qq_42744739的博客

自编码器一、原理：将图像进行压缩，压缩的特征图能够保存原图像的主要特征，即根据特征图能够再次恢复原始图像。二、具体实现方法：自编码器分为两部分：编码和解码。编码可以使用任一卷积网络，可以根据训练数据选择，像MNIST手写数字可以选用简单的神经网络，比如LeNet。解码部分就是反向的神经网络，这样输入和输出图像大小相同，可以直接利用误差平方作为损失函数进行训练。三、实验结果：（1）生成20幅图像：当然这里肯定是要输入20幅原始图像，然后才能查看生成的图像，否则自己设定的隐空间变量生成的图像可能没有

鸢尾花分类代码实现import pandas as pdimport numpy as npfrom matplotlib import pyplot as plt#sigmoid functiondef sigmoid(x): return 1.0/(1+np.exp(-x))#dsigmoid functiondef dsigmoid(x): return sigmoid(x)*(1-sigmoid(x))#code flowers speciesdef codeN

二维样本数据和标签回归及LDA代码实现1、先上效果图：纠正一下横纵坐标，横坐标为x1,纵坐标为x2，这是样本与标签回归的二维结果图。2、LDA结果图：图中的是投影直线和分类面3、上代码：样本通过高斯分布生成的随机数，标签为+1，-1.import numpy as npimport matplotlib.pyplot as pltfrom matplotlib.pyplot import MultipleLocatorfrom sklearn import model_select