- 博客(44)
- 收藏
- 关注
原创 重生归来,我要成功 Python 高手--day44 迁移学习 Fasttext 文本分类 词向量
将所有的分类组成一个二叉树每个类别是一个叶子节点,预测一个词的概率不是直接算这个词的softmax而是从根节点出发走到这个词的叶子节点,每一步都是一个二分类问题,最终概率是路径上决策概率的乘积。传统的softmax的时间复杂度为L(labels的数量), 但是使用层次化softmax之后时间复杂度的log(L) (二叉树的高度和宽度的近似), 从而在多分类的场景提高了效率.2.选出两个权重值最小的森林组成一个新的树,这个树的根节点是这两个权重的和,小的在左边大的在右边,
2025-12-15 21:26:38
667
原创 重生归来,我要成功 Python 高手--day43 手搓Transformer架构
embed_x = self.encode(source_x) # 得到浮点向量:[batch_size, seq_len, d_model]encoder_result = self.encoder(embed_x, source_mask) # 编码器核心计算。:param source_x: 编码器输入 [batch_size,sel_len] [2,4]position_x = use_position() # 调用 dm01_input #dm_position()函数。
2025-12-10 20:24:14
484
原创 重生归来,我要成功 Python 高手--day42 注意力机制 Transformer 架构
位置编码:因为transformer是并行计算的,他不知道每个词的前后顺序,因为,相同的词但是他们的先后顺序不一样,造成的意思也不一样,例如比如句子 “猫追狗,狗追猫” 中,两个 “猫” 和两个 “狗” 的语义相同,但位置不同(第 1 个 “猫” 是主语,第 6 个 “猫” 是宾语),所以需要加入位置编码,# 参1:Q 查询张量 形状为:[1,1,query_size] ->[1,1,32] 1序列1个词下的32个词关联。
2025-12-09 17:53:25
719
原创 重生归来,我要成功 Python 高手--day41 传统RNN LSTM GRU 模型
传统RNN模型: 循环神经网络,以序列数据为输入,通过内部网路结构设计有效捕捉序列之间的关系特征,一般也以序列的形式进行输出,RNN的循环机制是模型上一时间步的隐层结果,能够作为当前时间步输入的一部分(正常输入+上一层隐层的输出)对当前时间步的输出产生影响。RNN结构分析:上一时间步隐层状态输出的结果+当前时间步的输入经过tanh激活函数得到当前时间步的隐藏层输出的结果和输出结果。公式:输入门的门值=sigmoid(权重矩阵*【上一时刻的隐藏状态,当前输入】+偏置)
2025-12-03 11:58:15
437
原创 重生归来,我要成功 Python 高手--day40 nlp自然语言处理 文本预处理
是一种流行的将词汇表示成向量的无监督训练方式,这个过程将构建神经网络模型将网络参数作为词汇的向量表示,包含CBOW和skipgram两种训练模式都需要先将文本转化为one-hot模式,最终将用更新的权重矩阵充当词向量矩阵。vocabs = {"周杰伦", "陈奕迅", "王力宏", "李宗盛", "吴某凡", "鹿晗晗"}vocabs = {"周杰伦", "陈奕迅", "王力宏", "李宗盛", "吴某凡", "鹿晗晗"}
2025-11-29 20:46:34
627
原创 重生归来,我要成功 Python 高手--day39 RNN循环神经网络
RNN循环神经网络:处理序列数据的神经网络,具有”循环“结构,能够处理和记住前面时间步的信息,使其特别使用与时间序列数据或者有序依赖的任务序列数据:指在不同时间点上收集到的数据,这类数据反应了某一事物,现象随着时间变化的态度或者程度特点:后面的数据和前面的数据有关联RNN的应用:自然语言处理,时间序列预测,语言识别,音乐生成RNN的组成:词嵌入层,循环网络层,输出层输入文本文件-》经过分词-》将分词后的每个词进行转化为词向量-》隐藏层-》最终输出结果词嵌入层:文本转化为向量,在RNN中的作用:有输入表示,降
2025-11-18 15:15:48
633
原创 重生归来,我要成功 Python 高手--day38 CNN卷积神经网络
最终的特征图比原始图像小得多,如果想要保持特征图不变,可以在原图的周围添加padding来实现 目的:在输入图像的边缘添加额外的元素,从而解决卷积操作时边缘信息丢失的问题。平均池化演示:例如你池化层是2*2,步长为1,在这个2*2的范围所有数的哦平均值就是你得输出。# 调用api 传入的通道数为3,输出的通道数为4 卷积核为3 步长为2 填充为0。调用api 传入的通道数为3,输出的通道数为4 卷积核为3 步长为2 填充为0。最大池化演示,例如你池化层是2*2,步长为1,在这个2*2的范围中找最大值。
2025-11-18 14:25:41
721
原创 重生归来,我要成功 Python 高手--day37 神经网络
DropOut:在训练过程中,DropOut的实现是让神经元以超参数p的概率停止工作或者激活函数被设置为0,为被设置为0的进行缩放,缩放的比例为1/(1-p)没有失活的每个神经元的工作量会增加。3.对其求导得到的范围为(0,0.25)之间,当输入的值小于-6或者大于6的时候导数接近于0,此时网络参数的更新将会及其缓慢或者无法更新。所以收敛的速度更快,可以减少迭代次数,但是也会造成梯度消失。1.当输入的值在【-6,6】之间有效果,当输入的值小于-6或者大于6的时候,得到的激活值都差不多,这样会丢失部分信息。
2025-11-14 21:12:52
700
原创 重生归来,我要成功 Python 高手--day36 深度学习 Pytorch
print(f'当前轮次为{epoch+1},当前权重为{w.data},学习率为{0.01},更新后的梯度为{w.grad},下一个权重为{w.data-0.01*w.grad}')print(f'第{i}次,权重的初始值为{w:.5f} (0.01*w.grad):{(0.01*w.grad):.5f}),loss:{loss:.5f}')# print(f'第{i}次,权重的初始值为{w.data} (0.01*w.grad):{0.01*w.grad}),loss:{loss}')
2025-11-13 21:59:51
619
1
原创 重生归来,我要成功 Python 高手--day35 聚类算法
n_samples 生成的样本数, n_features 特征数, centers=[[-1, -1], [0, 0], [1, 1], [2, 2]], 每个簇的中心坐标cluster_std=[0.4, 0.2, 0.3, 0.4] 每个簇的离散程度。:K值的确定,确定这些数据的最佳簇的个数,随着k值的增加,sse值会逐渐减小直到为0,当k增加,sse的减小幅度变小了,那么这个拐点就是最佳的k值点。:簇内的内聚距离,簇间的分离程度,a:簇内的距离越小越好,b:簇间的距离越大越好。
2025-11-12 20:26:08
637
原创 重生归来,我要成功 Python 高手--day34 集成学习
通过多个模型的组合形成一个精度更高的模型,参与组成的模型成为弱学习器,训练时使用训练集依次训练这些弱学习器,对于未知的样本进行预测时,使用这些弱学习器联合进行预测。在梯度提升的过程中,每一轮构建的弱学习器:上一轮计算得到的负梯度,作为本轮弱学习器需要拟合的真实值,而本轮弱学习器对样本的预测,是通过子树的均值来实现的。有放回的抽样产生不同的训练集,从而训练不同的学习器,通过平权投票,多数表决的方式,预测结果,弱学习器可以并行训练。
2025-11-11 16:19:25
947
原创 重生归来,我要成功 Python 高手--day33 决策树
β的信息熵为 :-1/2*log2 1/2 + -1/4*log2 1/4 + -1/8*log2 1/8 + -1/8*log2 1/8=1.75。:信息增益率=信息增益/特征熵 ---->=信息增益*1/特征熵 1/特征熵 类似于惩罚系数。类别的和为:A的熵 -1/2log2(1/2) B的熵 -1/2log2(1/2) 和为1。阿尔法的条件熵为:-3/4*log2(3/4)+(-1/4)*log2(1/4)=0.81。
2025-11-08 21:56:16
556
原创 重生归来,我要成功 Python 高手--day32 逻辑回归
y_pre_B=['恶性','恶性','恶性','恶性','恶性','恶性','恶性','恶性','恶性','良性']y_pre_B=['恶性','恶性','恶性','恶性','恶性','恶性','恶性','恶性','恶性','良性']y_pre_B=['恶性','恶性','恶性','恶性','恶性','恶性','恶性','恶性','恶性','良性']y_pre_B=['恶性','恶性','恶性','恶性','恶性','恶性','恶性','恶性','恶性','良性']
2025-11-06 22:03:47
633
原创 重生归来,我要成功 Python 高手--day31 线性回归
from sklearn.metrics import mean_squared_error, root_mean_squared_error, mean_absolute_error # 计算均方误差, 均方根误差, 平均绝对误差。from sklearn.metrics import mean_squared_error,mean_absolute_error,root_mean_squared_error # 模型的评估。
2025-10-31 21:43:48
1346
原创 重生归来,我要成功 Python 高手--day30 利用knn算法实现手写数字识别
模型划分时stratify=y参数,进行数据集划分的时候,避免测试集和训练集因为划分造成数据比例失衡,导致某些数据比例过高,影响模型的训练,,保证了测试集和训练集与原始数据集中数字的比例相同。其余784列为该图像的像素值。df = pd.read_csv(r'../../data/手写数字识别.csv', encoding='utf-8')model=joblib.load('../../model/手写数字识别案例.pkl')在进行模型的使用的时候,因为原始模型使用的使用的维度为(1,784)
2025-10-15 11:58:08
393
原创 重生归来,我要成功 Python 高手--day29 利用KNN算法对鸢尾花进行分类,和使用超参数方法实现
超参数:就是人手动输入的参数,超参数的本质是为模型学习过程划定规则、范围或初始条件,直接影响模型的学习效率、泛化能力和最终性能好的超参数调优往往能让模型性能提升一个档次,是机器学习工程中至关重要的环节。交叉验证:对已经划分训练集和测试集的的数据,拿训练集进一步划分,划分为n分,拿其中的一份为测试集,其他的n-1份为训练集,交叉验证法,是划分数据集的一种方法,目的就是为了得到更加准确可信的模型评分。print(f'新建的准确率{accuracy_score(y_test,y_predict)}')
2025-10-15 11:48:20
358
原创 重生归来,我要成功 Python 高手--day28 KNN算法使用sklearn库
举个例子: ABCD四点 X=[ [1,1], [2,2], [3,3], [4,4] ] , 计算AB AC AD BC BD切比雪夫距离 经计算得: AB =max(|2−1|, ⌈2−1⌉) = 1 d = 1 2 3 1 2 1。计算未知样本到每一个训练样本的距离 将训练样本根据距离大小升序排列 取出距离最近的 K 个训练样本 进行多数表决,统计 K 个样本中哪个类别的样本个数最多 将未知的样本归属到出现次数最多的类别。这个距离就叫切比雪夫距离。
2025-10-15 11:29:12
646
原创 重生归来,我要成功 Python 高手--day27 机器学习基础知识
让专家标注少量数据,利用已经标记的数据训练一个模型,用这个模型去预测没有标签的数据,拿这个结果与行业专家分类结果做对比。有监督学习:输入数据是由输入特征值和目标值所组成即输入的训练数据有标签,数据集:需要表述数据的标签/目标值。:有标签和无标签一起训练,对现有无标记的数据进行预测(无标记的数据是同一批数据不是新的)有监督学习:疾病诊断,收集带标签的数据来进行模型的训练,用模型来预测不带标签的数据。获取数据,数据基本处理,特征工程,机器学习(模型训练),模型评估。
2025-10-14 22:03:19
436
原创 重生归来,我要成功 Python 高手--day26 Matplotlib画图
axes[0].plot(x,y_beijing,color='red',linestyle='--',label='北京')axes[0].plot(x,y_beijing,color='red',linestyle='--',label='北京')plt.plot(x,y_beijing,color='red',label='北京',linestyle='--')axes[1].plot(x,y_shanghai,color='blue',label='上海')
2025-10-12 18:33:56
800
原创 重生归来,我要成功 Python 高手--day25 pandas文件读取与存储,DataFrame数据的操作
df=pd.read_csv('data/csv示例文件.csv',sep=',',encoding='gbk',index_col=0)df7['成绩排名'] = df7.成绩.rank(method='dense', ascending=False)df.groupby(['city','channel']).get_group(('北京','线下'))df7.country.replace('日本','jp',inplace=True)'姓名':['小明', '小美', '小强', '小兰'],
2025-10-11 22:01:32
749
原创 重生归来,我要成功 Python 高手--day24 Pandas介绍,属性,方法,数据类型,基本数据操作,排序,算术和逻辑运算,自定义运算
min(最小值), max(最大值), mean(平均值), median(中位数), var(方差), std(标准差),mode(众数)df为DataFarme的对象由多个Series组成,而Series是DataFarme的列对象。colunm_names=['语文','数学','英语','物理','化学']'name':['张三','李四','王五'],'gender':['男','女','男'],df4.set_index('语文')('张三','男',43),('王五','男',23),
2025-10-10 22:01:09
554
原创 重生归来,我要成功 Python 高手--day23 numpy的内置函数,矩阵运算
行起始:行结束, 列起始:列结束] 遵循左闭右开的原则。[1:4,0:2]为 第一行到第三行,第0列到第一列。相乘:np.multiply(参数一,参数二)np.where(条件,符合条件,不符合条件)相除:np.divide(参数一,参数二)[1:3,:]为 第一行到第二行的所有列。最大值下标索引:argmax()最小值下标索引:argmin()中位数:median()累加和:cumsum()累乘:cumprod()去重:unique()排序函数:sort()平均值:mean()
2025-10-10 21:21:40
430
原创 重生归来,我要成功 Python 高手--day22python数据分析,jupyter notebook ,Numpy
np.random.randint(起始值,结束值,size=(行,列)):生成范围,包左不包右的随机整数矩阵。print(f'numpy的元素数据类型{arr1.dtype}')print(f'numpy的数据类型{type(arr1)}')print(f'numpy的元素个数{arr1.size}')创建ndarray:多维的数组对象,中的元素的数据类型是相同的。print(f'numpy的形状{arr1.shape}')print(f'numpy的维度{arr1.ndim}')
2025-09-28 20:39:17
380
原创 重生归来,我要成功 Python 高手--day21 拆包,推导式,多线程,python迭代器,生成器 ,property属性正则表达式
t2 = threading.Thread(target=musci,kwargs={'name':'李四','count':10})①需求:在列表中["apple", "banana", "orange", "pear"],匹配apple和pear。# 在列表中["apple", "banana", "orange", "pear"],匹配apple和pear。邮箱以字母开头,中间是[6-18]的字母,大小写数字,下划线@ [163、126、qq].com。
2025-09-19 22:00:17
639
原创 重生归来,我要成功 Python 高手--day20网络编程,进程
p2=multiprocessing.Process(target=coding,kwargs={'name':'李四','num':10},name='线程2')print(f'音乐的进程编号是{os.getpid()},,父进程编号是{os.getppid()}')print(f'代码的进程编号是{os.getpid()},,父进程编号是{os.getppid()}')print(f'主进程的id{os.getpid()},,,父进程是{os.getppid()}')
2025-09-18 21:53:33
818
原创 重生归来,我要成功 Python 高手--day19 闭包,nonlocal关键字,装饰器,深浅拷贝
会创建新的容器对象,拥有新的内存地址。但如果原对象中嵌套了其他可变对象,浅拷贝只会复制嵌套对象的引用(内存地址),而不会创建新的嵌套对象。# fn_name 是拿到要装饰的函数,fn_name() 是在合适的时机执行这个函数。# fn_name 是拿到要装饰的函数,fn_name() 是在合适的时机执行这个函数。:会创建完全独立的新对象,包括所有嵌套的对象都会被递归地复制,形成全新的内存地址,与原对象彻底无关。深拷贝:拷贝的全都是新的内存地址,对新的内容产出的修改不会影响之前的内容。
2025-09-17 21:53:53
678
原创 重生归来,我要成功 Python 高手--day18 面向对象综合案例:学生管理系统
return f'姓名:{self.name} 性别:{self.gender} 年龄:{self.age} 电话:{self.phone} 详情:{self.desc}'# 因为这个列表里面都是相应的对象,所有此时i就相当于实例化了对象,是对象名。# 因为这个列表里面都是相应的对象,所有此时i就相当于实例化了对象,是对象名。i.phone=input('输入学生的电话')i.desc=input('输入学生的详情')print('输入的学生姓名有误,请检查')print('输入的学生姓名有误,请检查')
2025-09-16 17:07:30
940
原创 重生归来,我要成功 Python 高手--day17 python面向对象三大特征,面向对象的其他特征
print(f'运用{self.kongfu}制作煎饼果子')print(f'运用{self.kongfu}制作煎饼果子')print(f'运用{self.kongfu}制作煎饼果子')print(f'运用{self.kongfu}制作煎饼果子')print(f'运用{self.kongfu}制作煎饼果子')print(f'运用{self.kongfu}制作煎饼果子')print(f'运用{self.kongfu}制作煎饼果子')print(f'运用{self.kongfu}制作煎饼果子')
2025-09-15 21:32:10
965
原创 重生归来,我要成功 Python 高手--day16 python面向对象基础
return f"当前红薯的状态是:{self.potato_stuas},添加的调料是{self.seasoning},使用的时间是{self.cook_time}"print(f"我是show函数,对象的颜色{self.color},轮胎数{self.number}")# return f'颜色是{self.color} 轮胎数是{self.number}'# print(f"颜色:{self.color}轮胎数:{self.number}")
2025-09-14 21:02:47
313
原创 重生归来,我要成功 Python 高手--day15 Linux命令
cp[-r] 参数1 参数2 -r:用于复制文件夹 参数1:被复制的 参数2:要复制的地方。find 起始路径 -name "被查找的文件名",,,可以使用*的通配符。+|-:+:表示大于 -:表示小于 n:表示数字 kMG是单位。mv 参数1 参数2 :参数1:被移动的 参数2:要移动的地方。linux的命令由:命令 【选项(行为细节)】【参数(指向参数)】-p:表示自动创建一个不存在的父目录,适用于创建连续多层级的目录。-a:全部内容,包含以点开头的隐藏文件。
2025-09-10 19:57:36
311
原创 重生归来,我要成功 Python 高手--day14 写入和异常的捕获与python包和模块
w’:覆盖写入,在打开这个文件的时候会把原文件内容全部删除,之后写入新的内容,如果没有这个文件就新创建一个新的文件。其中:__name__是当前操作的模块名称,模块直接运行,他的名字就是__main__作用:当模块越来越多不好管理的时候,包可以帮助我们管理这些文件,包的本质依据是模块。如果模块是调用运行的,那么模块的名称就是他文件的名称,那么就不会运行下面的代码。模块如果同名了:如果导入的功能模块同名了,那么程序使用的就是最后一个模块。其中的r,w,a是原本读,写 ,追加的内容后面的b对应这二进制。
2025-09-09 20:25:37
658
原创 重生归来,我要成功 Python 高手--day13 文件操作读取
文件读取时,如果文件和程序在同意目录下可以直接使用文件名称读取,如果没有需要使用文件的绝对路径,文件的绝对路径写入时一般使用‘\\'或者是‘/’来使用,,,或者使用r字符串路径的形式使用。读取时靠内部的指针来找到读取的位置在哪里,如果第一遍读取到了所有内容则第二个读取为空,需要文本变量调用seek(0)使指针从零开始进行第二次读取。文件对象.read(【num】):读取文件如果不写num则读取全部文件,如果写了读取指定长度的文件,换行符也算是一个字符。文件的操作包含:打开,读写,关闭。
2025-09-08 15:08:04
379
原创 重生归来,我要成功 Python 高手--day12 函数进阶
这个这个函数的形式参数一个默认值,如果调用这个函数的时候没有给这个参数数值的话,就会使用默认值来展示出来,默认值参数要在没有默认值的右边。xinxi("yaaa",11,"男",1,2,3,4,5,habby="chi",a=1,b=2)调用函数时根据函数定义的参数位置来传递参数,传递的参数和定义的参数的顺序和个数必须一致,print(f"姓名:{name} 年龄:{age} 性别:{gender}")print(f"姓名:{name} 年龄:{age} 性别:{gender}")
2025-09-07 20:21:23
933
原创 重生归来,我要成功 Python 高手--day11 数据列表类型
{'周杰伦': {'age': 11, 'addr': '北京', 'score': {'语文': 55, '数学': 44}},'周1伦': {'age': 21, 'addr': '京', 'habby': ['1', '2', '3', '5']}}# {'age': 21, 'addr': '京', 'habby': ['1', '2', '3', '5']}print(a) #{1, 2, 3, 4, 5, 'y', 'a', '哈哈'}{1, 2, 3, 4, 5, "哈哈", 4, 5}
2025-09-06 22:23:40
876
原创 重生归来,我要成功 Python 高手--day10 函数和列表
这个案例就通过判断传入的参数是True还是False来决定是否输入print("-" * 10 + "查询余额" + "-" * 10)see_maney(True) # 会显示print("-" * 10 + "查询余额" + "-" * 10)see_maney(False)# 不会显示print("-" * 10 + "查询余额" + "-" * 10)print("-" * 10 + "查询余额" + "-" * 10)print("-" * 10 + "存款" + "-" * 10)
2025-09-04 20:24:33
460
原创 重生归来,我要成功 Python 高手--day9 循环的嵌套
print(f"{b}*{a}={b*a}",end="\t") # 往后面添加一个制表符,往后面添加了一个“tab”的空格。range(sum1,sum2,step)从sum1到sum2每次增加step(不包含sum2)print(f"向员工{i}发放工资1000元,账户余额还剩下{money}")print(f"员工{i},绩效分{num},低于5,不发工资下一位")print(f"送出第{meigui}朵花")print("工资发完了,下个月领取吧")print(f"今天是第{day}天")
2025-09-03 21:41:42
310
原创 重生归来,我要成功 Python 高手--day8 python的基础语法和判断语句
print("我是%s,钱包有%d元,但是今天发了工资%f元,目前钱包有%f元" % (name, money, salary, salary + money))", 目前钱包有" + str(money + salary) + "元")print("我是" + name + ", 钱包有" + str(money) +gress_num = int(input("请输入猜测的数字"))"元,但是今天发了工资" + str(salary) + "元" +
2025-09-02 17:20:59
339
原创 重生归来,我要成功 Python 高手--day7 python和python基础语法
代码先通过编译器编译再通过解释器变成二级制然后交给计算机运行。定义格式: 变量名称=变量的值 右侧的值赋给左侧。python解释器:1.解释代码 2.提交给计算机运行。代码中,被写在代码中固定的值,称之为字面量。命名规则只能使用:数字,字母,下划线,中文。规则:内容限定,大小写敏感,不能使用关键字。数字,字符串,列表,元组,集合,字典。浮点型----->整型会丢失小数精度。小数点的字符串---->浮点型。# 小数转整数会丢失小数精度。数字不能开头,一般不使用中文。纯数字的字符串--->整型。
2025-08-31 21:11:47
302
原创 重生归来,我要成功 Python 高手--day6 Mysql 函数(终)
行减少多使用(where或者group by)1.先进行函数分组,其余字段要使用聚合函数2.通过if来判断,如果科目等于‘语文’,就填入对应的score成绩否则为0select学号,sum(if(科目='语文',成绩,0)) 语文,sum(if(科目='数学',成绩,0)) 数学,sum(if(科目='英语',成绩,0)) 英语from scoregroup by 学号;sum()行增加使用(join或者union)1.将每个科目对应的内容单独查出来。后面添加一列说明这是什么科目。
2025-08-29 20:45:06
716
原创 重生归来,我要成功 Python 高手--day5 Mysql 函数
select date_format(date(now()),'%Y年 %b月 %D日 今年的%j天');select date_format('2025-08-28','%y年-%m月 %d日');select date_format('2025-08-28','%Y年%m月%d日');-- 2025-10-25 10:00:03---->抽取出标准日期2025-01-03。将日期转换为 Unix 时间戳(自 1970-01-01 以来的秒数)。when 条件3 when 值3.。
2025-08-28 20:53:42
654
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人
RSS订阅