sc179的博客

目录1 LSTM概述2 同RNN的对比3 LSTM内部三阶段3.1 忘记阶段3.2 选择记忆阶段3.3 输出阶段1 LSTM概述2 同RNN的对比（RNN网络结构图）（LSTM网络结构图）（RNN和LSTM内部结构对比）3 LSTM内部三阶段3.1 忘记阶段3.2 选择记忆阶段3.3 输出阶段...

1. 我们用人工神经网络来表述输入X与输出Y之间复杂的关系，用数学语言来说，就是用人工神经网络来实现复杂的函数； 2. 如果使用线性激活函数，那么无论神经网络中有多少层，都只是在做线性运算，最后一层得到的结果是输入层的线性组合，而输入层的线性组合，用一层隐藏层就可以表示，也就是说，多层的隐藏层运算后的结果等同于一层的结果，那么这么多隐藏层就没有意义了，还不如去掉。因此，隐藏层的激活函数必须是要非线性的； 3. 非线性激活函数可以使神经网络随意逼近各种复杂函数。

目录读取csv文件读取Excel文件输出为csv文件设置显示全部列设置显示完整行设置显示最大列数为20取消链式赋值警告对index重排序将数据类型从Object转化为正当格式行拼接DataFrame列拼接DataFrame基于共同列alpha的内合并（交集）基于共同列alpha的外合并（并集）基于共同列alpha的左合并基于共同列alpha的右合并基于共同列alpha和beta的内合并，其余类似获取列名（list）获取列名（ndarray）修改列名（一次性全部修改）修改列名（可以部分修改）调整新列到指定位置

目录1 什么是激活函数2 为什么使用激活函数3 常用激活函数1 Sigmoid2 Tanh3 Relu1 什么是激活函数激活函数（Activation Function）在人工神经网络的神经元上运行，负责将神经元的输入映射到输出端。如图，在神经元中，输入的 inputs 通过加权求和后，还被作用了一个函数，这个函数就是激活函数，引入激活函数是为了使神经网络模型具有非线性特性。2 为什么使用激活函数如果不用激活函数，每一层输出都是上层输入的线性函数，无论神经网络有多少层，输出都是输入的线性组合，这

batch_size（批大小） 一次训练所选取的样本数epochs（代数） 全部数据被训练的次数iterations（迭代次数） 完成一次epoch所需的batch个数=训练集大小/批大小

目录1 BP神经网络的简单介绍2 BP神经网络设计的一般原则1 BP神经网络的简单介绍20世纪80年代，David Runelhart等人发明了误差反向传播算法(Error Back Propagation Training)，简称BP，解决了多层神经网络隐含层连接权值学习问题，并在数学上给出了完整推导，人们把采用这种算法进行误差校正的多层前馈神经网络称为BP神经网络。从结构上讲，BP网络具有输入层、隐藏层和输出层；从本质上讲，BP算法就是以网络误差平方为目标函数、采用梯度下降法来计算目标函数的最小

目录1 Merge方法单列的内连接定义df1定义df2print(df1)print(df2)基于共同列alpha的内连接单列的外连接定义df1定义df2基于共同列alpha的内连接单列的左连接定义df1定义df2基于共同列alpha的左连接单列的右连接定义df1定义df2基于共同列alpha的右连接多列的内连接定义df1定义df2基于共同列alpha和beta的内连接多列的右连接定义df1定义df2基于共同列alpha和beta的右连接基于column和index的右连接定义df1定义df2基于df1的b

目录1 新建一个DataFrame表2 获取列名3 获取指定列或指定行数据4 通过loc获取指定行、列的数据5 通过iloc用数字定位获取指定行、列的数据1 新建一个DataFrame表import numpy as npimport pandas as pddf = pd.DataFrame([['Snow','M',22],['Tyrion','M',32],['Sansa','F',18],['Arya','F',14]], columns=['name','gender','age'])

1 回归与分类1 输出数据的类型不同分类输出的数据类型是离散数据，这类数据在任何两个数据点之间的个数是有限的，例如某年级有十个班，这里班级的数目就是离散数据。回归输出的是连续数据，这类数据在任何两个数据点之间可以细分出无限多个数值。2 目的不同分类算法得到是一个决策面，用于对数据集里的数据进行分类。回归算法得到是一条最优拟合线，这条线可以较好地拟合数据集里的各个点。3 对模型的评估指标不同在分类中，我们我们通常会使用正确率作为为指标，也就是预测结果中分类正确数据占总数据的比例

DBN，英文全称deep belief network，是使用层叠波尔兹曼机 (Restricted Boltzmann Machines, RBM)组成深度神经网络。下图为受限玻尔兹曼机的结构。图中的上层神经元组成隐层，下层神经元组成显层。每一层都可以用一个向量来表示。每一个 RBM 都可以单独用作聚类器，RBM 有两层神经元，一层叫显层 (visible layer)，由显元 (visible units) 组成，用于输入数据；另一层叫隐层 (Hidden layer)，由隐元 (hidden u