Datawhale 11 月组队学习笔记（五）：大作业

最新推荐文章于 2022-10-08 17:50:57 发布
最新推荐文章于 2022-10-08 17:50:57 发布
阅读量118 收藏
点赞数
文章标签： numpy python 算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_45943100/article/details/110454867
版权

大作业

  1. 导入鸢尾花数据
import numpy as np
import pandas as pd
from pandas import plotting

import matplotlib.pyplot as plt
plt.style.use('seaborn')

import seaborn as sns
sns.set_style("whitegrid")

from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import LabelEncoder
from sklearn.neighbors import KNeighborsClassifier
from sklearn import svm
from sklearn import metrics
from sklearn.tree import DecisionTreeClassifier
iris = r'D:\iris.csv'
#或iris = pd.read_csv('F:\pydata\dataset\kaggle\iris.csv', usecols=[1, 2, 3, 4, 5])
iris_data = np.loadtxt(iris, dtype=object, delimiter=',', skiprows=1)
print(iris_data[0:10])
#
[['5.1' '3.5' '1.4' '0.2' 'setosa']
 ['4.9' '3.0' '1.4' '0.2' 'setosa']
 ['4.7' '3.2' '1.3' '0.2' 'setosa']
 ['4.6' '3.1' '1.5' '0.2' 'setosa']
 ['5.0' '3.6' '1.4' '0.2' 'setosa']
 ['5.4' '3.9' '1.7' '0.4' 'setosa']
 ['4.6' '3.4' '1.4' '0.3' 'setosa']
 ['5.0' '3.4' '1.5' '0.2' 'setosa']
 ['4.4' '2.9' '1.4' '0.2' 'setosa']
 ['4.9' '3.1' '1.5' '0.1' 'setosa']]
  1. 求鸢尾属植物萼片长度的平均值，中位数，标准差
sepalLength = np.loadtxt(iris, dtype=float, delimiter=',', skiprows=1, usecols=[0])
print(sepalLength[0:10])
#[5.1 4.9 4.7 4.6 5.  5.4 4.6 5.  4.4 4.9]
print(np.mean(sepalLength))
#5.843333333333334
print(np.median(sepalLength))
#5.8
print(np.std(sepalLength))
#0.8253012917851409
  1. 创建一种标准化形式的鸢尾属植物萼片的长度，起值正好介于0和1之间，这样最小值为0，最大值为1（第1列，sepallength)
sepalLength = np.loadtxt(iris, dtype=float, delimiter=',', skiprows=1,usecols=[0])
aMin = np.amin(sepalLength)
aMax = np.amax(sepalLength)
x = (sepalLength - aMin) / np.ptp(sepalLength)
print(x[0:10])
#[0.22222222 0.16666667 0.11111111 0.08333333 0.19444444 0.30555556
 0.08333333 0.19444444 0.02777778 0.16666667]
  1. 找到鸢尾属植物萼片长度的第5和第95百分位数
sepalLength = np.loadtxt(iris, dtype=float, delimiter=',', skiprows=1,usecols=[0])
x = np.percentile(sepalLength,[5, 95])
print(x)
#[4.6   7.255]
  1. 把iris_data数据集中的20个随机位置改为np.nan值
iris_data = np.loadtxt(iris, dtype=object, delimiter=',', skiprows=1)
i, j = iris_data.shape
np.random.seed(20200621)
iris_data[np.random.randint(i, size=20), np.random.randint(j, size=20)] = np.nan  #或用np.random.choice函数
print(iris_data[0:10])
#[['5.1' '3.5' '1.4' '0.2' 'setosa']
 ['4.9' '3.0' '1.4' '0.2' 'setosa']
 ['4.7' '3.2' '1.3' '0.2' 'setosa']
 ['4.6' '3.1' '1.5' '0.2' 'setosa']
 ['5.0' '3.6' '1.4' '0.2' 'setosa']
 ['5.4' nan '1.7' '0.4' 'setosa']
 ['4.6' '3.4' '1.4' '0.3' 'setosa']
 ['5.0' '3.4' '1.5' '0.2' 'setosa']
 ['4.4' '2.9' '1.4' '0.2' nan]
 ['4.9' '3.1' '1.5' '0.1' 'setosa']]
  1. 在iris_data的sepallength中查找缺失值的个数和位置（第1列）
iris_data = np.loadtxt(iris, dtype=float, delimiter=',', skiprows=1,usecols=[0, 1, 2, 3])
i, j = iris_data.shape
np.random.seed(20200621)
iris_data[np.random.randint(i, size=20), np.random.randint(j, size=20)] = np.nan
sepallength = iris_data[:, 0]
x = np.isnan(sepallength)
print(x)
print(np.where(x))
#[False False False False False False False False False False False False
 False False False False False False False False False False False False
 False False  True False False False False False False False False False
 False False False False False False False False  True False False False
 False False False False False False False  True False False False False
 False False False  True False False False False False False False False
 False False False False False False False False False False False False
 False False False False False False  True False False False False False
 False False False False False False False False False False False False
 False False False False False False False  True False False False False
 False False False False False False False False False False False False
 False False False False False False False False False False False False
 False False False False False False]
(array([ 26,  44,  55,  63,  90, 115], dtype=int32),)
  1. 筛选具有 sepallength（第1列）< 5.0 并且 petallength（第3列）> 1.5 的 iris_data行
iris_data = np.loadtxt(iris, dtype=float, delimiter=',', skiprows=1, usecols=[0, 1, 2, 3])
sepallength = iris_data[:, 0]
petallength = iris_data[:, 2]
index = np.where(np.logical_and(petallength > 1.5, sepallength < 5))
print(iris_data[index])
#[[4.8 3.4 1.6 0.2]
 [4.8 3.4 1.9 0.2]
 [4.7 3.2 1.6 0.2]
 [4.8 3.1 1.6 0.2]
 [4.9 2.4 3.3 1. ]
 [4.9 2.5 4.5 1.7]]
  1. 选择没有任何 nan 值的 iris_data行
iris_data = np.loadtxt(iris, dtype=float, delimiter=',', skiprows=1, usecols=[0, 1, 2, 3])
i, j = iris_data.shape
np.random.seed(20200621)
iris_data[np.random.randint(i, size=20), np.random.randint(j, size=20)] = np.nan
x = iris_data[np.sum(np.isnan(iris_data), axis=1) == 0]
print(x[0:10])
#[[5.1 3.5 1.4 0.2]
 [4.9 3.  1.4 0.2]
 [4.7 3.2 1.3 0.2]
 [4.6 3.1 1.5 0.2]
 [5.  3.6 1.4 0.2]
 [4.6 3.4 1.4 0.3]
 [5.  3.4 1.5 0.2]
 [4.9 3.1 1.5 0.1]
 [5.4 3.7 1.5 0.2]
 [4.8 3.4 1.6 0.2]]
  1. 计算 iris_data 中sepalLength（第1列）和petalLength（第3列）之间的相关系数
iris_data = np.loadtxt(iris, dtype=float, delimiter=',', skiprows=1, usecols=[0, 1, 2, 3])
sepallength = iris_data[:, 0]
petallength = iris_data[:, 2]
x = np.corrcoef(sepallength, petallength)
print(x)
#[[1.         0.87175378]
 [0.87175378 1.        ]]
  1. 找出iris_data是否有任何缺失值
iris_data = np.loadtxt(iris, dtype=float, delimiter=',', skiprows=1, usecols=[0, 1, 2, 3])
x = np.isnan(iris_data)
print(np.any(x))
#False
  1. 在numpy数组中将所有出现的nan替换为0
iris_data = np.loadtxt(iris, dtype=float, delimiter=',', skiprows=1, usecols=[0, 1, 2, 3])
i, j = iris_data.shape
np.random.seed(20200621)
iris_data[np.random.choice(i, size=20), np.random.choice(j, size=20)] = np.nan
iris_data[np.isnan(iris_data)] = 0
print(iris_data[0:10])
#[[5.1 3.5 1.4 0.2]
 [4.9 3.  1.4 0.2]
 [4.7 3.2 1.3 0.2]
 [4.6 3.1 1.5 0.2]
 [5.  3.6 1.4 0.2]
 [5.4 0.  1.7 0.4]
 [4.6 3.4 1.4 0.3]
 [5.  3.4 1.5 0.2]
 [4.4 2.9 0.  0.2]
 [4.9 3.1 1.5 0.1]]
  1. 找出鸢尾属植物物种中的唯一值和唯一值出现的数量
iris_data = np.loadtxt(iris, dtype=object, delimiter=',', skiprows=1, usecols=[4])
x = np.unique(iris_data, return_counts=True)
print(x)
(array(['setosa', 'versicolor', 'virginica'], dtype=object), array([50, 50, 50]))
  1. 将 iris_data 的花瓣长度（第3列）以形成分类变量的形式显示。定义：Less than 3 -->‘small’；3-5 --> ‘medium’；’>=5 --> ‘large’
iris_data = np.loadtxt(iris, dtype=float, delimiter=',', skiprows=1, usecols=[0, 1, 2, 3])
petal_length_bin = np.digitize(iris_data[:, 2], [0, 3, 5, 10])
label_map = {1: 'small', 2: 'medium', 3: 'large', 4: np.nan}
petal_length_cat = [label_map[x] for x in petal_length_bin]
print(petal_length_cat[0:10])
#['small', 'small', 'small', 'small', 'small', 'small', 'small', 'small', 'small', 'small']
  1. 在 iris_data 中创建一个新列，其中 volume 是 (pi x petallength x sepallength ^ 2）/ 3
iris_data = np.loadtxt(iris, dtype=float, delimiter=',', skiprows=1, usecols=[0, 1, 2, 3])
sepallength = iris_data[:, 0]
petallength = iris_data[:, 2]
volume = (np.pi * petallength * sepallength ** 2) / 3
volume = volume[:, np.newaxis]
iris_data = np.concatenate([iris_data, volume], axis=1)
print(iris_data[0:10])
#[[ 5.1         3.5         1.4         0.2        38.13265163]
 [ 4.9         3.          1.4         0.2        35.20049849]
 [ 4.7         3.2         1.3         0.2        30.07237208]
 [ 4.6         3.1         1.5         0.2        33.23805027]
 [ 5.          3.6         1.4         0.2        36.65191429]
 [ 5.4         3.9         1.7         0.4        51.91167701]
 [ 4.6         3.4         1.4         0.3        31.02218026]
 [ 5.          3.4         1.5         0.2        39.26990817]
 [ 4.4         2.9         1.4         0.2        28.38324243]
 [ 4.9         3.1         1.5         0.1        37.71481981]]
  1. 随机抽鸢尾属植物的种类，使得Iris-setosa的数量是Iris-versicolor和Iris-virginica数量的两倍
species = np.array(['Iris‐setosa', 'Iris‐versicolor', 'Iris‐virginica'])
species_out = np.random.choice(species, 10000, p=[0.5, 0.25, 0.25])
print(np.unique(species_out, return_counts=True))
#(array(['Iris‐setosa', 'Iris‐versicolor', 'Iris‐virginica'], dtype='<U15'), array([5042, 2534, 2424]))
  1. 根据 sepallength 列对数据集进行排序
iris_data = np.loadtxt(iris, dtype=object, delimiter=',', skiprows=1)
sepallength = iris_data[:, 0]
index = np.argsort(sepallength)
print(iris_data[index][0:10])
#[['4.3' '3.0' '1.1' '0.1' 'setosa']
 ['4.4' '3.2' '1.3' '0.2' 'setosa']
 ['4.4' '3.0' '1.3' '0.2' 'setosa']
 ['4.4' '2.9' '1.4' '0.2' 'setosa']
 ['4.5' '2.3' '1.3' '0.3' 'setosa']
 ['4.6' '3.6' '1.0' '0.2' 'setosa']
 ['4.6' '3.1' '1.5' '0.2' 'setosa']
 ['4.6' '3.4' '1.4' '0.3' 'setosa']
 ['4.6' '3.2' '1.4' '0.2' 'setosa']
 ['4.7' '3.2' '1.3' '0.2' 'setosa']]
  1. 在鸢尾属植物数据集中找到最常见的花瓣长度值（第3列）
iris_data = np.loadtxt(iris, dtype=object, delimiter=',', skiprows=1)
petallength = iris_data[:, 2]
vals, counts = np.unique(petallength, return_counts=True)
print(vals[np.argmax(counts)])
print(np.amax(counts))
#1.4
13
  1. 在鸢尾花数据集的 petalwidth（第4列）中查找第一次出现的值大于1.0的位置
iris_data = np.loadtxt(iris, dtype=float, delimiter=',', skiprows=1, usecols=[0, 1, 2, 3])
petalWidth = iris_data[:, 3]
index = np.where(petalWidth > 1.0)
print(index)
print(index[0][0])
#(array([ 50,  51,  52,  53,  54,  55,  56,  58,  59,  61,  63,  64,  65,
        66,  68,  69,  70,  71,  72,  73,  74,  75,  76,  77,  78,  80,
        82,  83,  84,  85,  86,  87,  88,  89,  90,  91,  92,  94,  95,
        96,  97,  98,  99, 100, 101, 102, 103, 104, 105, 106, 107, 108,
       109, 110, 111, 112, 113, 114, 115, 116, 117, 118, 119, 120, 121,
       122, 123, 124, 125, 126, 127, 128, 129, 130, 131, 132, 133, 134,
       135, 136, 137, 138, 139, 140, 141, 142, 143, 144, 145, 146, 147,
       148, 149], dtype=int32),)
50
1/8s延时
关注
DBSCAN聚类算法
weixin_43845795的博客
07-17 695
定义 1、可以把该密度聚类算法理解成：抱团玩耍。 2、DBSCAN 是一种基于密度的聚类算法，密度聚类算法一般假定类别可以通过样本分布的紧密程度决定。同一类别的样本，他们之间是紧密相连的。在该类别任意样本周围不远处一定有同类别的样本存在。通过将紧密相连的样本划为一类，得到一个聚类类别。通过将所有各组紧密相连的样本划为各个不同的类别，得到了最终的所有聚类类别结果。 3、DBSCAN 是基于一组邻...
dbscan算法_DBSCAN聚类算法探索
weixin_39751076的博客
11-24 1397
作者：单华DBSCAN是非监督学习中密度学习算法里的佼佼者。本文对DBSCAN做了简单的探索，全文无数学公式，共2800余字。在ARGO之前提到的聚类与K-Means一文中，提到了密度聚类方法DBSCAN算法。那么本文将对这一聚类方法进行详细介绍，具体包括：DBSCAN定义及基本概念算法原理和算法流程算法的优缺点用Scikit-learn学习DBSCAN聚类算法一 DBSCAN定义及基本概念DBS...
sklearn之基于DBSCAN的聚类算法
weixin_30633507的博客
07-21 251
''' DBSCAN算法:从样本空间中任意选择一个样本，以事先给定的半径做圆，凡被该圆圈中的样本都视为与该样本处于相同的聚类， 以这些被圈中的样本为圆心继续做圆，重复以上过程，不断扩大被圈中样本的规模，直到再也没有新的样本加入为止， 至此即得到一个聚类。于剩余样本中，重复以上过程，直到耗尽样本空间中的所有样本为止。 ...
聚类算法之DBSCAN
想当咸鱼的猫
10-26 8992
DBSCAN聚类算法 1. DBSCAN算法基本概念 DBSCAN是一种典型的基于密度的聚类算法，基于一组邻域(ϵ,MinPts)(\epsilon, MinPts)(ϵ,MinPts)来描述样本集的紧密程度。其中ϵ\epsilonϵ描述了某一样本的邻域距离阈值，MinPtsMinPtsMinPts描述了某一样本的距离为ϵ\epsilonϵ的邻域中样本个数的阈值。 在DBSCAN算法中将数据点分为以下三类： 核心点：若样本xix_ixi​的ϵ\epsilonϵ邻域内至少包含MinPtsMinPtsMinP
基于python中的sklearn.cluster库做k-means聚类
09-11
本程序是在python中完成，基于sklearn.cluster中的k-means聚类包来实现数据的聚类，对于里面使用的数据格式如下：（注意更改程序中的相关参数） 138 0 124 1 127 2 129 3 119 4 127 5 124 6 120 7 123 8 147 9 188 10 212 11 229 12 240 13 240 14 241 15 240 16 242 17 174 18 130 19 132 20 119 21 48 22 37 23 49 0 42 1 34 2 26 3 20 4 21 5 23 6 13 7 19 8 18 9 36 10 25 11 20 12 19 13 19 14 5 15 29 16 22 17 13 18 46 19 15 20 8 21 33 22 41 23 69 0 56 1 49 2 40 3 52 4 62 5 54 6 32 7 38 8 44 9 55 10 70 11 74 12 105 13 107 14 56 15 55 16 65 17 100 18 195 19 136 20 87 21 64 22 77 23 61 0 53 1 47 2 33 3 34 4 28 5 41 6 40 7 38 8 33 9 26 10 31 11 31 12 13 13 17 14 17 15 25 16 17 17 17 18 14 19 16 20 17 21 29 22 44 23 37 0 32 1 34 2 26 3 23 4 25 5 25 6 27 7 30 8 25 9 17 10 12 11 12 12 12 13 7 14 6 15 6 16 12 17 12 18 39 19 34 20 32 21 34 22 35 23 33 0 57 1 81 2 77 3 68 4 61 5 60 6 56 7 67 8 102 9 89 10 62 11 57 12 57 13 64 14 62 15 69 16 81 17 77 18 64 19 62 20 79 21 75 22 57 23 73 0 88 1 75 2 70 3 77 4 73 5 72 6 76 7 76 8 74 9 98 10 90 11 90 12 85 13 79 14 79 15 88 16 88 17 81 18 84 19 89 20 79 21 68 22 55 23 63 0 62 1 58 2 58 3 56 4 60 5 56 6 56 7 58 8 56 9 65 10 61 11 60 12 60 13 61 14 65 15 55 16 56 17 61 18 64 19 69 20 83 21 87 22 84 23 41 0 35 1 38 2 45 3 44 4 49 5 55 6 47 7 47 8 29 9 14 10 12 11 4 12 10 13 9 14 7 15 7 16 11 17 12 18 14 19 22 20 29 21 23 22 33 23 34 0 38 1 38 2 37 3 37 4 34 5 24 6 47 7 70 8 41 9 6 10 23 11 4 12 15 13 3 14 28 15 17 16 31 17 39 18 42 19 54 20 47 21 68 22
Datawhale 组队学习打卡营 任务15：卷积神经网络进阶
01-06
1. VGG11的简单实现 ⽹络中的⽹络（NiN） GoogLeNet 1. GoogLeNet模型 . . 深度卷积神经网络（AlexNet） LeNet: 在大的真实数据集上的表现并不尽如⼈意。 1.神经网络计算复杂。 2.还没有⼤量深⼊研究参数初始化和⾮...
Datawhale 组队学习打卡营 任务13：卷积神经网络基础
01-20
卷积神经网络（Convolutional Neural Networks，简称CNNs）是一种深度学习模型，特别适合处理图像数据。在卷积神经网络中，卷积层和池化层是核心组成部分。 卷积层是CNNs的主要特点，它通过应用二维卷积运算（也称...
Learn_Dive-into-DL-PyTorch:Datawhale第10期组队学习活动：《动手学深度学习》 Pytorch版的练习代码
03-09
本项目新生于Datawhale :spouting_whale:第10期组队学习活动：《动手学深度学习》 Pytorch版，由Datawhale成员安晟维护 《动手学深度学习》是亚马逊首席科学家李沐等人编写的一本优秀的深度学习教学，原书作者：...
team-learning-sql:主要存储Datawhale组队学习中“SQL”方向的资料
05-16
我如获至宝，心想这么好的教材应该让更多的人了解到，以便小伙伴们少走弯路，于是乎，我就联合DataWhale团队成员编写了这一版学习笔记。希望可以帮你更好的学习SQL。 使用方法 考虑到易用性和普及度，课程内容采用...
team-learning-cv:主要存储Datawhale组队学习中“计算机视觉”方向的资料
05-09
本项目主要存储Datawhale组队学习中“计算机视觉”方向的资料。 主要包括： 备注 有关组队学习的开源内容 ：主要展示Datawhale的组队学习计划。 ：主要存储Datawhale组队学习中“编程、数据结构与算法”方向的资料。...
python二级真题--共十二套--后六套--选择题
热门推荐
hao难懂的博客
02-27 3万+
上半部分 --> 请点击 https://blog.csdn.net/ExclusiveName/article/details/104537575 第七套真题 在面向对象方法中，一个对象请求另一对象为其服务的方式是通过发送___________。 A 命令 B 口令 C 消息 D 调用语句 正确答案： C 下面不属于软件需求分析阶段主要工作的是___________。 A 需...
Python~random库使用
Baozijiaruqin的博客
04-16 2977
Python中的random模块用于生成随机数 环境： Python 3.9 以案例的方式来熟悉： 随机生成1 - 6的整数 # 导入random库 import random # 打印1-6的随机整数 # 这里1和6都是能随机打印出来的 print(random.randint(1,6)) 从指定范围内，按指定基数递增的集合中 获取一个随机数 注：生成10-30之间，且步长为2的数 import random print(random.randrange(10, 30, 2)) 生成0-
Numpy练习题（一）
wangjp的博客
04-01 1577
Numpy1. 导入鸢尾属植物数据集，保持文本不变。2. 求出鸢尾属植物萼片长度的平均值、中位数和标准差。3. 创建一种标准化形式的鸢尾属植物萼片长度，其值正好介于0和1之间，这样最小值为0，最大值为14. 找到鸢尾属植物萼片长度的第5和第95百分位数 Numpy大作业的问题以及解决 利用了阿里的天池notebook 1. 导入鸢尾属植物数据集，保持文本不变。 import numpy as np outfile = r'.\iris.txt' iris_data = np.loadtxt(outfile)
random()随机数与round()四舍五入简介，np.random的区别
抱富的博客
11-08 3648
random()函数 1、random.random() random.random()方法返回一个随机数，其在0至1的范围之内 import random a=random.random() print(a) 结果0.4499619086192034 2、random.uniform() 在指定范围内生成随机数注意此处结果依旧是浮点数float， 其有两个参数，一个是范围上限，一个是范围下...
【机器学习】2：DBSCAN聚类算法原理
zzZ_CMing的博客
04-09 4627
前言：无监督学习想快一点复习完，就转入有监督学习 –—-—-—-—-—-—-—-—-—-—-—-—–—-—-—-—-—-—-—-——-—-—-– –—-—-—-—-—-—-—-—-—-—-—-—–—-—-—-—-—-—-—-——-—-—-–什么是无监督学习？ 无监督学习也是相对于有监督学习来说的，因为现实中遇到的大部分数据都是未标记的样本，要想通过有监督的学习就需要事先人为标注好样本标签，这个成
Python3使用random生成随机数
比特量化
09-07 855
本文介绍使用Python3中的random库生成随机数、随机小数、随机序列、随机字符串以及扑克洗牌等方法。 一、生成随机浮点数或小数 1、#生成0-1之间的浮点数 import random rnd = random.random() print(rnd) 返回 0.4116634571675989 2、#生成0-1之间的浮点数，2位精度 rnd = round(rando...
人工智能系列 之机器学习DBSCAN聚类算法
langxiaolin的博客
05-04 2199
1 介绍 DBSCAN（Density-Based Spatial Clustering of Applications with Noise）是一个出现得比较早（1996年），比较有代表性的基于密度的聚类算法。DBSCAN能够将足够高密度的区域划分成簇，并能在具有噪声的空间数据库中发现任意形状的簇。聚类的时候不需要预先指定簇的个数，最终簇的个数不确定。 DBScan需要二个参数： 扫描半径 (Eps)和最小包含点数(MinPts)。 DBSCAN算法将数据点分为三类： (1)、核心点：在半径Eps内含有超
基于密度的聚类算法（1）——DBSCAN详解
最新发布
root-cause的博客
10-08 3万+
经典的基于密度的聚类算法——DBSCAN，原理详解与代码实现。
[python]数值运算：内置round方法, random模块,二八十六进制与整数的转换
Juicy2015的博客
07-24 254
round(n,ndigits) 四舍五入，ndigits可指定浮点数位数: eg. round(1.23,1)==>1.2; round(1.27,1)==>1.3 当不指定ndigits,且为中间值时，返回最近的偶数; eg.round(1.5)==>2, round(2.5)==>2 二八十六进制与整数的转换 bin(x):将整数转换成二进制数，eg. bin(123)==>0b1111011；若想格式化去掉前缀，可使用format函数：format(123,'b').
探索Datawhale卷积神经网络基础：卷积层与池化层详解
卷积神经网络基础是Datawhale组队学习打卡营任务13的重点内容，它深入讲解了卷积神经网络的核心组成部分，特别是卷积层和池化层的功能及其内部运作机制。本章节主要涵盖以下几个关键知识点： 1. **二维卷积层**：这...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值