- 博客(13)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 CBAPD方法进行图像特征提取识别cifar10数据集
CBAPD方法进行图像特征提取识别cifar10数据集self.p1 = MaxPool2D(pool_size=(2, 2), strides=2, padding='same') # 池化层。self.c1 = Conv2D(filters=6, kernel_size=(5, 5), padding='same') # 卷积层。self.b1 = BatchNormalization() # BN层。self.a1 = Activation('relu') # 激活层。
2023-09-06 15:38:43
130
1
原创 参用L2正则化缓解过拟合，区分红蓝点
plt.scatter(x1, x2, color=np.squeeze(Y_c)) # squeeze去掉纬度是1的纬度,相当于去掉[['red'],[''blue]],内层括号变为['red','blue']# 生成神经网络的参数，输入层为2个神经元，隐藏层为11个神经元，1层隐藏层，输出层为1个神经元。# 生成神经网络的参数，输入层为4个神经元，隐藏层为32个神经元，2层隐藏层，输出层为3个神经元。# xx在-3到3之间以步长为0.01，yy在-3到3之间以步长0.01,生成间隔数值点。
2023-08-16 18:43:32
118
1
原创 自定义损失函数预测酸奶日销量
y_ = [[x1 + x2 + (rdm.rand() / 10.0 - 0.05)] for (x1, x2) in x] # 生成噪声[0,1)/10=[0,0.1);f(y_，y) = PROFIT * (y_ - y) y < y_ 预测的y少了，损失利润PROFIT。或者f(y_，y) = COST * (y - y_) y>=y_ 预测的y多了损失成本COST。# 成本很低，利润很高，人们希望多预测些，生成模型系数大于1，往多了预测。预测少了，损失利润。
2023-08-11 16:29:59
73
1
原创 均方误差预测酸奶日销量
预测销量y的结果等于 1.00倍x1 + 1.00倍x2，和y_=x1 + x2 对比，说明预测酸奶日销量的公式拟合正确。拟造数据集X,Y_：y_=x1 + x2 噪声：-0.05~ +0.05 拟合可以预测销量的函数。loss_mse = tf.reduce_mean(tf.square(y_ - y)) #均方误差。[0,0.1)-0.05=[-0.05,0.05)建模前，应预先采集的数据有：每日x1，x2和销量y_（即已知答案，最佳情况：产量=销量）
2023-08-11 15:46:25
84
1
原创 PHP安装SQL Server驱动
5.将以上的两个驱动文件复制到XAMPP的安装目录的php/ext目录下，我的是C:\xampp\php\ext，然后打开php.ini，可以从XAMPP的控制面板上打开（点config，然后下面的php.ini），也可以到安装目录下的php文件夹下找，然后打开，我的是C:\xampp\php\php.ini，打开后在末尾加上。有这个就不用管了，然后关上，再打开C:\xampp\apache\conf\extra\httpd-vhosts.conf，在结尾加上。// 数据库读写是否分离 主从式有效。
2023-08-08 12:34:51
347
原创 在C#8.0 及更高版本中，可以使用 swich 表达式简化 switch 语句
在C#8.0 及更高版本中，可以使用 swich 表达式简化 switch 语句
2023-08-08 12:25:54
164
原创 Python-TensorFlow实现鸢尾花分类
plt.plot(train_loss_results, label="$Loss$") # 逐点画出trian_loss_results值并连线，连线图标是Loss。loss = tf.reduce_mean(tf.square(y_ - y)) # 采用均方误差损失函数mse = mean(sum(y-out)^2)loss_all += loss.numpy() # 将每个step计算出的loss累加，为后续求loss平均值提供数据，这样计算的loss更准确。因为3分类，故输出层为3个神经元。
2023-08-08 11:52:28
206
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人