- 博客(6)
- 收藏
- 关注
RSS订阅原创 python数据文件查看与另存
import numpy as np import matplotlib.pyplot as plt # 1.可视化 data = np.load('./data/01.npy', encoding="latin1") # 加载文件 y = data[1, 0:] # 取第一行数据 # print(len(y), y) # print(x) plt.plot(y) plt.show() # 2.另存 import pandas as pd data1 = np.load('./data/01.npy'
2022-03-30 15:56:52
1675
翻译 译(Transformer) NIPS-2017 ---Attention Is All You Need
Attention Is All Y ou Need 摘要 包括编码器和解码器的主要序列转换（sequence transduction）模型是基于复杂的循环或卷积神经网络的。性能最好的模型还通过注意机制（attention mechanism）连接编码器和解码器。我们提出了一种新的简单网络架构—Transformer，它完全基于（based solely on）注意力机制，且完全摒弃了循环和卷积。在两个机器翻译任务上的实验表明，这些模型在质量上更优，同时具有更强的并行性（parallelizable）
2022-03-29 11:06:32
445
原创 译（自编码器） Hinton2006---Reducing the Dimensionality of Data with Neural Networks
Reducing the Dimensionality of Data with Neural Networks——使用神经网络降低数据维度 G. E. Hinton and R. R. Salakhutdinov 通过训练一个具有小的中间层的多层神经网络去重构高维输入向量，可以将高维数据转化为低维编码。在这种“自动编码器（autoencoder）”网络中，梯度下降可以用来微调（fine-tuning）权值，但是只有在初始权值接近一个好的解时才有效（work well）。我们描述了一种初始化权值的有效方法，
2022-03-22 10:21:42
2350
原创 线性模型——（1）线性回归
线性模型——（1）线性回归 在接下来的一段时间我们将介绍五种线性模型，它们分别是： 1.线性回归； 2.逻辑回归（logistic回归）； 3.softmax回归； 4.感知机（perceptron）； 5.支持向量机（SVM）。 1.模型介绍 在本文中，我们先只展开线性回归的部分，线性回归是机器学习中一个基础的模型，它的目的是对自变量和因变量间的关系做回归分析。当只有一个自变量时称为一元线性回归，公式如下： y=ax+b 有多个自变量时称为多元回归，公式如下： 线性回归模型训练的目的就是使得以下残差平方
2021-10-22 17:20:49
1568
原创 python绘制Sigmoid函数图
python绘制Sigmoid函数图 python代码如下： import matplotlib.pyplot as plt import numpy as np x = np.linspace(-6, 6) # linspace生成-6到6的等差数列，默认num=50个数 y = 1.0 / (1 + np.exp(-x)) plt.plot(x, y) plt.show() Sigmoid图：
2021-10-18 17:05:27
1400
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