Fwuyi的博客

return 表达式 / return结束函数执行，返回调用函数，而且把表达式的值作为函数的结果return true：相当于执行符，继续执行下面语句return false：相当于终止符，干了3件事，阻止默认行为，取消事件冒泡，以及停止回调执行立即返回；...

items() 函数以列表返回可遍历的 元组( 由键, 值组成)例1

1 python中if语句，有时后边直接加一个变量，而不是一个布尔表达式。该语句是在判断变量是否有值，这个值必须是'非零非空'的值，该语句返回True或False。2 一般条件下，每条if语句的核心都是一个值为True或False的表达式，这种表达式被称为条件语句。如果条件判断的值为True， Python就执行紧跟在if语句后面的代码；如果为False，Python就不会执行这些代码。3 if else4 if elseif else5 if嵌套......

对一个列表或字符串，既要遍历索引又要遍历元素用enumerate更方便enumerate还可以接收第二个参数，用于指定索引起始值，如：

assert 相当于if，计算表达式 expression ，如果其值为假（即为0）中止程序。

1 字符串与变量用逗号连接，依次输出内容age=23print("我的年龄是:",age)#Out：我的年龄是: 232 字符串与变量用%操作符连接%可以将一个变量插入字符串中生成新字符串，变量放在字符串后面的%后面age=23print("我的年龄是:%d"%age)#Out：我的年龄是: 23另外，这种操作可以同时将多个变量放进字符串，只需要在字符串中加入多个%，同时用括号把多个变量括起来。age=23weight=100.2print("我的年龄和体重分别是:

对一个数进行高斯滤波（模糊）可以理解成将该数取附近矩形窗口所有值的加权平均值，距离处理数越近的点权重越大，距离处理点越远的点权重越小。因此如果取的矩形窗口越大，那么对处理点的模糊效果越强烈。上图，对数值2进行高斯滤波（模糊），取该数附近3×3阶矩形窗口（左图）。如果待处理点2直接取周围点的平均值，就会变成1（右图）。在数值上，这是一种平滑化，在图形上，就相当于产生模糊效果，让中间点失去细节。因为数值和图像都是连续的，越靠近待处理点的点关系越密切，越远离待处理点的点关系越疏远，像上图那样直接使用简

1 signal.medfilt(volume, kernel_size)函数参数volume：N维输入数组kernel_size：一个标量或N长度列表，代表每个维度中滤波窗口的大小（奇数），默认值为3。2 signal.medfilt（）函数作用当kernel_size=a时，输入数据中每个点自己和左右各b个点成为一个窗口，满足b+1+b=a。在每个窗口中选取数据中位数并把该数放在原点的位置上，需要注意的是如果原点的左右没有元素那么一律以0补齐。medfilt（）函数的作用是消除原数据（图

查看模型时，可以得到下列图形：由于输入层和隐藏层是一块建立的，因此查看模型时输入层和隐藏层只有一层dense（Dense），在该层中输出了两个参数，分别是 Output Shape =（None，256），Param=200960。Output Shape 第一个参数是Batch size（批尺寸），当批尺寸为None时，表示把数据一次性都放进模型中训练；第二个是输入的shape，输入了256个一维数据。Param是200960，第一层输入数据（1，784），根据输出的计算公式，可知结果是.

keras建立多层神经网络（持续更新） - 简书 小白对上述文章的代码进行一个更详细的分析理解。

1. np_utils.to_categorical（）函数作用：对数据的label进行one-hot encoding转换。在深度学习中做分类时，需要将figure的label转化为one-hot encoding。怎么转换的请参考我关于one-hot encoding的介绍：2. np_utils.to_categorical（）函数参数：np_utils.to_categorical(数据的label)...

One-Hot Encoding（独热码）定义：有多少个状态就有多少比特，而且只有一个比特为1，其他全为0的一种码制。例如，有6个状态的独热码状态编码为：000001，000010，000100，001000，010000，100000。One-Hot Encoding（独热码）使用：在机器学习中我们一般把对于离散型的分类型的数据，需要对其进行数字化比如说性别这一属性，只能有男性或者女性或者其他这三种值，如何对这三个值进行数字化表达？一种简单的方式就是男性为0，女性为1，其他为2，这样做有什么问

model.predict( ) 作用：把输入数据放到模型中预测model.predict( ) 语法：model.predict(x_input)model.predict( ) 参数：x_input是输入数据，将输入数据放到已经训练好的模型中，可以得到预测出的输出值

model.fit( ) 语法:（只取了常用参数）model.fit(x, y, batch_size=数值, epochs=数值, verbose=数值, validation_split=数值, validation_data=None, validation_freq=数值)model.fit( ) 参数解释：x 训练数据的输入 y 训练数据的输出 batch_size 每一个batch的大小 epochs 迭代次数，训练达到

model.compile() 作用：设置优化器、损失函数和准确率评测标准。model.compile() 语法：形式1 model.compile(optimizer = tf.keras.optimizers.优化器(参数)， loss = tf.keras.losses.损失函数(参数)， metrics = ["sparse_accuracy"]) 形式2 model.compile(optimizer = "sgd"，

Sequential() 模型的作用：可翻译为顺序模型，即通过一层层神经网络连接，构建出深度神经网络。Sequential() 模型的搭建：通过 add() 叠加一些网络层 layers# 单层 LSTMmodel = Sequential()model.add(LSTM(units=50, activation='relu',input_shape=(X_train.shape[1], 1)))model.add(Dense(units=1)))# 多层 LSTMmodel

shape函数作用：查看array数据的维数shape函数语法：numpy.shape(a)：a是类型为array的数据 import numpy as npa=array([1,2,3])b=array([[1,2],[3,4],[2,4]])print(np.shape(a))print(np.shape(b))# 输出# (3,)# (3, 2) a.shape a=array([1,2,3])b=array([[1,2],[3,4],[2,4]])prin

# univariate data preparationfrom numpy import array # split a univariate sequence into samplesdef split_sequence(sequence, n_steps): X, y = list(), list() for i in range(len(sequence)): # find the end of this pattern end_ix = i + n_steps # ch.

append()函数作用：在列表list的末尾增加一个新元素，仅修改列表list，无返回对象append()函数常用情况：增加列表list内容append()函数语法：list.append(新增的元素)Y=[1,2]Y.append(4)Y.append(7)print(Y)# 输出：[1, 2, 4, 7]但是，当尝试如下代码时，会提示说 append() 函数只接受一个参数，但给了 3 个。因此，可知 append() 函数一次仅能增加一个元素。X=[1,2]X.a

目录list表现形式list 元素查看有三种基本的sequence序列类型，即列表list、元组tuple和范围range对象。本文仅介绍列表list。list表现形式list是表现形式为[元素1，元素2...元素n]的列表序列，其中元素的类型可以不相同，可以是数字、字符串甚至可以包含列表，如下代码：data1 = [1,2,3]data2 = ['name','class', 'grade']data3 = [[1,2,3], [3,4,5], [5,6,7]]prin

df函数：用来定义(define)一个新的函数，定义格式如下def function_name(parameter1, parameter2, ...): ceode...以最近学到的一个代码为例，看看新定义的函数什么意思#取前 n_timestamp 天的数据为 X；n_timestamp+1天数据为 Ydef data_split(sequence, n_timestamp): X = [] y = [] for i in range(len(seque

​length=len([1,2,3,4,5])print("list的个数",length)结果显示为

目录rang()函数作用：生成全是整数的一个数据范围。rang()函数语法：range(start, stop, step)rang()函数常用情况：在for循环中使用rang()函数作用：生成全是整数的一个数据范围。rang()函数语法：range(start, stop, step)start 为起始值，默认是 0；stop 为结束值；step 是步长，默认为 1。注意，range() 函数生成的整数等差数列左到右不到，即satrt可以取到stop不能取到。r...