- 博客(8)
- 收藏
- 关注
原创 2021-06-29
显示登陆首页实现步骤 创建Django项目 在终端中创建应用,python manage.py startapp 应用名 在项目包中的settings.py文件中添加应用 INSTALLED_APPS = [ 'django.contrib.admin', 'django.contrib.auth', 'django.contrib.contenttypes', 'django.contrib.sessions', 'django.contrib.messages
2021-07-02 09:43:54
129
原创 2021-06-28
Django基础+实战 显示登陆首页 创建Django文件 创建我的APP 在命令符中输入:python manage.py startapp 文件名 在setting.py中找到INSTALLED_APPS,并在其中插入所生成的文件名。 在新文件中创建新的py文件urls.py 子路径 from django.conf.urls import url from . import views urlpatterns=[ url(r'^$',views.login_view) ] 创建一个vi
2021-06-29 09:10:30
105
原创 卷积示例搭建
import tensorflow as tf import numpy as np from matplotlib import pyplot as plt np.set_printoptions(threshold=np.inf) cifar10 = tf.keras.datasets.cifar10 (x_train,y_train),(x_test,y_test) = cifar10.load_data() #可视化训练集输入特征的第一个元素 plt.imshow(x_train[9]) # 绘制
2021-05-09 19:43:28
149
原创 卷积神经网络搭建示例
卷积神经网络搭建示例 #引入相关模块 import tensorflow as tf import os import numpy as np from matplotlib import pyplot as plt from tensorflow.keras.layers import Conv2D,BatchNormalization,Activation,MaxPool2D,Dropout,Flatten,Dense from tensorflow.keras import Model #显示完整数字
2021-05-02 17:29:57
150
原创 tf.keras 搭建网络八股
用Tensorflow API: tf.keras 搭建网络八股 六步法 提纲 import train,test model=tf.keras.models.Sequential # 前向传播,封装网络结构 model.compile # 配置训练方法,选择优化器,选择损失函数,选择评测指标 model.fit,#喂入标签,迭代数据集 model.summary #打印网络结构和参数统计 model.Sequenttial(神经元个数,activation="激活函数",kerenl_regula
2021-04-25 15:13:01
320
1
原创 2021-04-13
指数衰减学习率 可以先用较大的学习率,快速得到较优解,然后逐步减少学习率,使模型在训练后期稳定 指数衰减学习率=初始学习率x学习率衰减率的(当前轮数/多少轮衰减一次)的次方 epoch=40 LR_BASE=0.2 LR_DECAY=0.99 LR_STEP=1 #上述为超参数 for epoch in range(epoch): lr=LR_BASE*LR_DECAY**(epoch/LR_STEP) #在此处加入此代码串 激活函数 大大提升模型表达力,使多层神经网络不再是线性函数 优秀的激活函数:
2021-04-19 07:36:43
167
原创 神经网络实现鸢尾花分类
鸢尾花数据集读入 从sklearn包datasets读入数据集,语法为: from sklearn.datasets import load_iris x_data=datasets.load_iris().data #返回iris数据集所有输入特征 y_data=datasets.load_iris().target #返回iris数据集所有标签 将数据变成表格形式 需要引: import pandas as pd x=DataFrame(x,columns=['','','','']) #引号
2021-04-11 19:32:19
733
1
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