qq_41950447的博客

1. transforms的使用在pytorch官网下载数据集，并在transforms中显示直接打印数据集是PIL格式的，需要通过ToTensor转换格式。root自动下载的数据集的根目录train是否为训练集download是否自动下载训练集设置完，运行后就自动下载数据集train_set = torchvision.datasets.CIFAR10(root="./dataset", train=True, transform=dataset_transforms,downloa

1. Dataset类代码实践加载数据集的类代码Dataset，获取所有根路径、标签路径，获取所有数据集图片，两个数据集连接os.path.join()路径拼接Image.open()打开图片PIL格式from torch.utils.data import Datasetfrom PIL import Imageimport os'''获取数据集所有路径import osdir_path = "dataset/train/ants"dir_path = "demo01/

history=model.fit(训练集数据, 训练集标签, batch_size=, epochs=,validation_split=用作测试数据的比例,validation_data=测试集, validation_freq=测试频率)history：loss：训练集lossval_loss：测试集losssparse_categorical_accuracy：训练集准确率val_sparse_categorical_accuracy：测试集准确率acc = history.his

在进行神经网络训练过程中由于一些因素导致训练无法进行，需要保存当前的训练结果下次接着训练，这里保存的是训练后模型参数，当训练到最优解的时候，当loss最小的时候停止，保存模型参数，下次再进行训练的时候，利用保存的参数继续训练。首次先判断有没有生成的模型参数，没有则进行训练保存最有模型参数，有则利用文件中的模型参数进行训练。代码清单：## 断点继训#import tensorflow as tfimport osmnist = tf.keras.datasets.mnist(..

在用数据集进行测试的时候，不光是已经配置好的数据集，下面讲一下自己的数据集该怎么生成训练数据集。1.观察数据集结构，配成特征标签对上面文件夹存放的是数据集的图片，其中训练集60000张，测试集10000张，txt文件存放的是对应图片的标签2.在代码中写上这四个文件的路径，以及s生成的npy数据集的路径train_path = 'G:\Desktop\mooc\class4\MNIST_FC\mnist_image_label\mnist_train_jpg_60000/...

一.用tf.keras创建网络的步骤1.import 引入相应的python库2.train，test告知要喂入的网络的训练集和测试集是什么，指定训练集的输入特征，x_train和训练集的标签y_train,以及测试集的输入特征和测试集的标签。3.model = tf,keras,models,Seqential 在Seqential中搭建网络结构，逐层表述每层网络，走一边前向传播。4.model.compile 在complie()中配置训练方法。告知训练器选择哪种优化器，选择哪个损失函数

正则化(Regularization)是机器学习中对原始损失函数引入额外信息，以便防止过拟合和提高模型泛化性能的一类方法的统称。也就是目标函数变成了原始损失函数+额外项，常用的额外项一般有两种，英文称作ℓ1−normℓ1−norm和ℓ2−normℓ2−norm，中文称作L1正则化和L2正则化，或者L1范数和L2范数（实际是L2范数的平方）。 L2正则化，拟合过程中通常都倾向于让权值尽可能小，最后构造一个所有参数都比较小的模型。因为一般认为参数值小的模型比较简单，能适应不同的数据集，也在一定程度...

看了吴恩达的机器学习后，总感觉对矩阵形式的梯度下降理解的不够透彻，通过tensorflow实现鸢尾花的分类，来更好的理解梯度下降的过程。 for step, (x_train, y_train) in enumerate(train_db): #batch级别的循环 ，每个step循环一个batch # print(step) print(x_train.shape)#32*4 with tf.GradientTape() as tape: # wi

机器学习(Machine Learning)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科，专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径。例如，让机器人整齐有序的打扫房子，怎样去实现？我们要做的是让机器人观察我们完成任务的过程，从而从中学习。人工智能、机器学习、深度学习、神经网络之间的关系：人工智能(Artificial Intelligence)是研

FashionMNIST 是一个替代 MNIST 手写数字集的图像数据集。 它是由 Zalando（一家德国的时尚科技公司）旗下的研究部门提供。其涵盖了来自 10 种类别的共 7 万个不同商品的正面图片。FashionMNIST 的大小、格式和训练集 / 测试集划分与原始的 MNIST 完全一致。60000/10000 的训练测试数据划分，28x28 的灰度图片。经典的MNIST数据集包含了大量的手写数字。十几年来，来自机器学习、机器视觉、人工智能、深度学习领域的研究员们把这个数据集作为衡量算法的基准.

一. 神经网络(NN)的复杂度NN复杂度：多个NN层数和NN参数的个数表示。1.空间复杂度层数=隐藏层层数+一个输出层总参数=总w+总b2.时间复杂度乘加运算次数二.指数衰减学习率在神经网络的参数更新过程中，学习率不能太大也不能太小，太大可能会导致参数在最优值两侧来回移动，太小会大大降低优化速度，为了解决学习率的问题，TensorFlow 提供了一种灵活的学习率设置方法，即指数衰减法。可以用较大的学习率，快速得到较优解，然后逐步减小学习率，使模型在训练后期稳定。.

np.random.seed(n)用于生成指定的随机数，什么是指定的呢？就是这个函数将随机数分为n个堆，每个堆生成不同的随机数，参数n就表示第个堆，如果多次用此函数，并且n相同，则受此函数影响的np.random.rand()取得的随机数的值是相同的，因为在同一个堆中取得值。比如下面的例子。import numpy as npif __name__ == '__main__': i = 0 while(i<6): if(i<3):

一.张量·张量tensor ：多维数组（列表） 阶：张量的维数·张量可以表示0阶到n阶数组（列表）张量的数据类型：代码清单：import tensorflow as tfimport numpy as npa=tf.constant([[2,3],[2,5]],dtype=tf.int32)print(a)print(a.dtype)print(a.shape)b=tf.constant(np.arange(12).reshape((3,4)),dtype=tf.

题目描述： 在本部分的练习中，您将使用一个变量实现线性回归，以预测食品卡车的利润。假设你是一家餐馆的首席执行官，正在考虑不同的城市开设一个新的分店。该连锁店已经在各个城市拥有卡车，而且你有来自城市的利润和人口数据。您希望使用这些数据来帮助您选择将哪个城市扩展到下一个城市。x表示人口数据，y表示利润，一共97行数据。作业一，二数据集文件，单变量线性回归、多变量线性回归链接: https://pan.baidu.com/s/1YQxiQfYf0Jdd6vC1KfUQVQ 提取码: yk.

1. keras是什么◆基于python的高级神经网络API，不是一个完整的库。◆Francois Chollet于2014-2C15年编写Keras。◆以Tensorflow、 CNTK或者Theano为后端运行, keras必须有后端才可以运行。后端可以切换,现在多用tensorflow◆极方便于快速实验,帮助用户以最少的时间验证自己的想法。2. Tensorflow-keras是什么◆Tensorflow对keras API规范的实现◆相对于以tensorflow为后端的kera