AI概览: 1、人工智能概述思维导图 2、Fizz_Buzz实践练习 3、奇异值分解后,重建;只保留一个奇异值,重建原矩阵 4、最小二乘法曲线拟合:用两种不同的随机噪声,分别绘图,数据点和拟合的模型。
一、Windows环境搭建(创建一个新的环境) conda create --name tensorflow python=3.5 activate TensorFlow 激活环境
deactivate TensorFlow 退出环境 conda env list 查看有哪些环境 conda install nb_conda ---安装nb_conda用于notebook自动关联nb_conda的环境 在dos窗口输入jupyter notebook--点击new--就可以使用TensorFlow这个刚刚创建的环境了
conda install numpy pandas scikit-learn conda install tensorflow==1.8 安装OpenCv 首先在https://pypi.org/project/opencv-python/3.3.0.10/#files这个网站下载对应的whl包 python35的下载如下这个包:
进入到C:\Anaconda3\envs\tensorflow\Scripts 把whl文件放入这个目录下
进入到python、输入import cv2无报错说明导入模块成功
# coding:utf-8
# 作者:多测师_王sir
# 网址:www.duoceshi.cn # fizz_buzz实战 import numpy as np from sklearn import linear_model from sklearn.metrics import mean_squared_error # 分类,回归(有监督)和聚类(无监督) # 1 数据预处理理/特征工程 # 样本 train test # 单样本 x(特征),y(标签,回归分类才有) # 2 模型训练 # 模型 # 损失函数 # 评测指标 train metric # 3 模型预测 # test metric # 特征⼯工程构造特征⽅方法:将数字1,2,3 ... 等构造特征(重要影响因素,对预测number, "fizz", "buzz", "fizzbuzz"有帮助的因素),构造为三个维度。 # 将每个输入的数,表示为⼀一个特征数组(向量),这个特征数组有三个维度。 def feature_engineer(i): return np.array([i % 3, i % 5, i % 15]) #return np.array([i % 3, i % 5]) # 将需要预测的指标转换为数字方法:将数据的真实值(预测结果)number, "fizz", "buzz", "fizzbuzz" # 分别对应转换为数字 3, 2, 1, 0,这样后续能被计算机处理 def construct_sample_label(i): if i % 15 == 0: return np.array([3]) elif i % 5 == 0: return np.array([2]) elif i % 3 == 0: return np.array([1]) else: return np.array([0]) #[1, 1] [2, 2] [3, fizz] # 生成训练集和测试集数据:我们的⾯面试题目标是预测 1 到 100的fizz buzz情况. 所以为了了 # 更更加公平的预测,不不让分类预测器器较早的知道 要预测的数据的情况, # 我们选取101到200这个范围的数作为我们的训练集和测试集。 # Note: 语法说明。 for i in range(101, 200)代表Python中从for循环中遍历取值为i,并 # 赋值将i值输入到feature_engineer函数 #训练集真题 # [[0,1,2], [2,3,1],[1,2,3]] x_train = np.array([feature_engineer(i) for i in range(181, 281)]) #print(x_train) # [[1],[2],[4]] y_train = np.array([construct_sample_label(i) for i in range(181, 281)]) #print(y_train) #测试集期末考试试卷 x_test = np.array([feature_engineer(i) for i in range(51, 181)]) y_test = np.array([construct_sample_label(i) for i in range(51, 181)]) logistic = linear_model.LogisticRegression() logistic.fit(x_train, y_train) # Returns the mean accuracy on the given test data and labels # 代表模型精准程度 print('LogisticRegression score: %f'% logistic.score(x_test, y_test)) # print(logistic.predict([feature_engineer(231))) # 运行结果:LogisticRegression score: 1.000000
二、Mac环境搭建 1.mac 下载anaconda3-4.2.0 对应的是Python3.5 因为TensorFlow1.8只支持Python3.5 https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/
2.安装TensorFlow1.8前面需要加个sudo
3.搭建TensorFlow的虚拟运行环境 https://blog.csdn.net/gxuphf123/article/details/81121937