<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[焦糖呱呱子的博客]]></title><description><![CDATA[一个从软件工程投入人工智能海洋学的小司机]]></description><link>https://blog.youkuaiyun.com/linxi4165</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; linxi4165]]></copyright><item><title><![CDATA[python文本相似度分析：TF-IDF方法]]></title><link>https://blog.youkuaiyun.com/linxi4165/article/details/130642689</link><guid>https://blog.youkuaiyun.com/linxi4165/article/details/130642689</guid><author>linxi4165</author><pubDate>Fri, 12 May 2023 18:59:47 +0800</pubDate><description><![CDATA[文本相似度分析]]></description><category></category></item><item><title><![CDATA[ImportError: cannot import name ‘dtensor‘ from ‘tensorflow.compat.v2.experimental‘报错]]></title><link>https://blog.youkuaiyun.com/linxi4165/article/details/130463805</link><guid>https://blog.youkuaiyun.com/linxi4165/article/details/130463805</guid><author>linxi4165</author><pubDate>Tue, 02 May 2023 15:25:01 +0800</pubDate><description><![CDATA[出现这个问题原因在于tensorflow和keras版本不匹配，keras的版本太高了，需要降低到和tensorflow版本一致。]]></description><category></category></item><item><title><![CDATA[Ubantu 22.04.2安装教程 + VMWare Tools + 百度网盘 + Anaconda + Pycharm安装]]></title><link>https://blog.youkuaiyun.com/linxi4165/article/details/129992903</link><guid>https://blog.youkuaiyun.com/linxi4165/article/details/129992903</guid><author>linxi4165</author><pubDate>Thu, 06 Apr 2023 22:59:07 +0800</pubDate><description><![CDATA[本文集成了完整的Ubantu安装和常用软件、编程环境的配置，包括百度网盘，Anaconda，PyCharm，Matlab]]></description><category></category></item><item><title><![CDATA[Matlab：fullfile、fileparts、mfilename、genpath函数]]></title><link>https://blog.youkuaiyun.com/linxi4165/article/details/129976301</link><guid>https://blog.youkuaiyun.com/linxi4165/article/details/129976301</guid><author>linxi4165</author><pubDate>Wed, 05 Apr 2023 21:11:00 +0800</pubDate><description><![CDATA[matlab的fullfile函数使用说明]]></description><category></category></item><item><title><![CDATA[python：快速边缘检测的结构化森林]]></title><link>https://blog.youkuaiyun.com/linxi4165/article/details/129902028</link><guid>https://blog.youkuaiyun.com/linxi4165/article/details/129902028</guid><author>linxi4165</author><pubDate>Sat, 01 Apr 2023 20:30:15 +0800</pubDate><description><![CDATA[图像边缘检测]]></description><category></category></item><item><title><![CDATA[tensorflow2.x暴力安装，必推！！]]></title><link>https://blog.youkuaiyun.com/linxi4165/article/details/127065482</link><guid>https://blog.youkuaiyun.com/linxi4165/article/details/127065482</guid><author>linxi4165</author><pubDate>Tue, 27 Sep 2022 10:04:45 +0800</pubDate><description><![CDATA[tensorflow安装]]></description><category></category></item><item><title><![CDATA[python绘制散点图]]></title><link>https://blog.youkuaiyun.com/linxi4165/article/details/126100695</link><guid>https://blog.youkuaiyun.com/linxi4165/article/details/126100695</guid><author>linxi4165</author><pubDate>Mon, 01 Aug 2022 19:52:11 +0800</pubDate><description><![CDATA[python绘制散点图]]></description><category></category></item><item><title><![CDATA[使用python绘制折线图]]></title><link>https://blog.youkuaiyun.com/linxi4165/article/details/126086680</link><guid>https://blog.youkuaiyun.com/linxi4165/article/details/126086680</guid><author>linxi4165</author><pubDate>Sun, 31 Jul 2022 16:13:20 +0800</pubDate><description><![CDATA[使用Python绘图，气象绘图]]></description><category></category></item><item><title><![CDATA[Scrapy+Selenium爬取异步加载网页并部署到Linux-Debain服务器完整教程]]></title><link>https://blog.youkuaiyun.com/linxi4165/article/details/125274771</link><guid>https://blog.youkuaiyun.com/linxi4165/article/details/125274771</guid><author>linxi4165</author><pubDate>Fri, 17 Jun 2022 20:54:18 +0800</pubDate><description><![CDATA[Scrapy，爬虫，异步加载]]></description><category></category></item><item><title><![CDATA[tensorflow2的GPU版本安装]]></title><link>https://blog.youkuaiyun.com/linxi4165/article/details/124765941</link><guid>https://blog.youkuaiyun.com/linxi4165/article/details/124765941</guid><author>linxi4165</author><pubDate>Sat, 14 May 2022 16:16:43 +0800</pubDate><description><![CDATA[一、安装Anaconda与Python

详情直接参考我的这篇文章Anaconda安装与配置

二、安装CUDA

1.首先查看本机GPU对应的cuda版本，如下图所示，本机cuda版本为11.6，后面选择的cuda版本不要超过这里的版本。

操作：单击鼠标右键-&gt;NVIDIA控制面板-&gt;帮助-&gt;系统信息-&gt;组件



2.检查完cuda之后，进入 https://developer.nvidia.com/cuda-toolkit-archive 该网站选者相应的cudatoolk.]]></description><category></category></item><item><title><![CDATA[Python读取HDF文件报错：ValueError: Illegal slicing argument for scalar dataspace]]></title><link>https://blog.youkuaiyun.com/linxi4165/article/details/123976194</link><guid>https://blog.youkuaiyun.com/linxi4165/article/details/123976194</guid><author>linxi4165</author><pubDate>Tue, 05 Apr 2022 20:14:46 +0800</pubDate><description><![CDATA[这是因为你读取的数据是标量，不可以使用 [:] 去读，必须使用 [()] 才能读取。
]]></description><category></category></item><item><title><![CDATA[关于Python读取mat文件报错，显示签名问题]]></title><link>https://blog.youkuaiyun.com/linxi4165/article/details/123962374</link><guid>https://blog.youkuaiyun.com/linxi4165/article/details/123962374</guid><author>linxi4165</author><pubDate>Mon, 04 Apr 2022 22:50:53 +0800</pubDate><description><![CDATA[今天在使用h5py读取mat文件时，一直报错：

OSError: Unable to open file (file signature not found)

试过各种方法，包括网上说的matlab版本问题，后来发现使用scio可以读取。



不要使用h5py进行读取，使用以下代码即可


import scipy.io as scio

dataFile = 'test.mat'
data = scio.loadmat(dataFile)
print(data['test'])


...]]></description><category></category></item><item><title><![CDATA[hd5文件的相关操作以及在python中的读写]]></title><link>https://blog.youkuaiyun.com/linxi4165/article/details/123909600</link><guid>https://blog.youkuaiyun.com/linxi4165/article/details/123909600</guid><author>linxi4165</author><pubDate>Sat, 02 Apr 2022 11:17:47 +0800</pubDate><description><![CDATA[一、介绍


	Hierarchical Data Format Version 5, HDF5：层次性数据格式第五版

	是一种存储相同类型数值的大数组的机制，适用于可被层次性组织且数据集需要被元数据标记的数据模型
		常用的接口模块为 h5py
	
	
	HDF5 三大要素：

	hdf5 files：能够存储两类数据对象 dataset 和 group 的容器，其操作类似python 标准的文件操作；File 实例对象本身就是一个组，以/为名，是遍历文件的入口
		dataset(array...]]></description><category></category></item><item><title><![CDATA[深度学习激活函数的选取]]></title><link>https://blog.youkuaiyun.com/linxi4165/article/details/122604558</link><guid>https://blog.youkuaiyun.com/linxi4165/article/details/122604558</guid><author>linxi4165</author><pubDate>Thu, 20 Jan 2022 16:34:36 +0800</pubDate><description><![CDATA[如果输出是 0、1 值（二分类问题），则输出层选择 sigmoid 函数，然后其它的所有单元都选择 Relu 函数。 这是很多激活函数的默认选择，如果在隐藏层上不确定使用哪个激活函数，那么通常会使用Relu激活函数。有时，也会使用tanh激活函数，但Relu的一个优点是：当????是负值的时候，导数等于0。 这里也有另一个版本的Relu被称为Leaky Relu。 当????是负值时，这个函数的值不是等于0，而是轻微的倾斜，如图。 这个函数通常比 Relu 激活函数效果要好，尽管在实际中 Leaky ReL]]></description><category></category></item><item><title><![CDATA[偏差和方差]]></title><link>https://blog.youkuaiyun.com/linxi4165/article/details/121734648</link><guid>https://blog.youkuaiyun.com/linxi4165/article/details/121734648</guid><author>linxi4165</author><pubDate>Sun, 05 Dec 2021 20:32:21 +0800</pubDate><description><![CDATA[一、诊断偏差和方差

当你运行一个学习算法时，如果这个算法的表现不理想，那么多半是出现两种情况： 要么是偏差比较大，要么是方差比较大。换句话说，出现的情况要么是欠拟合，要么是过拟 合问题。那么这两种情况，哪个和偏差有关，哪个和方差有关，或者是不是和两个都有关？ 搞清楚这一点非常重要，因为能判断出现的情况是这两种情况中的哪一种。其实是一个很有效的指示器，指引着可以改进算法的最有效的方法和途径。

训练集误差和交叉验证集误差近似时：偏差/欠拟合

交叉验证集误差远大于训练集误差时：方差/过拟合

二、正则化与偏]]></description><category></category></item><item><title><![CDATA[评估假设函数是否过拟合的方法]]></title><link>https://blog.youkuaiyun.com/linxi4165/article/details/121697588</link><guid>https://blog.youkuaiyun.com/linxi4165/article/details/121697588</guid><author>linxi4165</author><pubDate>Fri, 03 Dec 2021 14:44:55 +0800</pubDate><description><![CDATA[为了检验算法是否过拟合，我们将数据分成训练集和测试集，通常用 70%的数据作为训练集，用剩下30%的数据作为测试集。很重要的一点是训练集和测试集均要含有各种类型的数据，通常我们要对数据进行“洗牌”，然后再分成训练集和测试集。

测试集评估在通过训练集让我们的模型学习得出其参数后，对测试集运用该模型，我们有两种方式计算误差：

1.对于线性回归模型，我们利用测试集数据计算代价函数????

2.对于逻辑回归模型，我们除了可以利用测试数据集来计算代价函数外：




...]]></description><category></category></item><item><title><![CDATA[总结使用神经网络的一般步骤]]></title><link>https://blog.youkuaiyun.com/linxi4165/article/details/121547243</link><guid>https://blog.youkuaiyun.com/linxi4165/article/details/121547243</guid><author>linxi4165</author><pubDate>Thu, 25 Nov 2021 20:51:58 +0800</pubDate><description><![CDATA[第一件要做的事是选择网络结构，即决定选择多少层以及决定每层分别有多少个单元。 第一层的单元数即我们训练集的特征数量。 最后一层的单元数是我们训练集的结果的类的数量。 如果隐藏层数大于 1，确保每个隐藏层的单元个数相同，通常情况下隐藏层单元的个数越多越好。 我们真正要决定的是隐藏层的层数和每个中间层的单元数。

训练神经网络：

1. 参数的随机初始化

2. 利用正向传播方法计算所有的ℎ????(????)

3. 编写计算代价函数 ???? 的代码

4. 利用反向传播方法计算所有偏导数

5. 利用数值]]></description><category></category></item><item><title><![CDATA[吴恩达机器学习个人笔记03——多变量线性回归]]></title><link>https://blog.youkuaiyun.com/linxi4165/article/details/120709633</link><guid>https://blog.youkuaiyun.com/linxi4165/article/details/120709633</guid><author>linxi4165</author><pubDate>Mon, 11 Oct 2021 21:07:46 +0800</pubDate><description><![CDATA[目录

3.1 多维特征

3.2 多变量梯度下降

3.3梯度下降法实践1-特征缩放

3.4梯度下降法实践2-学习率

3.5特征和多项式回归

3.6正规方程

3.7正规方程及不可逆性

下节将介绍Octave的基本操作。

3.1 多维特征

目前为止，我们探讨了单变量/特征的回归模型。现在对房价模型增加更多的特征，例如房间数楼层等，构成一个含有多个变量的模型，模型中的特征为 。



增添更多特征后，我们引入一系列新的定义变量：

 代表特征的数量

 代表第 i 个训练实例，...]]></description><category></category></item><item><title><![CDATA[吴恩达机器学习个人笔记02——单变量线性回归]]></title><link>https://blog.youkuaiyun.com/linxi4165/article/details/120666621</link><guid>https://blog.youkuaiyun.com/linxi4165/article/details/120666621</guid><author>linxi4165</author><pubDate>Sun, 10 Oct 2021 21:31:44 +0800</pubDate><description><![CDATA[2.1 模型表示

第一个学习算法是线性回归算法。本节介绍了该算法，并说明了完整的监督学习流程。

从这个例子是预测住房价格的，我们要使用一个数据集，数据集包含俄勒冈州波特兰市的住房价格。在这里，我要根据不同房屋尺寸所售出的价格，画出我的数据集。比方说，如果你朋友的房子是1250平方尺大小，你要告诉他们这房子能卖多少钱。那么，你可以做的一件事就是构建一个模型，也许是条直线，从这个数据模型上来看，也许你可以告诉你的朋友，他能以大约220000(美元)左右的价格卖掉这个房子。这就是监督学习算法的一个例子。

.]]></description><category></category></item><item><title><![CDATA[吴恩达机器学习课程个人笔记01——引言]]></title><link>https://blog.youkuaiyun.com/linxi4165/article/details/120634075</link><guid>https://blog.youkuaiyun.com/linxi4165/article/details/120634075</guid><author>linxi4165</author><pubDate>Thu, 07 Oct 2021 19:17:18 +0800</pubDate><description><![CDATA[1.1 欢迎

机器学习是目前信息技术中最激动人心的方向之一。我们每天都会使用机器学习的算法。比如，每次我们打开谷歌、必应能够搜索到需要的内容，正是因为他们有良好的对网页进行排行的学习算法。每次我们用Facebook或苹果的图片分类程序时，它能认出你朋友的照片，这也是机器学习。每次我们阅读电子邮件时，垃圾邮件筛选器可以帮我们过滤大量的垃圾邮件，这也是一种学习算法。

机器学习不只是用于人工智能领域。我们需要大量的基础知识才能创造智能机器。比如，我们可以让机器找到A与B之间的最短路径，但我们仍然不知道怎么让机]]></description><category></category></item></channel></rss>