<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[lingzw2011的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/lingzw2011</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; lingzw2011]]></copyright><item><title><![CDATA[Win7系统下安装Python环境以及IDE开发环境(PyCharm)]]></title><link>https://blog.youkuaiyun.com/lingzw2011/article/details/82414644</link><guid>https://blog.youkuaiyun.com/lingzw2011/article/details/82414644</guid><author>lingzw2011</author><pubDate>Wed, 06 May 2020 11:42:31 +0800</pubDate><description><![CDATA[1、登录官网 https://www.python.org，下载需要的安装包，这里下载的是3.6.5版本 
 
 
]]></description><category></category></item><item><title><![CDATA[TensFlow深度学习(RNN)实现MNIST手写图片识别]]></title><link>https://blog.youkuaiyun.com/lingzw2011/article/details/85992262</link><guid>https://blog.youkuaiyun.com/lingzw2011/article/details/85992262</guid><author>lingzw2011</author><pubDate>Wed, 09 Jan 2019 11:37:32 +0800</pubDate><description><![CDATA[DNN
https://blog.youkuaiyun.com/lingzw2011/article/details/82225399
CNN
https://blog.youkuaiyun.com/lingzw2011/article/details/85229561
RNN
RNN（循环神经网路）是一种特殊的神经网络结构，它是根据“人的认知是基于过往的经验和记忆”这一观点提出的；它与DNN、CNN不同的是：它不仅考虑...]]></description><category></category></item><item><title><![CDATA[TensFlow深度学习(CNN)实现MNIST手写图片识别]]></title><link>https://blog.youkuaiyun.com/lingzw2011/article/details/85229561</link><guid>https://blog.youkuaiyun.com/lingzw2011/article/details/85229561</guid><author>lingzw2011</author><pubDate>Mon, 24 Dec 2018 11:55:30 +0800</pubDate><description><![CDATA[一、DNN
上一章博客中讲到用DNN实现MNIST手写图片识别，地址https://blog.youkuaiyun.com/lingzw2011/article/details/82225399

这是最简单的DNN，所需参数有78410+10=7850个，如果中间加一层隐藏层，如下图：

输入和隐藏层的15个神经元连接，就有78415=11760个权重，隐藏层和最后的输出层的10个神经元连接，就有11760...]]></description><category></category></item><item><title><![CDATA[《机器学习实战》第一部分 分类 第3章 决策树]]></title><link>https://blog.youkuaiyun.com/lingzw2011/article/details/82663251</link><guid>https://blog.youkuaiyun.com/lingzw2011/article/details/82663251</guid><author>lingzw2011</author><pubDate>Wed, 12 Sep 2018 16:08:46 +0800</pubDate><description><![CDATA[决策树的一般流程： 
（1）收集数据：可以使用任何方法。  
（2）准备数据：树构造算法只适用于标称型数据，因此数值型数据必须离散化。  
（3）分析数据：可以使用任何方法，构造树完成之后，我们应该检查图形是否符合预期。  
（4）训练算法：构造树的数据结构。  
（5）测试算法：使用经验树计算错误率。  
（6）使用算法：此步骤可以适用于任何监督学习算法，而使用决策树可以更好地理解数据的内在含义...]]></description><category></category></item><item><title><![CDATA[TensFlow深度学习(DNN)实现MNIST手写图片识别]]></title><link>https://blog.youkuaiyun.com/lingzw2011/article/details/82225399</link><guid>https://blog.youkuaiyun.com/lingzw2011/article/details/82225399</guid><author>lingzw2011</author><pubDate>Thu, 30 Aug 2018 17:47:09 +0800</pubDate><description><![CDATA[许多开发者向新手建议：如果你想要入门机器学习，就必须先了解一些关键算法的工作原理，然后再开始动手实践。但我不这么认为。

我觉得实践高于理论，新手首先要做的是了解整个模型的工作流程，数据大致是怎样流动的，经过了哪些关键的结点，最后的结果在哪里获取，并立即开始动手实践，构建自己的机器学习模型。至于算法和函数内部的实现机制，可以等了解整个流程之后，在实践中进行更深入的学习和掌握。

那么问题来了，既然...]]></description><category></category></item><item><title><![CDATA[MNIST数据集  read_data_sets 报错]]></title><link>https://blog.youkuaiyun.com/lingzw2011/article/details/82178493</link><guid>https://blog.youkuaiyun.com/lingzw2011/article/details/82178493</guid><author>lingzw2011</author><pubDate>Wed, 29 Aug 2018 11:01:25 +0800</pubDate><description><![CDATA[MNIST 数据集来自美国国家标准与技术研究所, National Institute of Standards and Technology (NIST). 训练集 (training set) 由来自 250 个不同人手写的数字构成, 其中 50% 是高中学生, 50% 来自人口普查局 (the Census Bureau) 的工作人员. 测试集(test set) 也是同样比例的手写数字数据...]]></description><category></category></item><item><title><![CDATA[tensorflow.placeholder()函数用法]]></title><link>https://blog.youkuaiyun.com/lingzw2011/article/details/82151918</link><guid>https://blog.youkuaiyun.com/lingzw2011/article/details/82151918</guid><author>lingzw2011</author><pubDate>Tue, 28 Aug 2018 17:44:28 +0800</pubDate><description><![CDATA[tensorflow.placeholder()，placeholder是占位符的意思，在tensorflow中类似于函数参数，在执行的时候再赋具体的值。

参数含义： 
dtype：数据类型。常用的是tf.float32,tf.float64等数值类型 
shape：数据形状。默认是None，就是一维值，也可以是多维，比如[2,3], [None, 3]表示列是3，行不定 
name：名称。

...]]></description><category></category></item><item><title><![CDATA[tensorflow.random_normal()函数用法]]></title><link>https://blog.youkuaiyun.com/lingzw2011/article/details/82151759</link><guid>https://blog.youkuaiyun.com/lingzw2011/article/details/82151759</guid><author>lingzw2011</author><pubDate>Tue, 28 Aug 2018 17:34:56 +0800</pubDate><description><![CDATA[tensorflow.random_normal()，从正态分布中输出随机值。 
具有一下几个参数： 
shape：一个一维整数张量或Python数组。代表张量的形状。 
mean：数据类型为dtype的张量值或Python值。是正态分布的均值。 
stddev：数据类型为dtype的张量值或Python值。是正态分布的标准差。 
dtype： 输出的数据类型。 
seed：一个Python整数。...]]></description><category></category></item><item><title><![CDATA[numpy.random.RandomState()函数用法]]></title><link>https://blog.youkuaiyun.com/lingzw2011/article/details/82151064</link><guid>https://blog.youkuaiyun.com/lingzw2011/article/details/82151064</guid><author>lingzw2011</author><pubDate>Tue, 28 Aug 2018 17:09:30 +0800</pubDate><description><![CDATA[在tensorflow机器学习过程中，发现了如下的伪随机数产生的代码：

import numpy

# 伪随机数生成
# 产生一个随机状态种子
rdm = numpy.random.RandomState(seed=None)
# 生成2*2的随机数
X = rdm.rand(2, 2)
print(X)

现在的问题是seed参数的问题： 
1、numpy.random.RandomState...]]></description><category></category></item></channel></rss>