墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
2.8k累计阅读
2.9k平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
有些数据集需要科学上面才可以下载：
例如下面
from keras.datasets import imdb
(X_train, y_train), (X_test, y_test) = imdb.load_data(num_words=top_words)
会有如下提示，即使使用科学上网，有时候速度很慢，长时间等待后失败。
可考虑先把文件下载到本地，再加载即可。修改为：
from keras.datasets import imdb
(X_train, y_train), (X_test, y_test) = imdb.load_data("C:/Users/xx/PycharmProjects/untitled/imdb.npz", num_words=top_words)
重新run ,即可
vgg16_weights_tf_dim_ordering_tf_kernels.h5
vgg官方模型，适用于机器学习初学者使用。
MNIST全连接实现（keras）
keras全连接网络实现(Sequential) 一 加载keras中的MNIST数据集 from keras.datasets import mnist Using TensorFlow backend. (train_images,train_labels),(test_images,test_labels)=mnist.load_data() A local file was foun...
keras六大数据集（imdb、reuters等）.zip
包括boston_housing.npz，imdb.npz，imdb_word_index.json，mnist.npz，reuters.npz，reuters_word_index.json共6个数据集
在使用一个已经训练好的模型测试时出现的问题总结
最近在做超分辨率相关的实验，想找一个现成的简单测试一下，就用了这个博主的： SRGAN的简单实现 但是由于环境等都不一样，所以也是改了很久，基本都是环境问题，总结一下： python环境 在博主的readme中没看见有python版本，我自己是3.7的，也没改，只写了keras是2.2.4的，所以我配了1.12版的tensorflow，但还是有很多问题，报HDF5版本不对，也改不过来，后来还说是protobuf的问题。照网上的教程卸了重装好多次也没效果，后来发现keras和tensorflow版本都是对
两相交错并联BuckBoost变换器仿真模型（Simulink仿真实现）
内容概要：本文档系统整合了电力电子与新能源领域的Simulink仿真资源，聚焦于两相交错并联Buck-Boost变换器的双闭环PWM控制建模与仿真，同时涵盖多种典型拓扑结构，包括交错并联Boost、PFC功率因数校正、LLC谐振变换器、双向CLLC、DAB变换器、VIENNA整流器等。资源体系完整，包含仿真模型、设计报告、计算书、PPT说明文档及Matlab/Python代码，覆盖从基础建模到高级控制策略（如软开关技术、谐波抑制、状态估计、双闭环控制）的全流程。此外，还拓展至状态估计（卡尔曼滤波、粒子滤波）、智能优化算法、机器学习、信号处理、路径规划等多个交叉学科方向，构建了一个面向科研与工程应用的综合性技术平台。; 适合人群：电气工程、自动化、电力电子、新能源科学与工程等专业的硕士博士研究生、高校科研人员，以及从事新能源发电、智能电网、电动汽车、电力传动等领域技术研发的工程师。; 使用场景及目标：①开展电力电子变换器（如Buck-Boost、LLC、DAB、PFC等）的建模、控制与仿真研究；②支撑课程设计、学位论文、科研项目中的系统仿真与算法验证；③学习并复现高水平期刊（如EI）提出的先进控制策略，如基于KKT条件的最优控制、扩展移相调制、恒压恒流双环竞争控制等；④结合智能算法（如粒子群、秃鹰算法）进行微电网调度、储能配置、路径规划等多目标优化问题的研究与快速原型开发。; 阅读建议：建议依据提供的资源目录循序渐进地查阅资料，优先选取与自身研究方向高度契合的内容进行深入学习；应结合仿真模型与配套文档动手实践，调试参数并分析结果，充分利用百度网盘与公众号渠道获取完整资源，提升科研工作的系统性、规范性与创新性。
DSH-Work：一个让DeepSeek下载即用的Harness客户端
使用大模型工具时，环境配置往往比模型本身更让人头疼。DeepSeek Harness作为一类封装层，将模型调用、上下文管理、参数控制等复杂细节统一收拢，对外提供简洁操作入口。开源的DSH-Work正是这样一款Harness客户端，它通过自带运行时与保守默认配置，实现了下载即用、免配环境的目标，让使用者无需掌握Python、CUDA等专业知识即可快速连接DeepSeek云端或本地服务。对于非技术背景的用户，它降低了AI工具的使用门槛；对于开发者，它把时间从环境排错中解放出来，更专注于提示词调优与工作流设计。无
加载keras内置dataset在线下载出错——使用下载好的数据集
1、原因分析： keras中cifar10.py模块的load_data（），其中的path = get_file(dirname, origin=origin, untar=True)将从默认的 C:\Users\sunxu\.keras\datasets路径下返回数据集路径，如果该路径下有cifar-10-batches-py.tar.gz文件则不用从网上在线下载，否则将会联网下载（可能下...
用Verilog手把手教你搭建一个5级流水线的MIPS CPU（附完整代码与仿真）
本文详细介绍了如何使用Verilog从零构建一个5级流水线的MIPS处理器，包括开发环境配置、核心模块实现、流水线冲突处理等关键技术。通过完整的代码示例和仿真方法，帮助读者掌握CPU设计的基本原理和实践技巧，特别适合想要入门处理器设计的工程师和学习者。
IMDB数据集的序列转化为张量原理分析
（前言：我只是一个接触深度学习小半个月的小白，由于理解这个原理想了很久很久，所以想发篇文来记录一下，仅此而已，当然也希望有和我一样困惑的小伙伴看到后会有启发，我的知识还不全面，如有说错的地方欢迎大佬前辈们指正。以下的理解是我根据自己的小实验得出来的结果，因为《python深度学习》教程里有一些函数之类的我没有了解过。换言之如果也是同样的小白也能够看得懂我是什么意思） from keras.datasets import imdb (train_data, train_labels), (test_da
EEG信号分析实战：从时域到频域，手把手教你用Python处理脑电数据
本文详细介绍了使用Python进行EEG信号分析的实战方法，涵盖时域分析、频域分析和时频分析三大核心技术。通过MNE-Python等工具，读者将学习如何从原始脑电数据中提取事件相关电位(ERP)，解码脑波节律特征，并运用时频分析追踪动态神经活动。教程包含完整的代码示例和认知科学解释，适合神经科学研究者快速掌握EEG分析全流程。
jane street market prediction 冠军方案 奇巧淫技与topline链接整理（3/3）
目录前言将income 作为loss(优化目标)读取数据，定义优化目标模型训练与微调提交结果多目标学习Topline整理AE+MLP (rank10)Current 17th solution: Ensembles of deep (49 layer) MLPsmixup augmentation: a way to learn from trades with weight=0 （rank4）My (perhaps) over-complicated LSTM solutionCurrent 62nd .
本地加载数据集---keras下载mnist或imdb等数据集较慢解决方法
正常下载mnist或imdb等keras自带的数据集，下载程序为： import tensorflow as tf from tensorflow import keras imdb = keras.datasets.imdb (train_data, train_labels),(test_data, test_labels) = imdb.load_data(num_words=10000) 下载后数据集会默认保存到路径：C:\Users\asus\.keras\datasets 可能遇到问题： 使用
第10章：位同步与Gardner环路（1）
第10章（1）内容如下：一、位同步与载波同步的区别1、采样时钟相位偏差的影响2、采样时钟频率偏差的影响二、Gardner环路算法与插值方法1、插值滤波器2、Gardner误差检查算法三、Gardner环路中环路滤波器与数字振荡器设计1、环路滤波器2、数控振荡器（NCO）四、Gardner环路的可运行MATLAB代码五、参考资料六、致谢 最近搞懂了Gardner环路的一些知识，于是更新第10章——位同步。 如果你稍不留意的话，这可能是你在网上能看到的介绍Gardner环路及其MATLAB仿真最详细的一篇文章了
IMDB 数据集
文章目录IMDB 数据集介绍Keras中使用IMDB数据集加载相应的包加载 IMDB 数据集查看数据样式准备数据创建验证集构建模型编译模型训练模型绘制训练损失和验证损失绘制训练精度和验证精度评估模型模型预测 IMDB 数据集介绍 IMDB 数据集包含来自互联网电影数据库（IMDB）的 50 000 条严重两极分化的评论。数据集被分为用于训练的 25 000 条评论与用于测试的 25 000 条评论，训练集和测试集都包含 50% 的正面评论和 50% 的负面评论。 train_labels 和 test_la
AFSim 2.9中文手册实战指南：从安装到高级功能详解（附B站视频链接）
本文详细介绍了AFSim 2.9的安装配置、基础功能操作和高级功能应用，帮助用户快速掌握这款强大的仿真平台。从系统要求检查到多体动力学仿真，再到性能优化技巧，全面解析AFSim 2.9的使用方法，适合初学者和进阶用户参考。
55、Mac OS X 10.2 安装、设置、卸载及故障排除全攻略
本博客全面解析了 Mac OS X 10.2 的安装、设置、卸载及故障排除方法。内容涵盖四种安装方式的适用场景及操作步骤、设置助手的详细配置流程、卸载注意事项与恢复建议，以及常见问题和进阶故障的解决办法。通过图文并茂的形式，帮助用户快速掌握 Mac OS X 10.2 的基础与高级操作，是使用该操作系统的实用指南。
tensorflow.keras.datasets.imdb 中 load_data 函数的解析
开始接触一点 NLP，一边看 2017 年的 CS224n课程，因为里面的作业似乎是要求用 tensorflow，而 2019 年新的课程是用 pytorch。从 IMDB 数据集开始试试，简单的解析了之后可以看到评论的内容和正负两种评价标签，然后就要对词向量做一个词嵌入(Embedding)的处理，因为网络结构不是用 ANN 而是用循环神经网络 RNN 来做，所以不可以用稀疏向量(...
【32】C# WinForm入门到精通 ——打开文件OpenFileDialog 【属性、方法、事件、实例、源码】
本文介绍了WinForm开发中OpenFileDialog控件的关键属性及其应用。OpenFileDialog是.NET Framework提供的文件对话框控件，主要用于选择、打开文件操作。文章详细讲解了11个核心属性：AddExtension（自动补全扩展名）、AutoUpgradeEnabled（外观升级）、CheckFileExists/CheckPathExists（文件/路径存在验证）、DefaultExt（默认扩展名）、DereferenceLinks（解析快捷方式）、FileName/File
解决Keras下，imdb.load_data(num_words=10000)无法下载数据集的问题
当我们按照deeplearning with python书里面的代码教程来时，往往会出现数据集下载失败的问题，例如运行下面一段代码 (train_data, train_labels), (test_data, test_labels) = imdb.load_data(num_words=10000) 会去一个网站下载imdb.npz的数据集，这时很可能下载失败，那么怎么办呢？ 可...
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
计算机控制技术及应用
《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术，以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索，主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式，计算机控制系统的数学描述与基本分析方法，以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。
NT1_keras下搭建一个3层模型并且修改。
In [1]: import keraskeras.__version__C:\ProgramData\Anaconda3\lib\site-packages\h5py\__init__.py:36: FutureWarning: Conversion of the second argument of issubdtype from `float` to `np.floating`...
jdk-8u144-linux-x64.tar.gz.
该资源为搭建Linux系统Java环境用，资源的后缀为tar.gz格式的压缩包
imdb 测试数据读取
背景： 直接按官网的(train_data, train_labels), (test_data, test_labels) = imdb.load_data(num_words=10000) 下载失败 windows 方法： 将imdb.npz文件下载到本地文件夹，然后指定path,如下： (train_data, train_labels), (test_data, test_labels...
Outlook Express 6 (OE6) for Win7/Win8/Win10
英文版 Outlook Express6.0， 兼容Win7/Win10/WinXP，解压就可用。
【深度学习】IMDB数据集上电影评论二分类
任务描述 根据电影评论的文字内容来将电影划分为正面或者负面。 IMDB数据集 50000条两级分化的评论。正面负面各为50%。 # 加载数据 from keras.datasets import imdb (train_data, train_labels), (test_data, test_labels) = imdb.load_data(num_words=10000) # 仅保留训练数据中...
Tensorflow下调用keras数据集出现错误
from keras.datasets import imdb from keras.datasets import reuters 在anaconda3中使用tensorflow调用keras的数据集时，发现速度特别慢，甚至有时候会出现连接错误。 Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/reuters.npz Traceback (most recent call last): F
【机器学习】使用Keras开发的流程（IMDB数据集电影评论二分类）
Keras简介 \quad\quadKeras是一个Python深度学习框架，是一个模型级的库，为开发深度学习模型提供了高层次的构建模块，可以方便地定义和训练几乎所有类型的深度学习模型。 Keras具有以下重要特性： 相同代码可以在CPU或GPU上无缝切换运行 强大的API，便于开发深度学习模型 支持卷积神经网络（CNN），循环神经网络（RNN）以及二者的任意组合 支持任意网络架构，比如：多输入...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
725
扫一扫
