最後の後悔的博客

我们通过调用to_matrix函数来将 tf-idf 特征转换为文档-词矩阵我们使用topic_model函数来构建主题模型训练好模型之后，我们可以直接通过 模型.tmatrix 获得主题模型的词频矩阵 T，通过 模型.wmatrix 获得主题模型的主题比重矩阵 W。至此，我们已经获得了词频矩阵 T 和主题比重矩阵 W，以及一个训练好的主题模型，接下来我们尝试为每个主题提取高频词。

神经网络以图像作为输入，通过内部运算后直接输出分类结果。因此我们不需要对图像提取特征，直接构建神经网络，再使用数据集对其进行训练即可。我们在工具包中提供了 NNClassifier 函数，用于构建一个基于卷积神经网络的分类器模型。函数名中的 NN 代表神经网络，是 Neural Network 的缩写，Classifier 代表分类器。该函数的使用方法如下：神经网络分类器 = NNClassifier(backbone=网络结构, ncls=类别数)ncls:代表类别数目，因为我们的数据集包含十类图像，

计算机中，图像数据常常为一个 numpy 数组。例如，上一节中的 img_gray 就是一个 numpy 数组，你可以使用 type(img_gray) 来找到它的 type。我们可以使用 img_gray.shape 打印出它的形状，而 printMat2D()函数帮助我们观察img_gray 内部的像素值。

model是我们定义的神经网络，我们可以直接调用网络的训练功能，在网络中传入的参数有：网络输入层的输入值f_train用变量data表示、期望得到的输出值l_train用变量label表示，网络的学习率、网络使用的损失函数以及网络使用的优化方法都已经预先定义好了。然后，网络便会自动学习商区坐标与商区类别之间的关系，在训练完成后我们的模型便具有了根据商区坐标信息得到商区类别的能力。

在教材中我们已经知道 KMeans 是一种无监督分类法，并不需要对数据集进行划分。 这里直接使用聚类模型中的 train 函数对整个数据集的特征进行训练。为了观察模型的训练效果，我们将训练模型聚类结果与原有的类别标签进行统计比较，并绘制柱状图。 此处我们依然使用 fig() + plot(..., type=...) 语法，并指定 type 参数为 'cluster_statistics'。

在这门课程里，你将要频繁地使用go函数来控制小车。go函数填写参数的用法是：go(左轮功率，右轮功率，持续时长)你的小车可以分别控制左右驱动轮进行运动。左右轮功率的参数范围在-100到100之间，0意味着轮子以0%的功率静止不动，100意味着轮子以100%（最高）马