PYTandFA的博客

以前写的GAN神经网络，但是训练过程并不收敛。放在这里，慢慢改！ #_*_encoding:UTF-8_*_ import tensorflow as tf import numpy as np import scipy.misc from glob import glob import PIL sample_size = 100 flags = tf.app.flags flags.DEFINE_integer("batch_size", 100, "The number of sample in

翻到以前用c手撸的混沌粒子群算法 #include <stdio.h> #include <time.h> #include <stdlib.h> #include <math.h> #include <string.h> #define N 1000 #define D 2 #define MAXV 0.1 #define MINV -0.1 #define MAXP 10 #define MINP -10 #define ITERATI.

手撸的word2vec，后续继续改bug。 #coding+UTF-8 import numpy as np from collections import Counter embeddingDim = 100 vocabSize = 0 syn0 = None syn1 = None syn1Neg = None c = 4 window = np.array([x for x in range(2*c + 1) if x != c])-c trainFile = [] L = 0 alpha = .

手撸的第一版Xgboost，先放上来，慢慢写bug！ #coding=UTF-8 import numpy as np from collections import Counter var_std = .5 def gini(fea, val, data): """ 计算离散特征列的gini值 """ def __cal__(cls): if cls.shape[0] == 0: return .0 count...

1、KD树的构造（ongoing） #DBSCAN inspects abnormal sample import numpy as np from heapq import heappush, heappop, nsmallest, heappushpop from scipy.spatial import KDTree import matplotlib.pyplot as plt decisionNode = dict(boxstyle="sawtooth", fc="0.8") leafNod.

利用矩阵，梯度下降算法实现的因子分解机 import numpy as np LEARNING_RATE = 0.95 REGULARIZATION_COEFFICIENT = 0.000001 STEP_THRESHOLD = 300 K = 6 def sigmoid(x): return 1/(1+np.exp(-x)) class factorizationMachine: #x: a sample in train_set #cross_v: it is a t...

1、概述 通过递归方式构造决策树。构造了decisionTreeNode、decisionTree两个类。 ID3.py ├── decisionTreeNode │ ├── __init__() │ │ ├──fea_list │ │ ├──dataset │ │ ├──split_fea │ │ ├──first_descendant │ │ ├──brother │ │ ├──cls │ │ └──split_fea_va...

自己实现的红黑树的创建与可视化，记录在下面，以后可以过来更新。 虽然红黑树的创建部分还是有些bug，创建的二叉树并不满足红黑树的4大规则，可能对红黑树算法的理解还有偏差。但是其他功能模块都运行正常。代码包括以下功能模块： 1、创建二叉搜索树； 2、调整二叉搜索树为红黑树； 3、更新二叉树中每个节点的深度； 4、更新<=节点值节点数量； 5、计算二叉树的高度；...

代码 #include <stdio.h> #include <stdlib.h> typedef struct Node { float value; struct Node *left; struct Node *right; }node; //查找待插入点的父节点 node * findInsertLoc(node *p1, float...

快排 算法 输入：A[0,...,n-1] partition(A, p, q) //A待排序的数组，p为某次划分的起始index，q为某次划分的结束index i<-p pivot <- A[p] for j <-p+1 to q do if A[j] < pivot theni <- i + 1 ...