ch206265的博客

LaTeX积分符号汇总

ch206265 — Wed, 26 Jan 2022 19:55:15 +0800

LaTeX积分符号汇总

卷积的三种模式full, same, valid以及padding的same, valid

ch206265 — Mon, 29 Mar 2021 12:44:27 +0800

原文链接：https://zhuanlan.zhihu.com/p/62760780 作者：最刚烈一、以下展示卷积三种模式的不同之处其实这三种不同模式是对卷积核移动范围的不同限制。设 image的大小是6x7，filter的大小是3x3。 1 full mode 橙色部分为image, 蓝色部分为filter。full模式的意思是，从filter和image刚相交开始做卷积，白色部分为填0。filter的运动范围如图所示。 2 same mode 当filter的中心(K)与ima

归一化（Normalization）、标准化（Standardization）和中心化/零均值化（Zero-centered）

ch206265 — Thu, 21 Jan 2021 09:29:42 +0800

1 概念归一化：１）把数据变成(０，１)或者（1,1）之间的小数。主要是为了数据处理方便提出来的，把数据映射到0～1范围之内处理，更加便捷快速。２）把有量纲表达式变成无量纲表达式，便于不同单位或量级的指标能够进行比较和加权。归一化是一种简化计算的方式，即将有量纲的表达式，经过变换，化为无量纲的表达式，成为纯量。标准化：在机器学习中，我们可能要处理不同种类的资料，例如，音讯和图片上的像素值，这些资料可能是高维度的，资料标准化后会使每个特征中的数值平均变为0(将每个特征的值都减掉原始资料中该特征的平

三维卷积

ch206265 — Mon, 09 Nov 2020 16:02:26 +0800

链接：https://www.cnblogs.com/xiaojianliu/articles/9905278.html#_label0 阅读目录三维卷积（Convolutions over volumes）回到目录三维卷积（Convolutions over volumes）假如说你不仅想检测灰度图像的特征，也想检测 RGB 彩色图像的特征。彩色图像如果是 6×6×3，这里的 3指的是三个颜色通道，你可以把它想象成三个 6×6图像的堆叠。为了检测图像的边缘或者其他的特征，不是把它跟原来的

删除符合一定条件的若干行数据

ch206265 — Tue, 13 Oct 2020 23:56:35 +0800

关键： #删除month字段中内容是'1/','2/','6/','7/','8/','9/','10','11','12'的行 data=data[~(data['month'].isin(['1/','2/','6/','7/','8/','9/','10','11','12']))] #仅删除字段名为month的一整列数据 data=data.drop(['month'],axis=1) import pandas as pd import numpy as np #导入数据 #data .

怎样快速填充行数太多的EXCEL单元格序号

ch206265 — Tue, 13 Oct 2020 23:44:16 +0800

怎样快速填充行数太多的EXCEL单元格序号找到加号“+”，双击填充

如何获取excel单元格中一段字符串中的某个特定的字符

ch206265 — Tue, 13 Oct 2020 22:04:51 +0800

如何获取excel单元格中一段字符串中的某个特定的字符 excel中的left、mid、right函数 excel单元格中日期格式怎么转换成字符可以选中需要的日bai期数据使用数据分列来先批du量转换为文本格式。zhi点击该数据选择数据分列，dao然后将日期数据分割并选个文本就可以实现了。具体的设置方法如下： 1、在电脑上打开一个EXCEL文件，点击右键选择格式选择设置格式进入。 2、在出现的设置格式界面中可以看到当前的数据为日期格式。 3、选中该日期格式的数据列，点击上...

pearson相关系数的数值为多少证明有相关性？

ch206265 — Tue, 13 Oct 2020 09:10:53 +0800

转载于：原文链接皮尔逊相关系数变化从-1到 +1，当r＞0表明两个变量是正相关，即一个变量的值越大，另一个变量的值也会越大； r＜0表明两个变量是负相关，即一个变量的值越大另一个变量的值反而会越小。 r 的绝对值越大，则两变量相关性越强。若r=0，表明两个变量间不是线性相关，但可能存在其他方式的相关（比如曲线方式）。扩展资料：（1）一般认为： |r|≥0.8时，可认为两变量间高度相关； 0.5≤|r|<0.8，可认为两变量中度相关； 0.3≤|r|<0.5，可认为两

scikit-learn的Estimator、Transformer、Pipeline、Preprocessing、Decomposition、Metrics、Cross validation等

ch206265 — Fri, 09 Oct 2020 10:53:45 +0800

scikit-learn基础介绍估计器（Estimator）可以直接理解成分类器主要包含两个函数：fit(x,y) 和 predict(x)，分别是训练和预测算法模型流程： # 拟合模型 model.fit(X_train, y_train) # 模型预测 model.predict(X_test) # 获得这个模型的参数 model.get_params() # 为模型进行打分 model.score(data_X, data_y) 线性回归 from skl..

将python随机森林模型保存到文件

ch206265 — Fri, 09 Oct 2020 08:40:48 +0800

https://zhidao.baidu.com/question/1707465980177376940.html 你说的问bai题叫模型持久化，就是把学习好的模型保du存起来zhi，以后只要调用这个文件就可以了。每个框dao架都应该有模型持久化函数，以sklearn为例： from sklearn.externals import joblib joblib.dump(clf, "train_model.m") ＃存储 clf = joblib.load("train_model.m") ＃.

python中如何保存并使用训练好的模型并调用

ch206265 — Wed, 07 Oct 2020 16:30:46 +0800

原文链接：https://jingyan.baidu.com/article/09ea3edec0b3ad81aede3996.html

将多个表的内容合并到一个新表中（同一文件夹下，表结构相同）

ch206265 — Wed, 30 Sep 2020 10:40:15 +0800

将同一文件夹内，选中结构一致的文件组合成一张新表。结构一致的文件名称中都包含字符'MOD ' import pandas as pd import os p_path = r'D:\work\RS\test\20200813' file_list = os.listdir(p_path) PM = pd.DataFrame(data=[],columns=[],index=None) for li in file_list[:]: if 'MOD' in li: data

1DCNN实例，代码和结果

ch206265 — Wed, 30 Sep 2020 10:24:27 +0800

参考https://blog.youkuaiyun.com/yilulvxing/article/details/105028902，有一些小问题，修改后在自己电脑上跑了一遍简单说明几点：数据集result，按照0.8划分为train和test，train又按照0.8进一步划分为training samples和validating samples; 此案例的归一化只是简单的所有数据除以10000，感觉还需要改进 from __future__ import print_function import

所有0替换成nan，以及，nan替换成0

ch206265 — Fri, 25 Sep 2020 15:25:50 +0800

选取dataframe中所有值为0的数据，替换成nan df[df == 0] = np.nan 选取dataframe中所有值为nan的数据，替换成0 df.fillna(0)

LSTM中遗忘门，输入门和输出门的实际意义是什么

ch206265 — Thu, 03 Sep 2020 09:46:33 +0800

回顾下LSTM的几个门及其计算公式，估计此时不用看那个九曲回肠的LSTM神经网络图，光看公式也能明白LSTM到底在干嘛了吧：上面是LSTM的计算公式，首先找那几个门，其实好找，那三个Sigmod作为非线性函数的就是三个门，很明显其取值范围在0到1和门打开关闭的物理意义是很好对应起来的。这个门的计算公式和上面猪家的门控计算公式其实是一样的，区别无非多出了一个h(t-1)部分，这个也好理解，这是因为LSTM是RNN模型，决定t时刻节点的除了当前输入值x(t)外，还有t-1时刻的隐层...

简述决策树，随机森林和XGBOOST之间的关系

ch206265 — Mon, 31 Aug 2020 17:01:28 +0800

原文链接：https://www.it610.com/article/1281962579127713792.htm 简述决策树，随机森林和XGBOOST之间的关系本文主要讲解：决策树，随机森林和xgboost，附带讲解AdaBoost和GBDT 1.决策树这些算法都依赖于决策树或者决策树的各种魔改版，所以决策树是一定要掌握清楚的。决策树是一种常见的机器学习算法，决策树的目的是构造一种模型，使之能够从样本数据的特征属性中，通过学习简单的决策规则——IF THEN规则，从而预测目标变量的值。以西瓜

神经网络基本类型

ch206265 — Wed, 26 Aug 2020 16:22:36 +0800

原文链接：https://www.cnblogs.com/chamie/p/5579884.html 神经网络基本类型神经网络的基本类型与学习算法：目前已有的数十种神经网络模型，按网络结构划分可归纳为三大类:前馈网络、反馈网络和自组织网络。前馈神经网络则是指神经元分层排列，分别组成输入层、中间层和输出层。每一层的神经元只接受来自前一层神经元的输入，后面的层对前面层没有信号反馈。输入模式经过各层的顺序传播，最后在输出层上得到输出。这类网络结构通常适于预测、模式识别及非线性函数逼近，一般典型的前向

tensorflow 笔记8：RNN、Lstm源码，训练代码输入输出，维度分析

ch206265 — Thu, 20 Aug 2020 10:55:23 +0800

原文链接：https://www.cnblogs.com/lovychen/p/9368390.html tensorflow 官网信息：https://www.tensorflow.org/api_docs/python/tf/contrib/rnn/BasicLSTMCell tensorflow 版本：1.10 如有错误还望指正，一起探讨；当前层各个参数含义： Tensorflow 中RNN单个时刻计算流程： Tensorflow 中 lstm 单个时刻计算流程：..

在训练模型model.compile()中计算loss的常用函数都有哪些？

ch206265 — Tue, 11 Aug 2020 15:04:04 +0800

http://www.ifunvr.cn/180.html https://www.cnblogs.com/smuxiaolei/p/8662177.html 目标函数，或称损失函数，是网络中的性能函数，也是编译一个模型必须的两个参数之一。由于损失函数种类众多，下面以keras官网手册的为例。在官方keras.io里面，有如下资料： mean_squared_error或mse mean_absolute_error或mae mean_absolute_percentage

keras如何获取中间层的输出（Sequential、Functional两种情况下）

ch206265 — Mon, 27 Jul 2020 11:50:02 +0800

keras如何获取中间层的输出 Example Keras中英文文档中有详细连接，参照：如何获取中间层输出？ Example 构建模型 from keras.models import Model from keras.layers import Input,Dense,Permute,Flatten inputs_v = Input(shape=(2,5)) model_v = Permute((2, 1))(inputs_v) flatten = Flatten()(model_v) ou

ch206265的博客

LaTeX积分符号汇总

卷积的三种模式full, same, valid以及padding的same, valid

归一化 （Normalization）、标准化 （Standardization）和中心化/零均值化 （Zero-centered）

三维卷积

删除符合一定条件的若干行数据

怎样快速填充行数太多的EXCEL单元格序号

如何获取excel单元格中一段字符串中的某个特定的字符

pearson相关系数的数值为多少证明有相关性？

scikit-learn的Estimator、Transformer、Pipeline、Preprocessing、Decomposition、Metrics、Cross validation等

将python随机森林模型保存到文件

python中如何保存并使用训练好的模型并调用

将多个表的内容合并到一个新表中（同一文件夹下，表结构相同）

1DCNN实例，代码和结果

所有0替换成nan，以及，nan替换成0

LSTM中遗忘门，输入门和输出门的实际意义是什么

简述决策树，随机森林和XGBOOST之间的关系

神经网络基本类型

tensorflow 笔记8：RNN、Lstm源码，训练代码输入输出，维度分析

在训练模型model.compile()中计算loss的常用函数都有哪些？

keras如何获取中间层的输出（Sequential、Functional两种情况下）

归一化（Normalization）、标准化（Standardization）和中心化/零均值化（Zero-centered）