CTTACM的专栏

将数据按照时期使用平均值填充import osimport numpy as npimport pandas as pddef extent_data(begin, end, len_data): """ :param begin: :param end: :return: """ d = get_d(begin,end,len_data...

逻辑回归是在线性函数的基础上，经过激活函数后产生的0~1之间的概率值。设x为特征向量，y为真实的标签。y^\hat yy^​是预测值。得出：两个合并起来写为：看等式左边的P(y∣x)P(y|x)P(y∣x)，我们可以解读为给定特征向量x，模型能正确预测出y的能力。这个值总是大于0小于1的。越接近1说明能力越强。其实这个式子被成为似然函数，意思是预测结果靠近或者接近真是值的程度。我们想要...

在文件夹D:\Anaconda3\envs\tensorflow\Scripts的地址栏输入cmd，回车。输入tensorboard --logdir=日志路径地址，其中日志路径地址一般为：events.out.tfevents.1558952178此类的样子打开浏览器，地址栏输入http://localhost:6006回车。正常情况下就可以看到运行的指标啦。...

这篇文章的的原版在这儿:Recurrent Neural Networks Tutorial, Part 2 – Implementing a RNN with Python, Numpy and Theano,一共四篇这是其中的第二篇。实在是很好，讲的很细致，又有代码。为了方便回忆就大致翻译(不是逐字逐句)了一下。如果有版权问题，可以留言给我。用Python, Numpy 和 Theano实现...

关于RNN的理解这是在读Understanding LSTM Networks这篇文章的时候，对一些之前不明白的点的理解和对一些地方的疑问的记录。希望以后看的更多相关的知识能够搞清楚。图中的黄色的带有激活函数的长方形就是代表神经网络，即由激活函数包裹着的线性运算单元，即tanh(∑(w∗x+b))tanh(\sum(w*x + b))tanh(∑(w∗x+b))。“门"结构由一个"激活神经...

tf.reshape()# 省略：sess = tf.Session()print(sess.run(...))1. 把张量变为标量tt1 = tf.constant([7])# reshape成标量tt1_r = tf.reshape(tt1,[])# output：72. 改变张量形状# shape=(9,)t1 = tf.constant([1, 2, 3, 4...

tf.concat()作用：沿着某一维度合并张量举例：t1 = [[1, 2, 3], [4, 5, 6]]t2 = [[7, 8, 9], [10, 11, 12]]# 当axis = 0时 print(tf.concat([t1, t2], 0)) # [[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]]# 当axis = 1时 ...

tf.nn.dynamic_rnn()def dynamic_rnn(cell, inputs, sequence_length=None, initial_state=None, dtype=None, parallel_ite...

转自（https://blog.youkuaiyun.com/t7sfokzord1jaymsfk4/article/details/81350489）前言事实上，介绍贝叶斯定理、贝叶斯方法、贝叶斯推断的资料、书籍不少，比如《数理统计学简史》，以及《统计决策论及贝叶斯分析 James O.Berger著》等等，然介绍贝叶斯网络的中文资料则非常少，中文书籍总共也没几本，有的多是英文资料，但初学者一上来就扔给他...

tensorflow程序分为两个阶段：第一个阶段：定义计算图所有的计算 第二个阶段：执行计算 第一节：计算模型—–计算图 第二节：数据模型—–张量 第三节：运行模型—–会话第一节：计算图计算图中的每个节点都代表一个“运算”，边代表运算之间的“依赖关系”。第二节：张量张量可以理解为多维数组，n为张量就是n维数组。tensorflow中的张量不直接采用数组的形式，而...

占坑

占坑

占坑

考虑如何用决策边界划分空间 找一条直线，这条直线会让分隔正负例的街道最宽，那么，如何制定一条决策规则来使用这个决策边界。 w∗u>=c(c是常数，这里∗代表点积)w*u>=c(c是常数，这里*代表点积)点积的作用就是让向量uu往ww上面投影，投影越大未知向量就会在街的越右边，投影就会越过街道的中线，这时，我们就说例子是正例，或者，不失一般性的，若满足： w∗u+b>=0,w*u+b>=0

1、模型函数 2、激活函数 其中，h（x）= p（y|x）（y=0或者y=1，当y=1时，代表，输入x时，输出是1的概率，当y=0时，代表，输入x，输出是0的可能性大小。 3、单个训练数据的损失函数（衡量概率与y到底有多接近） 4、m个训练数据的损失 5、为什么这里损失函数是这样的。 因为这里预测是值是概率，所以用线性回归的损失函数方法不合适（为什么不合适？因为用那种方法求得

# -*- coding: utf-8 -*-import numpy as npimport pylabdef Loss(b,m,x,y): L1 = (y-m*x-b)**2 L2 = np.sum(L1,axis = 0) return L2def GD(m,b,learning_rate,x,y,data): N = float(len(data))