其以用于检查网络上的故障服务器。我们还将看到如何协作过滤构建推荐系统，并将其应用于电影推荐数据集。Anomaly detection（异常检测）我们的第一个任务是使用高斯模型来检测数据集中未标记的示例是否应被歧视为异常。我们有一个简单的二维数据集开始，以帮助可视化该算法正在做什么。import numpy as npimport pandas as pdimport matplotlib.pyplot as
2022-05-15 16:13:20
603
原创 Python吴恩达机器学习作业 7 - K-means 和 PCA
编程作业 7 - K-means 和 PCA(主成分分析)在本练习中，我们将实现K-means聚类，并使用它来压缩图像。我们将从一个简单的2D数据集开始，以了解K-means是如何工作的，然后我们将其应用于图像压缩。我们还将对主成分分析进行实验，并了解如何使用它来找到面部图像的低维表示。K-means 聚类我们将实施和应用K-means到一个简单的二维数据集，以获得一些直观的工作原理。K-means是一个迭代的，无监督的聚类算法，将类似的实例组合成簇。该算法通过猜测每个簇的初始聚类中心开始，然后重复将
2022-05-14 16:06:05
650
原创 Python吴恩达机器学习作业 6 - 支持向量机
编程作业 6 - 支持向量机在本练习中，我们将使用支持向量机（SVM）来构建垃圾邮件分类器。我们将从一些简单的2D数据集开始使用SVM来查看它们的工作原理，然后，我们将对一组原始电子邮件进行一些预处理工作，并使用SVM在处理的电子邮件上构建分类器，以确定他们是否为垃圾邮件。我们要做的第一件事是看一个简单的二维数据集，看看线性SVM如何对数据集进行不同的C值（类似于线性/逻辑回归中的正则化项）。import numpy as npimport pandas as pdimport matplotl
2022-05-13 13:23:35
903
原创 Python吴恩达机器学习作业 5 - 偏差和方差
编程作业5 - 偏差和方差这次练习我们将会看到如何使用课上的方法改进机器学习算法，包括过拟合、欠拟合的状态判断以及学习曲线的绘制。import numpy as npimport scipy.io as sioimport scipy.optimize as optimport pandas as pdimport matplotlib.pyplot as pltimport seaborn as snsdef load_data(): d = sio.loadmat('ex5da
2022-05-12 16:34:47
565
原创 Python吴恩达机器学习作业 4 - 神经网络
编程作业 4 - 神经网络对于这个练习，我们将再次处理手写数字数据集，这次使用反向传播前馈神经网络。我们将通过反向传播算法实现神经网络成本函数和梯度计算的非正则化和正则化版本，我们还将实现随机权重初始化和使用网络进行预测的方法。由于我们在练习3中使用的数据集是相同的，所以我们将重新使用代码来加载数据。import numpy as npimport pandas as pdimport matplotlib.pyplot as pltfrom scipy.io import loadmatd
2022-05-11 19:02:08
683
原创 Python吴恩达机器学习作业 3 -多类分类
编程作业 3 - 多类分类对于此练习，我们将使用逻辑回归来识别手写数字（0到9），我们将扩展我们在练习2中写的逻辑回归的实现，并将其应用于一对一的分类，让我们开始加载数据集，它是在MATLAB的本机格式，所以要加载它在Python，我们需要使用SciPy工具、import numpy as npimport pandas as pdimport matplotlib.pyplot as pltfrom scipy.io import loadmatdata = loadmat('ex3data
2022-05-10 19:13:05
704
原创 Python吴恩达机器学习作业 2 - logistic回归
编程作业2 logistic_regression（逻辑回归）推荐运行环境：python 3.6 建立一个逻辑回归模型来预测一个学生是否被大学录取，根据两次考试的结果来决定每个申请人的录取机会。有以前的申请人的历史数据，可以用它作为逻辑回归的训练集。python实现逻辑回归 目标：建立分类器（求解出三个参数θ0θ1θ2\theta_0 \theta_1 \theta_2θ0θ1θ2）即得出分界线 备注：θ1\theta_1θ1对应’Exam 1’成绩，θ2\theta_2θ2对应’Exa
2022-05-07 16:46:01
956
原创 Element-ui基本运用
Element 是饿了么公司前端开发团队提供的一套基于Vue的网站组件库，用于快速构建网页 组件：组成网页的部分，例如 超链接、按钮、图片、表格等等~ Element官网Element快速入门 1、引入Element的css、js文件和Vue.js<script src="vue.js"></script><script src="element-ui/lib/index.js"></script><link rel="style
2022-04-08 10:42:48
891
原创 Vue学习笔记
Vue Vue是一套前端框架，免除原生JavaScript中的DOM操作，简化书写 基于MVVM思想，实现数据的双向绑定，将编程的关注点放在数据上 官网 MVC：只能实现模型到视图的单向展示 MVVM：可以实现数据的双向绑定Vue快速入门 （1）新建HTML页面，引入Vue.js文件<script src="js/ vue.js"></script> （2）在JS代码区域，创建Vue核心对象，进行数据绑定new Vue({ el:"#app",
2022-04-06 11:30:25
631
原创 机器学习入门（概念、开发流程、sklearn库）
机器学习概述 人工智能概述 机器学习是人工智能的一个实现途径 深度学习是机器学习的一个方法发展而来 机器学习、深度学习能做些什么？ 传统预测 图像识别 自然语言处理 什么是机器学习？ 机器学习是从数据中子自动分析获得模型，并利用模型对未知数据进行预测。 数据 模型 预处 从历史数据当中获得规律？这些历史数据是怎样的格式？ 数据集构成：特征值 + 目标值 注： （1）对于每一行数据我们可以称之为
2022-04-04 21:58:19
1997
原创 数据结构考研复试常见问题及答案（逆袭篇）
文章目录1、逻辑结构与物理结构（存储结构）的区别？2、算法的特点？3、常见的数据结构？4、链表结构和顺序存储结构的区别？5、线性链表？6、数组和链表的区别？7、判断一个链表是否有环，如何找到这个环？8、单链表和双链表的区别？9、头指针和头结点的区别？10、简述KMP算法？11、栈和队列的区别？12、栈和队列的相同之处和不同之处？13、两个栈实现队列，两个队列实现栈？14、树和二叉树的相关概念？15、二叉平衡树？16、二叉搜索树？17、红黑树？18、图的相关概念？19、邻接矩阵与邻接表的区别？20、深度优先遍
2022-03-23 20:27:49
6665
原创 软件工程考研复试、工作面试常见问题及答案
文章目录1、关于瀑布模型的信息？2、软件生命周期？3、黑盒测试和白盒测试有什么区别？4、什么是软件危机？产生原因是什么？5、什么是软件工程作业？6、什么是软件过程？1、关于瀑布模型的信息？首先瀑布模型是一个迭代并且可预见性的方法，他的特点就是在项目的每个阶段有对应的检查点，当一个阶段完成之后，就进行相应的测试检查，随后进入下一个阶段，所以各阶段之间是很少有反馈的。其次便是瀑布模型只有在生命周期的后期才能看到结果。2、软件生命周期？大致就分为： （1）软件定义阶段： <1> 问题定
2022-03-10 10:21:49
3411
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人