mercies的博客

networkx中图的使用创建一个图节点边节点和边的使用向图，节点和边添加属性图的属性节点属性边的属性有向图多图图的生成和图的一些操作分析图画图官网链接创建一个图import networkx as nxG = nx.Graph()根据定义，Graph是节点（顶点）以及已标识的节点对（称为边，链接等）的集合。 在NetworkX中，节点可以是任何可哈希对象，例如 文本字符串，图像，XML对象等（注意：python的None对象不应用作节点，因为它确定是否已在许多函数中分配了可选函数参数）节点

import pickleimport gzipimport numpy as npdef load_data(): f = gzip.open('D://dataset/mnist.pkl.gz', 'rb') training_data, validation_data, test_data = pickle.load(f, encoding='bytes') f...

手写数字识别，损失函数是CrossEntropyCost，初始化weights，biases是服从于N（0，1/sqrt（x）），其中还有save函数，精度比之前的几种更高import randomimport jsonimport sysimport numpy as npdef sigmoid(z): return 1.0 / (1.0 + np.exp(-z))d...

损失函数为 CrossEntropyCost+L1import randomimport numpy as npclass Network4(object): def __init__(self, sizes, cost): self.layernumber = len(sizes) self.sizes = sizes self....

import randomimport numpy as npclass Network(object): def __init__(self, sizes, cost): self.layernumber = len(sizes) self.sizes = sizes self.large_weight() self...

import numpy as npimport randomclass Network2(object): def _init__(self, sizes, cost): self.layernumber = len(sizes) self.sizes = len(sizes) self.defualt_weights() ...

本次实验我用的损失函数是CrossEntropyCost+L2import numpy as npimport randomclass Network3(object): def __init__(self, sizes, cost): self.layernumber = len(sizes) self.sizes = sizes ...

第一种：就是按照标准正态分布的方式初始化N(0,1)def defualt_weights(self): self.biases = [np.random.randn(y, 1) for y in self.sizes[1:]] self.weights = [np.random.randn(y, x) for x, y in zip(se...

backpropagationbackpropagation解决的核心问题损失函数c与w,b求偏导，(c为cost(w,b))整体来说，分两步1.z=w*a’+b2.a=sigmoid(z)其中，a’表示上一层的输出值，a表示当前该层的输出值1，输入x，正向的更新一遍所有的a值就都有了，2，计算输出层的delta=(y-a)点乘sigmoid(z)函数对z的偏导数3，计算输出层之前...