daisy_d_的博客

数据加载的两种方式： 1. 直接采用pytorch官方定义的方法： torchvision.datasets 包含一些常见的数据集 数据集无需转化为图片，直接将下载的压缩包放在root=opt.dataset_dir下即可 缺点是自己无法自定义划分数据集了 import torchvision.datasets import torchvision.transforms as transforms #一些转化方法 transform=transforms.Compose([transforms.Graysc

飞快！！ 需要 安装numba 导入 from numba import jit 然后加速函数，将@jit放在函数前面 函数里面的所有数据类型应该需要是基本的，如果自定义数据类型的话，numba会加速不了报错 使用方法例如 @jit def metrix_mul(x1,x2): number = x1*x2 return number @jit def metrix_add(inter): number = 0 for i in range(64): fo

将image_path文件夹下的图片resize成（w，h）重命名并保存 import cv2 import os def Resize_Image(image_path,w=64,h=64): image_path_list = os.listdir(image_path) image_path_list.sort() number=1 for filename in image_path_list: file = image_path+'/'+filena

参考链接：https://blog.youkuaiyun.com/qq_29317617/article/details/86312154 补充细节： 验证集误差最小选择模型，测试集用来评估模型的泛化能力 对于逻辑回归，还可以计算分类误差： 9.6学习曲线

参考的链接：https://blog.youkuaiyun.com/qq_29317617/article/details/86312154 细节补充： 9.1 代价函数 神经网络结构： 神经网络的前向传播： 代价函数： 最后一项 代表惩罚所有网络层中的参数Θ 前向传播的过程： 9.2 反向传播算法 ...

1.多分类分类器 将之前实施的logistic分类拓展到one-vs-all分类 import numpy as np import pandas as pd import matplotlib.pyplot as plt from scipy.io import loadmat 1.1数据集 在ex3data1.mat。5000个训练样本，每个图片大小20×20转化为400维，矩阵X为5000×400。 ...

网上的python实现基本都看了，重复率很高，第一个写出来的真大佬啊 我使用jupyter notebook方便可视化和理解，只需要在一个文件里写完就可以了，不用绕来绕去。 1.逻辑回归（不包含正则化） 题意：ex2data1.txt包含三列数据，第一列第一次考试成绩，第二列第二次考试成绩。两次成绩决定通过不通过。第三列1表示admit，0表示refuse。 1.1可视化原始数据 import matplotlib.pyplot as plt import numpy as np import scipy.

logistic回归解决分类问题，新的代价函数 线性回归和logistic回归不一样的是： h（x）不一样。 logistic是分类问题，命名为回归是历史原因。

关键词：线性回归，特征缩放，正规方程

一：返回一个5阶单位矩阵 import numpy as np def warmupExercise(): E5=np.eye(5) print('这是一个五阶单位矩阵') print(E5) warmupExercise() 二：线性回归 1.含有一个变量，大意是：假如你是一个饭店老板，要在其他城市拓展业务，现有数据在ex1data.txt第一列是人口，第二列是收益 导包 import numpy as np import matplotlib.pyplot as plt import pan

title:吴恩达机器学习 课时 1 学习笔记 date: 2020-06-06 10:44:13 tags: 机器学习 学习笔记 吴恩达机器学习 课时 1 学习笔记 课时1-1 欢迎参加《机器学习》课程 机器学习： ​ 1.人工智能发展出来的一个领域 ​ 2.计算机开发的一项新功能 例子： ​ 1.数据挖掘 ​ 自动化、互联网上的大量数据 ​ 2.不能用手来编程的应用 ​ 手写识别，自然语言处理和计算机视觉 ​ 3.私人定制程序 ​ 产品推荐 ​ 4.理解人类学习（大脑、真实的AI） 课时1-