![](https://img-blog.csdnimg.cn/20190927151132530.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
pd、np、tf等语法
记录经常会用到的一些pandas、numpy中的一些语法
工藤旧一
小米公司 搜索算法工程师
展开
-
tf.layers.dense()函数的用法
作用:这个函数主要用于增加一层全连接层参数:tf.layers.dense(inputs,units,activation=None,use_bias=True,kernel_initializer=None, ##卷积核的初始化器bias_initializer=tf.zeros_initializer(), ##偏置项的初始化器,默认初始化为0kernel_regularizer=None, ##卷积核的正则化,可选bias_regularizer=None, ##原创 2020-08-17 14:43:55 · 2165 阅读 · 0 评论 -
python中[-1]、[:-1]、[::-1]、[n::-1]使用方法
import numpy as npa=np.random.rand(5)print(a)[ 0.64061262 0.8451399 0.965673 0.89256687 0.48518743] print(a[-1]) ###取最后一个元素[0.48518743] print(a[:-1]) ### 除了最后一个取全部[ 0.64061262 0.8451399 0.965673 0.89256687] print(a[::-1]) ### 取从后向前原创 2020-08-08 15:37:25 · 388 阅读 · 0 评论 -
tf.reduce_sum()函数用法详解
其参数格式为tf.reduce_sum( input_tensor, axis=None, keepdims=None, name=None)解释一下各个参数的意义:input_tensor:待求和的tensor;axis:指定的维,如果不指定,则计算所有元素的总和;keepdims:是否保持原有张量的维度,设置为True,结果保持输入tensor的形状,设置为False,结果会降低维度,如果不传入这个参数,则系统默认为False;name:操作的名称;代原创 2020-06-25 10:51:14 · 4296 阅读 · 0 评论 -
tf.clip_by_value()函数功能
tf.clip_by_value()函数的功能是将一个张量中的数值限制在一个范围之内。这样可以避免一些运算错误:例如在进行log运算时,不会出现log0这样的错误实际使用过程中,第一个参数是输入的数据,后两个参数分别是限制的最小值和最大值。代码示例:import tensorflow as tfa = tf.constant([1, 2, 3, 4, 5])sess = tf.Session()a = tf.clip_by_value(a, 2, 4)with tf.Session() a原创 2020-06-24 15:59:41 · 955 阅读 · 0 评论 -
tf.concat与tf.stack的作用与区别
tf.concat是沿某一维度拼接shape相同的张量,拼接生成的新张量维度不会增加。而tf.stack是在新的维度上拼接,拼接后维度加1。举个例子import tensorflow as tfa = tf.constant([[1, 2, 3], [4, 5, 6]])b = tf.constant([[7, 8, 9], [10, 11, 12]])ab1 = tf.concat([a, b], axis=0)ab2 = tf.stack([a, b], axis=0)sess = t原创 2020-06-19 15:07:06 · 1123 阅读 · 0 评论 -
Pandas常用函数汇总
1、文件读取df = pd.read_csv(path='file.csv')参数:header=None 用默认列名,0,1,2,3... names=['A', 'B', 'C'...] 自定义列名 index_col='A'|['A', 'B'...] 给索引列指定名称,如果是多重索引,可以传list skiprows=[0,1,2] 需要跳过的行号,从文件头0开始,skip_footer从文件尾开始 nrows=N 需要读取的行数,前N行 c原创 2020-06-07 16:58:41 · 399 阅读 · 0 评论 -
np.random.choice()函数用法
语法:np.random.choice(a, size=None, replace=True, p=None)函数效果:从一维array a 或 int 数字a 中,以概率p随机选取大小为size的数据,replace表示是否重用元素,即抽取出来的数据是否放回原数组中,默认为true(抽取出来的数据有重复)#在(0,5)区间内生成含5个数据的一维数组>>a = np.rand...原创 2020-05-06 18:12:32 · 14331 阅读 · 1 评论 -
tf.truncated_normal()函数的参数及作用
该函数用于产生截断的正态分布随机数。截断的意义是指随机数与均值的差值若大于两倍的标准差,则重新生成。也就是说,生成的随机数取值范围为 [ mean - 2 * stddev, mean + 2 * stddev ]函数参数:truncated_normal(shape,mean=0.0,stddev=1.0,dtype=tf.float32,seed=None,name=Non...原创 2020-05-06 17:07:07 · 1554 阅读 · 0 评论 -
tf.matmul() 和tf.multiply() 的区别以及怎么理解三维数组的shape含义
tf.matmul()是常见的矩阵相乘运算,而tf.multiply()则是两个矩阵中对应元素的相乘运算。具体用法:multiply 等同与* ,用于计算矩阵之间的element-wise 乘法,要求矩阵的形状必须一致(或者是其中一个维度为1),否则会报错.matmul 是tensor的矩阵乘法, 参与运算的两个tensor维度、数据类型必须一致,参与运算的是最后两维形成的矩阵,如...原创 2020-04-27 21:20:24 · 1754 阅读 · 0 评论 -
TensorFlow中TensorBoard如何使用
TensorBoard是TensorFlow中的一个可视化工具,在深度学习中可以方便的展示训练过程中一些参数的变化。使用步骤大致可分为两步:a、程序中写入相应代码 b、打开网页查看参数变化下面就来详细介绍一下一、程序中写入相应代码:1、设置保存路径,例如:tenboard_dir = ‘./tensorboard/test1/’2、指定一个文件用来保存TensorFlow的图:write...原创 2020-04-15 21:10:41 · 1224 阅读 · 0 评论 -
pandas中使用std()函数时要额外注意的一个参数
std()是计算标准差的函数,使用时要额外注意ddof这个参数:在ddof = 0时,计算的是总体标准偏差,标准差公式根号内除以 n。在ddof = 1时,计算的是样本标准差,标准差公式根号内除以 (n-1)。代码示例ddof=0>>> np.std([1,2,3])0.81649658092772603ddof=1>>> np.std([1,...原创 2020-04-14 20:13:20 · 2961 阅读 · 0 评论 -
pandas中unique()函数与nunique()函数的区别
这两个函数都是跟唯一值相关的。不同的是:unique()函数是以数组形式返回列的所有唯一值。nunique()函数则是返回所有唯一值的个数。代码示例data = pd.DataFrame(['man','woman'],columns=['x'])data['x'].unique()Out[11]: array(['man', 'woman'], dtype=object)data...原创 2020-04-14 19:45:13 · 1808 阅读 · 0 评论 -
np.random.normal()函数与tf.random_normal()函数用法
一、np.random.normal()函数用法numpy.random.normal(loc=0,scale=1e-2,size=shape)其参数意义为:参数loc(float):正态分布的均值,对应着这个分布的中心。loc=0说明这一个以Y轴为对称轴的正态分布,参数scale(float):正态分布的标准差,对应分布的宽度,scale越大,正态分布的曲线越矮胖,scale越小,曲线越...原创 2020-04-14 19:31:07 · 4681 阅读 · 0 评论 -
pandas中read_csv()函数的用法
read_csv()函数在pandas中用来读取文件,其语法格式为:pd.read_csv(filepath_or_buffer,header,parse_dates,index_col)其中参数:filepath_or_buffer:字符串,或者任何对象的read()方法。这个字符串可以是URL,有效的URL方案包括http、ftp、s3和文件。可以直接写入"文件名.csv"header...原创 2020-04-14 11:04:07 · 15012 阅读 · 0 评论