- 博客(8)
- 收藏
- 关注
RSS订阅原创 python读入表格，画出图形，设置横坐标，并保存。【保姆级】
每次实验数据复制到Excel，再从Excel复制到python画图，心好累，所以就搞了一个直接python读取excel并画图的程序，python初学者，希望能帮助大家，代码千万条，改进第一条…上excel表格（如果是按列记录数据，可以复制以后再转置粘贴到新的sheet中）图一：红框：文件名字，蓝框：子表格名字，黄框：第一行为自变量x，第二行到第五行是因变量图二：第二个子表格的数据在读取...
2019-08-17 23:08:04
2795
原创 pandas学习笔记
import pandas as pd#读取文件df = pd.read_csv(filepath_or_buffer=‘路径’,sep=’,’,#csv文件分割为逗号，其他为’\t’skiprows=1,#读取跳过第一行nrows=10,#读取前10行数据parse_data=[‘列名’]#指定列以日期的形式输入index_col=[‘列名’]#指定列设为index否则为0,1,...
2019-07-01 10:57:40
173
转载 CNN反向传播算法
输入：m个图片样本，CNN模型的层数L和所有隐藏层的类型，对于卷积层，要定义卷积核的大小K，卷积核子矩阵的维度F，填充大小P，步幅S。对于池化层，要定义池化区域大小k和池化标准（MAX或Average），对于全连接层，要定义全连接层的激活函数（输出层除外）和各层的神经元个数。梯度迭代参数迭代步长ααα,最大迭代次数MAX与停止迭代阈值ϵϵϵ 输出：CNN模型各隐藏层与输出层的W,bW,bW...
2019-07-01 10:56:23
286
转载 CNN反向传播算法
输入：m个图片样本，CNN模型的层数L和所有隐藏层的类型，对于卷积层，要定义卷积核的大小K，卷积核子矩阵的维度F，填充大小P，步幅S。对于池化层，要定义池化区域大小k和池化标准（MAX或Average），对于全连接层，要定义全连接层的激活函数（输出层除外）和各层的神经元个数。梯度迭代参数迭代步长ααα,最大迭代次数MAX与停止迭代阈值ϵϵϵ 输出：CNN模型各隐藏层与输出层的W,bW,bW...
2018-12-27 22:28:11
455
转载 卷积神经网络识别手写数字体笔记（二），主要转自 深度神经网络（DNN）反向传播算法(BP)
卷积神经网络识别手写数字体笔记（二），主要转自 深度神经网络（DNN）反向传播算法(BP)反向传播Back PropagationDNN中BP解决问题：新的改变我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客：全新的界面设计 ，将会带来全新的写作体验；在创作中心设置你喜爱的代码高亮样式，Mar...
2018-12-27 22:14:51
267
转载 CNN前向传播算法
输入：1个图片样本，CNN模型的层数L和所有隐藏层的类型，对于卷积层，要定义卷积核的大小K，卷积核子矩阵的维度F，填充大小P，步幅S。对于池化层，要定义池化区域大小k和池化标准（MAX或Average），对于全连接层，要定义全连接层的激活函数（输出层除外）和各层的神经元个数。输出：CNN模型的输出aLa^LaL 1) 根据输入层的填充大小P，填充原始图片的边缘，得到输入张量a1a^1a1...
2018-12-27 22:13:00
379
转载 梯度下降，概念概念，纯概念，转来
梯度下降（Gradient Descent）小结**梯度：**在微积分里面，对多元函数的参数求∂偏导数，把求得的各个参数的偏导数以向量的形式写出来，就是梯度。沿着梯度向量的方向，函数增长最快，反向减少最快。**梯度下降与梯度上升：**在最小化损失函数时，可以通过梯度下降法来一步步的迭代求解，得到最小化的损失函数，和模型参数值。反过来，如果我们需要求解损失函数的最大值，这时就需要用梯度上升法来迭...
2018-12-27 21:00:15
182
转载 卷积神经网络识别手写数字体笔记（一），主要转自 深度神经网络（DNN）模型与前向传播算法
在学习CNN（卷积神经网络）前，推荐大家先学习DNN（深度神经网络）的知识。感知机：多输入，单个中间输出，神经元激活函数，输出结果1，-1（适合于二分类）：适用范围小。扩展上述感知机（DNN有时也叫做多层感知机（Multi-Layer perceptron,MLP））：1.加入了隐藏层，2.输出层的神经元也可以不止一个输出，可以有多个输出，这样模型可以灵活的应用于分类回归，以及其他的机器学...
2018-12-25 10:56:05
251
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