![](https://img-blog.csdnimg.cn/20201014180756754.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
函数使用
师太,借个吻
这个作者很懒,什么都没留下…
展开
-
KFold():K折交叉验证
原理:模型在验证数据中的评估常用的是交叉验证,又称循环验证。它将原始数据分成K组(K-Fold),将每个子集数据分别做一次验证集,其余的K-1组子集数据作为训练集,这样会得到K个模型。这K个模型分别在验证集中评估结果,最后的误差MSE(Mean Squared Error)加和平均就得到交叉验证误差。交叉验证有效利用了有限的数据,并且评估结果能够尽可能接近模型在测试集上的表现,可以做为模型优化的指标使用。KFold(n_splits=’warn’, shuffle=False, random_sta原创 2021-08-29 19:36:56 · 1435 阅读 · 0 评论 -
tensorflow建立卷积神经网络需要理解的两个函数:tf.nn.conv2d(),tf.nn.avg_pool()
tf.nn.avg_pool( value, ksize, strides, padding, data_format='NHWC', name=None)原创 2021-08-29 17:54:46 · 316 阅读 · 0 评论 -
(predicted == labels).sum().item()
import torchimport numpy as np data1 = np.array([ [1,2,3], [2,3,4]])data1_torch = torch.from_numpy(data1)data2 = np.array([ [1,2,3], [2,3,4]])data2_torch = torch.from_numpy(data2)p = (data1_torch == data2_torch) #对比后相同的值会为1,不同则会.原创 2021-08-27 11:24:00 · 3355 阅读 · 2 评论 -
feature_column
首先大家一定 要记得 神经网络 能够处理什么数据类型,答案是 数字类型,所以 无论您的 原始数据集 是什么格式,最终 都必须 要转换成 数字类型 才能送入 最终的model.tf官网提供了 feature_column包,就是 为了 将 其它 类型 转换为 数字类型的feature_column是原始数据和estimator模型之间的桥梁,如下图所示:feature_column使用方法见:tensorflow-summary/feature_column.ipynb at a31243457.原创 2021-08-25 16:27:53 · 374 阅读 · 0 评论 -
tf.data.Dataset.from_tensor_slices()
tf.data.Dataset.from_tensor_slices函数创建一个代表数组切片的tf.data.Dataset。系统会在第一个维度内对该数组进行切片,例: import tensorflow as tf import numpy as np features, labels = (np.random.sample((6,3)),np.random.sample((6,1))) print((features, labels)) data..原创 2021-08-25 12:39:47 · 1139 阅读 · 0 评论