吴恩达深度学习——编程1

最新推荐文章于 2024-05-01 09:56:08 发布
最新推荐文章于 2024-05-01 09:56:08 发布
阅读量321 收藏
点赞数
分类专栏： 吴恩达深度学习 文章标签： 深度学习 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_43124451/article/details/120959884
版权

代码学习

1.squeeze 函数

从数组的形状中删除单维度条目，即把shape中为1的维度去掉
squeeze的用法

在这里插入图片描述

2.降维操作

X_flatten = X.reshape(X.shape [0]，-1).T ＃X.T是X的转置

reshape讲解

3.数据集的中心化和标准化

在回归问题和一些机器学习算法中, 以及训练神经网络的过程中, 通常需要对原始数据进行中心化 (Zero-centered 或者 Mean-subtraction) 处理和标准化 (Standardization 或 Normalization) 处理.

意义：

数据中心化和标准化在回归分析中是取消由于量纲不同、自身变异或者数值相差较大所引起的误差.

只想努力赚钱的小小小M
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
吴恩达深度学习编程答案
12-13
吴恩达在coursera上深度学习第一课Neural Network and Deep Learning的课后编程答案，作业是用python写的，大家一起深度学习吧
吴恩达深度学习python编程
11-07
吴恩达深度学习python编程，作业答案分享！吴恩达深度学习python编程，作业答案分享
吴恩达深度学习编程作业
12-05
吴恩达深度学习编程作业,入门深度学习的绝佳资源,包含非常优秀的代码资源.
吴恩达深度学习编程练习1-5课附答案
04-01
吴恩达深度学习编程练习1-5课附答案
吴恩达Coursera深度学习（1-2）编程练习
malele4th
02-24 1283
练习部分解释：跟网上大多数博客都不一样，因为之前我已经在notebook上做完了，再总结一遍放在博客上。 Class 1：神经网络和深度学习 Week 2：神经网络基础编程练习 目录 Class 1神经网络和深度学习 Week 2神经网络基础编程练习 目录 1关于sigmoid的用法 2内积L1L2损失函数 3数据集 4神经网络模型 1、关于sigmoid...
吴恩达深度学习课程漫画
01-08
吴恩达深度学习 深度学习课程离线视频的下载 课程概述 这些课程专为已有一定基础（基本的编程知识，熟悉 Python、对机器学习有基本了解）， 想要尝试进入人工智能领域的计算机专业人士准备。介绍显示：“深度学习是...
吴恩达深度学习第一课第二周作业编程题——follow实验并做出适当更正
01-20
博主【何宽】分享的【优质作业】已经非常完善了，我直接复制完整之后在自己的虚拟机上跑完全没问题，结果相同。只是对他分步演示的部分，在此提出其中一些需要注意的地方。 – 图片无法显示 plt.imshow()并不能让...
吴恩达-深度学习-卷积神经网络课后作业（quiz+编程作业）
09-04
吴恩达老师的深度学习课程的第四部分——卷积神经网络的课后作业，四周作业（包括课后的quiz和编程作业）都在里面，是搬运别人的资源，自己做了，感觉很不错。当时找资源时，各种痛苦，也受到了好心人的帮助，没有...
吴恩达DL深度学习笔记v3.03.pdf
08-19
课程——《深度学习专业》的推出补上了这一空缺。 课程的语言是Python，使用的框架是Google开源的TensorFlow。最吸引人之处在于， 课程导师就是吴恩达本人，两名助教均来自斯坦福计算机系。完成课程所需时间根据...
吴恩达-深度学习-序列模型最后一周课后作业（quiz+编程作业）
09-15
吴恩达老师的深度学习课程的第五部分——序列模型的课后作业，最后一周作业（包括课后的quiz和编程作业）都在里面，因为文件限制，只能分开上传。是搬运别人的资源，自己做了，感觉很不错。当时找资源时，各种痛苦，...
吴恩达深度学习deeplearning第一课课后测验及编程作业（含答案）
12-24
吴恩达深度学习deeplearning第一课课后测验及编程作业（含答案）
吴恩达Coursera深度学习（2-1）编程练习
malele4th
02-26 1403
Class 2：改善深层神经网络：超参数调试、正则化以及优化 Week 1：深度学习的实践方面 目录 Class 2：改善深层神经网络：超参数调试、正则化以及优化 Week 1：深度学习的实践方面 目录 1初始化 1.1辅助函数及数据集 1.2神经网络模型 1.3零初始化 1.4随机初始化 1.5he初始化 总结 2、正则化 2.1无正则化 2.2L2正则化 2.3Dropo...
吴恩达深度学习课程编程作业（1-2）
renmike的博客
02-18 4295
Part 1：Python Basics with Numpy (optional assignment) 1 - Building basic functions with numpy Numpy is the main package for scientific computing in Python. It is maintained by a large community
吴恩达深度学习编程作业 part 2-2
weixin_41992565的博客
06-11 774
本章节学习神经网络中的正则化 import numpy as np import matplotlib.pyplot as plt import sklearn import sklearn.datasets import scipy.io %matplotlib inline plt.rcParams['figure.figsize'] = (7.0, 4.0) plt.rcParams['...
吴恩达深度学习_1_Week2神经网络的编程基础(2)
zxy0000zxy的博客
11-04 97
1、得到一个数据集 (“data.h5”) (包含一组标记为cat和非cat的train图像，一组标记为cat和非cat的test图像)2、每个图像的形状为(num_px,num_px,3),3表示三个通道RDB，每个图像都是正方形：高度=宽度=num_px3、要求：构建一个图像识别算法，正确将图片分类为猫或者非猫。
吴恩达深度学习编程作业汇总
萝卜地里的兔子的博客
12-05 7190
以下列表为吴恩达的深度学习课程所对应的编程作业列表，都直接指向了github的连接地址；这些作业也是我在网上购买，可能与官方的内容有所出入；同时由于有的训练集和测试集以及预训练好的参数过大，不便上传，所以直接clone项目是无法运行的。如果是只看代码，完全可以满足使用的要求；需要完成版的可以留下邮箱，我单独发送给你。 第一部分-第二周 1.assignment2_1.ipynb --> P...
Python项目开发实战：如何基于Keras的深度学习来预测国际旅行人数
最新发布
一个好知识的传播者
05-01 1106
在预测国际旅行人数这一问题上，我们可以利用深度学习技术，尤其是基于Keras框架（现在通常作为TensorFlow的一部分）来构建预测模型。Keras以其简洁的API和高度模块化的特性，成为快速实现深度学习模型的理想选择。以下是一个简化的项目开发实战指南，旨在介绍如何使用Keras进行国际旅行人数的预测。
深度学习之基于YOLOv5电线电缆目标检测系统
Q1744828575的博客
04-29 1100
项目简介：深度学习之基于YOLOv5电线电缆目标检测系统本项目致力于开发一套基于深度学习的电线电缆目标检测系统，该系统利用YOLOv5算法实现电线电缆的实时检测和识别。通过深度学习技术，我们能够自动提取电线电缆的特征，进而实现对电线电缆目标的快速、准确检测。一、项目背景与意义电线电缆作为电力传输和信号传输的重要基础设施，其安全性和可靠性对于各个领域至关重要。然而，在实际应用中，电线电缆可能因各种原因出现缺陷或故障，如绝缘破损、接触不良等。
基于深度学习检测恶意流量识别框架（80+特征/99%识别率）
渗透测试
04-29 532
基于深度学习检测恶意流量识别框架（80+特征/99%识别率）
下面的代码哪里有问题，帮我改一下from __future__ import print_function import numpy as np import tensorflow import keras from keras.models import Sequential from keras.layers import Dense,Dropout,Flatten from keras.layers import Conv2D,MaxPooling2D from keras import backend as K import tensorflow as tf import datetime import os np.random.seed(0) from sklearn.model_selection import train_test_split from PIL import Image import matplotlib.pyplot as plt from keras.datasets import mnist images = [] labels = [] (x_train,y_train),(x_test,y_test)=mnist.load_data() X = np.array(images) print (X.shape) y = np.array(list(map(int, labels))) print (y.shape) x_train, x_test, y_train, y_test = train_test_split(X, y, test_size=0.30, random_state=0) print (x_train.shape) print (x_test.shape) print (y_train.shape) print (y_test.shape) ############################ ########## batch_size = 20 num_classes = 4 learning_rate = 0.0001 epochs = 10 img_rows,img_cols = 32 , 32 if K.image_data_format() =='channels_first': x_train =x_train.reshape(x_train.shape[0],1,img_rows,img_cols) x_test = x_test.reshape(x_test.shape[0],1,img_rows,img_cols) input_shape = (1,img_rows,img_cols) else: x_train = x_train.reshape(x_train.shape[0],img_rows,img_cols,1) x_test = x_test.reshape(x_test.shape[0],img_rows,img_cols,1) input_shape =(img_rows,img_cols,1) x_train =x_train.astype('float32') x_test = x_test.astype('float32') x_train /= 255 x_test /= 255 print('x_train shape:',x_train.shape) print(x_train.shape[0],'train samples') print(x_test.shape[0],'test samples')
05-25
代码中存在以下问题： 1. 变量 images 和 labels 没有被赋值，而后面却使用了它们来构造 X 和 y，导致 X 和 y 的值都为空。 2. 导入的 mnist 数据集没有被使用，而是使用了未定义的 images 和 labels，需要将其替换为 mnist 数据集。 3. input_shape 的值应该是三元组 (img_rows, img_cols, 1)，而代码中缺少了最后一个 1。 4. 在 if K.image_data_format() =='channels_first': 分支中，x_train 和 x_test 被改变了形状，但 y_train 和 y_test 却没有被改变，需要将其同步修改。 下面是修改后的代码： ``` from __future__ import print_function import numpy as np import tensorflow import keras from keras.models import Sequential from keras.layers import Dense, Dropout, Flatten from keras.layers import Conv2D, MaxPooling2D from keras import backend as K import tensorflow as tf import datetime import os np.random.seed(0) from sklearn.model_selection import train_test_split from PIL import Image import matplotlib.pyplot as plt from keras.datasets import mnist (x_train, y_train), (x_test, y_test) = mnist.load_data() print(x_train.shape) print(y_train.shape) ############################ ########## batch_size = 20 num_classes = 10 learning_rate = 0.0001 epochs = 10 img_rows, img_cols = 32, 32 if K.image_data_format() == 'channels_first': x_train = x_train.reshape(x_train.shape[0], 1, img_rows, img_cols) x_test = x_test.reshape(x_test.shape[0], 1, img_rows, img_cols) input_shape = (img_rows, img_cols, 1) else: x_train = x_train.reshape(x_train.shape[0], img_rows, img_cols, 1) x_test = x_test.reshape(x_test.shape[0], img_rows, img_cols, 1) input_shape = (img_rows, img_cols, 1) y_train = keras.utils.to_categorical(y_train, num_classes) y_test = keras.utils.to_categorical(y_test, num_classes) x_train = x_train.astype('float32') x_test = x_test.astype('float32') x_train /= 255 x_test /= 255 print('x_train shape:', x_train.shape) print(x_train.shape[0], 'train samples') print(x_test.shape[0], 'test samples') print('input_shape:', input_shape) ```

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值