深度学习代码常用函数

python内置函数

​isinstance(object, classinfo)
  • 如果参数object是classinfo的实例,或者object是classinfo类的子类的一个实例, 返回True
  • 如果object不是一个给定类型的的对象, 则返回结果总是False
enumerate(sequence, [start=0])
  • sequence:一个序列、迭代器或其他支持迭代对象
  • start:下标起始位置
zip(iterable, ...)
  • iterable:可迭代对象,可以是列表、元组、字典、字符串甚至可以是range()区间
  • return:对应位置组合成新的元组,python2.x中返回由这些元组组成的列表,python3.x返回的是新的元组序列
eval(expression, globals=None, locals=None)
  • 用于执行一个字符串表达式,并且返回该表达式的值
  • expression:表达式
  • globals:字典,用于替换掉表达式的值
  • locals:同globals,当locals与globals冲突时,用locals的值
compile(source, filename, mode[, flags[, dont_inherit]])
  • 将一个字符串编译为字节代码
  • source:字符串或者AST(Abstract Syntax Trees)对象
  • filename:代码文件名称,如果不是从文件读取代码则传递一些可辨认的值
  • mode:指定编译代码的种类。可以指定为 exec, eval, single
  • flags:变量作用域,局部命名空间,如果被提供,可以是任何映射对象
  • flags和dont_inherit是用来控制编译源码时的标志

numpy

numpy.array(object, dtype=None)
  • object:创建的数组的对象,可以为单个值,列表,元胞等
  • dtype:创建数组中的数据类型
  • return:给定对象的数组
X.flatten(dim)
  • 铺平矩阵
  • dim:从第dim个维度开始展开,将后面的维度转化为一维。就是说,只保留dim之前的维度,其他维度的数据全都挤在dim这一维
  • X可为数组、矩阵,不能是列表

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
深度学习常用的损失函数有很多种,下面是几种常见的损失函数及其实现方式: 1. 均方误差(Mean Squared Error,MSE)损失函数: MSE损失函数适用于回归问题,计算预测值与真实值之间的平均平方差。它可以用来评估模型的预测效果。 公式:MSE = 1/n * Σ(y_pred - y_true)^2 在Python中,可以使用以下代码实现MSE损失函数的计算: ```python import numpy as np def mse_loss(y_pred, y_true): return np.mean(np.square(y_pred - y_true)) ``` 2. 交叉熵(Cross Entropy)损失函数: 交叉熵损失函数适用于分类问题,对于多分类问题可以使用分类交叉熵损失函数,对于二分类问题可以使用二分类交叉熵损失函数。 公式(多分类):CrossEntropy = -1/n * Σ(y_true * log(y_pred)) 公式(二分类):BinaryCrossEntropy = -1/n * (y_true * log(y_pred) + (1 - y_true) * log(1 - y_pred)) 在Python中,可以使用以下代码实现交叉熵损失函数的计算: ```python import numpy as np def cross_entropy_loss(y_pred, y_true): return -np.mean(y_true * np.log(y_pred)) def binary_cross_entropy_loss(y_pred, y_true): return -np.mean(y_true * np.log(y_pred) + (1 - y_true) * np.log(1 - y_pred)) ``` 3. 对数损失(Log Loss)损失函数: 对数损失函数常用于二分类问题中,特别适用于处理概率预测问题,将模型输出的概率与真实标签的对数概率之差作为损失值。 公式:LogLoss = -1/n * Σ(y_true * log(y_pred) + (1 - y_true) * log(1 - y_pred)) 在Python中,可以使用以下代码实现对数损失函数的计算: ```python import numpy as np def log_loss(y_pred, y_true): return -np.mean(y_true * np.log(y_pred) + (1 - y_true) * np.log(1 - y_pred)) ``` 这些是深度学习常用的损失函数及其实现方式,根据具体的任务和需求,选择合适的损失函数能够提高模型的性能。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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