<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[arzhh的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/arzhh</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; arzhh]]></copyright><item><title><![CDATA[python的文件、模块和包]]></title><link>https://blog.youkuaiyun.com/arzhh/article/details/106446225</link><guid>https://blog.youkuaiyun.com/arzhh/article/details/106446225</guid><author>arzhh</author><pubDate>Sat, 30 May 2020 20:00:57 +0800</pubDate><description><![CDATA[一个python文件就是一个模块，文件名带后缀，模块名不带。重点说说包。
包的本质就是一个包含__init__.py文件的目录，一个文件夹。
导入一个包，其实就是导入这个包的__init__.py文件。
如果一个文件夹没有包含__init__.py，那么这个文件夹就是一个特殊的包，称为命名空间包。命名空间包的一个用处就是将位于不同物理路径下的包合并到一个逻辑命名空间当中。当然所有的这些路径都必须是命名空间包，即不能包含 init.py 文件。

...]]></description><category></category></item><item><title><![CDATA[Google提出的CNN模型设计准则]]></title><link>https://blog.youkuaiyun.com/arzhh/article/details/105941870</link><guid>https://blog.youkuaiyun.com/arzhh/article/details/105941870</guid><author>arzhh</author><pubDate>Wed, 06 May 2020 00:16:29 +0800</pubDate><description><![CDATA[1、慎用bottleneck
如果出于模型分类精度考虑，那么应尽量避免使用bottleneck模块，尤其是不应当在模型的早期阶段使用。CNN模型本质上是一个DAG（有向无环图），其上信息自底向上流动，而每一个bottleneck的使用都会损失一部分信息，因此当我们出于计算与存储节省而使用bottleneck时，一定要慎重。如果一定要用，也要在模型较靠后的几层使用。
2、层宽些还是有好处的
撇开计算...]]></description><category></category></item><item><title><![CDATA[关于 tf.keras.layers.Conv2D]]></title><link>https://blog.youkuaiyun.com/arzhh/article/details/105897463</link><guid>https://blog.youkuaiyun.com/arzhh/article/details/105897463</guid><author>arzhh</author><pubDate>Sun, 03 May 2020 00:50:48 +0800</pubDate><description><![CDATA[这是一个2维卷积层，也即对于图像的平面卷积。
签名如下：
tf.keras.layers.Conv2D(
    filters, 
    kernel_size, 
    strides=(1, 1), 
    padding='valid', 
    data_format=None,
    dilation_rate=(1, 1), 
    activation=None, 
 ...]]></description><category></category></item><item><title><![CDATA[Tensor 与 numpy.array]]></title><link>https://blog.youkuaiyun.com/arzhh/article/details/105714214</link><guid>https://blog.youkuaiyun.com/arzhh/article/details/105714214</guid><author>arzhh</author><pubDate>Thu, 23 Apr 2020 18:28:39 +0800</pubDate><description><![CDATA[Tensors
A Tensor is a multi-dimensional array. Similar to NumPy ndarray objects,
tf.Tensor objects have a data type and a shape. Additionally, tf.Tensors can reside in accelerator memory (like a GPU)....]]></description><category></category></item><item><title><![CDATA[认识pandas的Dataframe和 Series，以及它们之间的运算]]></title><link>https://blog.youkuaiyun.com/arzhh/article/details/105665210</link><guid>https://blog.youkuaiyun.com/arzhh/article/details/105665210</guid><author>arzhh</author><pubDate>Tue, 21 Apr 2020 18:58:51 +0800</pubDate><description><![CDATA[Dataframe 有column 和 index ，column也是key。像平常的表格。见下列例子：
df = pd.DataFrame(np.arange(1,16).reshape(3,5),columns=[‘A’,‘B’,‘C’,‘D’,‘E’],index=[‘one’,‘two’,‘three’])
‘’’
print(df)
输出：
A   B   C   D   E
one  ...]]></description><category></category></item><item><title><![CDATA[keras.layers.Embedding 总结]]></title><link>https://blog.youkuaiyun.com/arzhh/article/details/105630468</link><guid>https://blog.youkuaiyun.com/arzhh/article/details/105630468</guid><author>arzhh</author><pubDate>Mon, 20 Apr 2020 11:22:17 +0800</pubDate><description><![CDATA[embedding 这个层困扰我好久，训练总是通不过，错误：Errors may have originated from an input operation.  tensorflow.python.framework.errors_impl.InvalidArgumentError:  indices[80,75] = 17934 is not in [0, …
现在明白了，写下来。
上面的错...]]></description><category></category></item><item><title><![CDATA[tensosflow.keras.Sequential 的 predict（）总结]]></title><link>https://blog.youkuaiyun.com/arzhh/article/details/105600798</link><guid>https://blog.youkuaiyun.com/arzhh/article/details/105600798</guid><author>arzhh</author><pubDate>Sat, 18 Apr 2020 16:52:10 +0800</pubDate><description><![CDATA[def predict(self, x,
batch_size=None,
verbose=0,
steps=None,
callbacks=None,
max_queue_size=10,
workers=1,
use_multiprocessing=False):
以数组的形式返回预测结果
参数说明：
x : 输入数据。可以是numpy数组，也可以是返回（inputs, targets）的生成...]]></description><category></category></item><item><title><![CDATA[tensosflow.keras.Sequential 的 evaluate() 函数总结]]></title><link>https://blog.youkuaiyun.com/arzhh/article/details/105600420</link><guid>https://blog.youkuaiyun.com/arzhh/article/details/105600420</guid><author>arzhh</author><pubDate>Sat, 18 Apr 2020 16:28:21 +0800</pubDate><description><![CDATA[def evaluate(self,
x=None,
y=None,
batch_size=None,
verbose=1,
sample_weight=None,
steps=None,
callbacks=None,
max_queue_size=10,
workers=1,
use_multiprocessing=False):
“”"
返回损失值和度量值(metrics)
参数说明：
x:...]]></description><category></category></item><item><title><![CDATA[tensosflow.keras.Sequential 的 fit() 函数总结]]></title><link>https://blog.youkuaiyun.com/arzhh/article/details/105594775</link><guid>https://blog.youkuaiyun.com/arzhh/article/details/105594775</guid><author>arzhh</author><pubDate>Sat, 18 Apr 2020 10:49:38 +0800</pubDate><description><![CDATA[def fit(self,
x=None,
y=None,
batch_size=None,
epochs=1,
verbose=1,
callbacks=None,
validation_split=0.,
validation_data=None,
shuffle=True,
class_weight=None,
sample_weight=None,
initial_epoch=0,
ste...]]></description><category></category></item><item><title><![CDATA[给初学者：开始构建你的神经网络模型]]></title><link>https://blog.youkuaiyun.com/arzhh/article/details/105555340</link><guid>https://blog.youkuaiyun.com/arzhh/article/details/105555340</guid><author>arzhh</author><pubDate>Thu, 16 Apr 2020 13:44:23 +0800</pubDate><description><![CDATA[分两步构建一个神经网络模型：
第一步，配置模型的层。人工神经网络基本的构建块就是层，每个层包含一个或多个LTU，也叫线性阈值单元。LTU是一个人工神经单元，输入和输出都是数字，并且每个输入的连接都有一个对应的权重。LTU会加权求和所有的输入，然后根据求值结果应用一个信号函数。下面使用keras.Sequential类配置层：
model = keras.Sequential([
    keras...]]></description><category></category></item><item><title><![CDATA[曼德布洛特集合 (Mandelbrot  set)]]></title><link>https://blog.youkuaiyun.com/arzhh/article/details/105456551</link><guid>https://blog.youkuaiyun.com/arzhh/article/details/105456551</guid><author>arzhh</author><pubDate>Sat, 11 Apr 2020 17:50:03 +0800</pubDate><description><![CDATA[如下方法，可以生成著名的曼德布洛特集合。
def Mandelbrot_set():
Y, X = np.mgrid[-1.3:1.3:0.005, -2:1:0.005]
Z = X + 1j * Y
c = tf.constant(Z.astype(np.complex64))
zs = tf.Variable©
ns = tf.Variable(tf.zeros_like(c, tf.flo...]]></description><category></category></item><item><title><![CDATA[K-means聚类算法]]></title><link>https://blog.youkuaiyun.com/arzhh/article/details/105388274</link><guid>https://blog.youkuaiyun.com/arzhh/article/details/105388274</guid><author>arzhh</author><pubDate>Wed, 08 Apr 2020 15:21:40 +0800</pubDate><description><![CDATA[K-means聚类算法是最普及的，也是比较简单的聚类算法。可以分为以下几个步骤：
（1）确定K值，也即确定我们要将数据分为多少个组；  （2）从数据集中随机选取 K 个数据作为初始中心点；
（3）对集合中每一个数据，计算其与每一个中心点的距离，离那个中心点近，就归那个组；
（4）在每组中按一定的算法重新选择中心点，通常是求每一群的平均值。
（5）如果新的中心点和旧的中心点之间的距离小于某一个设置的...]]></description><category></category></item><item><title><![CDATA[逻辑回归(Logistic Regression）]]></title><link>https://blog.youkuaiyun.com/arzhh/article/details/105320033</link><guid>https://blog.youkuaiyun.com/arzhh/article/details/105320033</guid><author>arzhh</author><pubDate>Sun, 05 Apr 2020 01:55:21 +0800</pubDate><description><![CDATA[首先，逻辑回归的输出值只有两个，通常记为0和1 ，因而逻辑回归又是一种分类算法。
  其次，逻辑回归有一个广义的线性模型。线性模型通常记
  为：![](https://img-blog.csdnimg.cn/20200404233031231.png)逻辑回归的模型为 ：![logistic Regression](https://img-blog.csdnimg.cn/2020040423...]]></description><category></category></item><item><title><![CDATA[利用matplotlib.pyplot读取、显示和保存图片]]></title><link>https://blog.youkuaiyun.com/arzhh/article/details/105304203</link><guid>https://blog.youkuaiyun.com/arzhh/article/details/105304203</guid><author>arzhh</author><pubDate>Sat, 04 Apr 2020 01:06:48 +0800</pubDate><description><![CDATA[利用matplotlib.pyplot读取、显示和保存图片
matplotlib.pyplot是matplotlib的一个基于状态的借口，提供了类似于matlab的绘图方式，主要用于交互式绘图和程序绘图。它还可以读取、显示和保存图片。
1、读图片 imread(fname, format=None)
fname是图片路径
format是图片格式，默认值是None。如果没有提供图片格式，imread...]]></description><category></category></item></channel></rss>