nosprings的博客

1.算法原理就是FP和BP算法，采用的梯度下降更新梯度。 2.算法的loss函数还是交叉熵函数，也是常用的分类loss函数。 3.训练数据集是使用的mnist数据集，但是是处理好的，用csv文件保存的结构。 4.目前没有写算法说明，回头再更吧，算法有详细的注释。 import numpy as np # 基于交叉熵的loss函数计算和梯度 class CrossEntropy(): # 正向计算 def forward(self, input, y): '''

1、学习前必须了解的概念：张量和数据流图 1.1、张量：可以认为是数组和常量的总称呼 在数学上，我们通常用一维数组和多维数组表示一组数据，比如： 我们要表示一个人的身高，体重，年龄可以写成 [175, 70, 30]这样的一维数组形式 这个数组的第一个元素表示身高，第二元素表示体重，第三个元素表示年龄，这个一维数组可以认为是一维张量 如果要表示3个人的身高体重，可以写成二维结构 [ [...

常用的linux命令行 ls列出当前面目录下的文件信息 ls –a ls -l cd 切换目录 linux：/系统跟 ~用户根 cd / 可以进入系统跟 mkdir可以创建目录 pwd可以查看当前目录的完整路径 vi / vim 文件名，如果文件存在，则打开编辑，如果不存在则创建文件打开编辑界面,如果需要改文件内容，那么按i（insert），编...

1、假设，线性线的函数是： f(x) = θ0+θ1*x11 + θ2*x12 传说中的激活函数，将数值转换为概率值： sigmoid，relu 函数： g(z) = 1/(1+e(-z)) # e=2.718 z = f(x) # 逻辑回归问题的假设函数： h(x) = 1/(1+e^(-(θ0+θ1*x11 + θ2*x12))) [0, 1] 0.5为分界线 >= 0.7 ...

1、核心算法代码 说明：算法是使用的梯度下降算法，成本函数是使用的最小二乘法：求残差的平方和的极小值 import numpy as np # 定义假设函数：X是一个矩阵 W是一个列向量 def hyFunction(X, W): return X.dot(W) # 一次计算所有的样本结果 pass # 梯度函数：X是样本矩阵，W是系数，y是实际结果 def grad...

1、导数定义： 设函数y=f（x）在点x0的某个邻域内有定义，当自变量x在x0处有增量Δx，（x0+Δx）也在该邻域内时，相应地函数取得增量Δy=f（x0+Δx）-f（x0）；如果Δy与Δx之比当Δx→0时极限存在，则称函数y=f（x）在点x0处可导，并称这个极限为函数y=f（x）在点x0处的导数记作 需要指出的是： 两者在数学上是等价的。 导函数 如果函数y=f...

1、什么是梯度下降： 梯度就是函数在一个点的斜率，梯度下降，就是在求函数极值的过程中，让斜率减小，从而找到极大值或极小值点，因为在几何坐标系里，极值点的斜率是零 # 梯度下降 == 导数值下降 import matplotlib.pyplot as plt import numpy as np # f(x) = (x-10)**2， 目标函数 # f'(x) = 2*x - 20 梯度函...

1、服务器端： import socket import threading # 问题库： questionDict = {"苹果":"一种水果，很好吃", "小姐姐": "是对女孩的一种描述", "猪":"是一种动物", "佩奇": "是一只粉色的小猪"} # 智能问题机器人服务器 class RobotServer(): def __init__(...

Python纯手写版本的KMeans算法实现，没有使用numpy库，使用matplotlib可视化 import random import matplotlib.pyplot as plt class KMeans(): def __init__(self, k=1): ''' :param k: k代表分类数 ''' self.__k = k self....