Zking~-优快云博客

原创 Python——魔法方法总结

Python 的对象天生拥有一些神奇的方法，它们总被双下划线所包围，他们是面向对象的 Python 的一切。他们是可以给你的类增加魔力的特殊方法，如果你的对象重载了这些方法中的某一个，那么这个方法就会在特殊的情况下被 Python 所调用，你可以定义自己想要的行为，而这一切都是自动发生的。基本魔法方法功能说明__ new__(cls[, …]) 1.__new__是在一个对象实例化的时候所调用的第一个方法 2. 它的第一个参数是这个类，其他的参数是用来直接传递

2020-09-01 15:19:24 258

原创 TensorFlow序列分类问题详解

文章目录1 N VS 1的RNN结构2 序列分类问题与数据生成3 在TensorFlow中定义RNN分类模型3.1 定义模型前的准备工作3.2 定义RNN分类模型3.3 定义损失并进行训练4 模型的推广5 总结在这篇文章中，将专注于另一种RNN结构；N VS 1。这种结构的输入为序列，输出为类别，因此可以解决序列分类问题。常见的序列分类问题有文本分类、时间序列分类、音频分类等等。这篇文章会使用TensorFlow制作一个简单的两类序列分类器1 N VS 1的RNN结构先来简单地复习N VS 1

2020-08-14 19:57:56 1414

原创 TensorFlow中RNN基本结构及其实现方式

文章目录1、实现RNN的基本单元：RNNCell2、对RNN进行堆叠：MultiRNNCall3、BasicRNNCell和BasicLSTMCell的output4、使用tf.nn.dynamic_rnn展开时间维度1、实现RNN的基本单元：RNNCell RNNCall是TensorFlow中的RNN基本单元。它本身是一个抽象类，在本节中学习它两个可以直接使用的子类，一个是BasicRNNCell，还有一个是BasicLSTMCell，前者对应基本的RNN，后者是基本的LSTM。学习RNNCal

2020-08-14 16:27:57 1888 2

原创 Python模块——Numpy详细教程

先决条件在阅读这个教程之前，你多少需要知道点Python。如果你想从新回忆下，请看看Python Tutorial. 如果你想要运行教程中的示例，你至少需要在你的电脑上安装了以下一些软件: Python NumPy 这些是可能对你有帮助的: python是一个净强化的交互Python Shell，对探索NumPy的特性非常方便。 matplotlib将允许你绘图 Scipy在NumPy的基础上提供了很多科学模块一、基础篇 NumPy的主要对象是同种元素的多维数组。这是

2020-08-04 20:15:35 1075

原创【Keras】学习笔记19：深度学习基本概念

文章目录一、神经网络二、卷积神经网络三、循环神经网络一、神经网络 1、神经元就像形成我们大脑基本元素的神经元一样，神经元形成神经网络的基本结构。想象一下，当我们得到新信息时我们该怎么做。当我们获取信息时，我们一般会处理它，然后生成一个输出。类似地，在神经网络的情况下，神经元接收输入，处理它并产生输出，而这个输出被发送到其他神经元用于进一步处理，或者作为最终输出进行输出。 2、权重（Weights）当输入进入神经元时，它会乘以一个权重。例如，如果一个神

2020-08-04 20:12:21 261

原创【Keras】学习笔记18：LSTM时间序列问题预测：国际旅行人数预测

一、LSTM处理回归问题import numpy as npfrom matplotlib import pyplot as pltfrom pandas import read_csvimport mathfrom keras.models import Sequentialfrom keras.layers import Densefrom keras.layers import LSTMfrom sklearn.preprocessing import MinMaxScalerfro

2020-08-04 20:11:10 1589 1

原创【Keras】学习笔记17：多层感知器的时间序列预测：国际旅行人数预测

import numpy as npfrom pandas import read_csvfrom matplotlib import pyplot as pltimport mathfrom keras.models import Sequentialfrom keras.layers import Denseseed = 7batch_size = 2epochs = 200filename = 'international-airline-passengers.csv'foote

2020-08-04 20:10:17 796 1

原创【Keras】学习笔记16：深度学习循环神经网络（RNN）的原理知识

文章目录一 RNN概述1.1 BP算法,CNN之后, 为什么还有RNN?1.2 什么是RNN?1.3 RNN的主要应用领域有哪些呢?二 RNN(循环神经网络)2.1 RNN模型结构2.2 RNN的反向传播三 RNN的一些改进算法3.1 LSTM算法(Long Short Term Memory, 长短期记忆网络 )3.2 GRU算法四基于Tensorflow的基本操作和总结一 RNN概述前面我们叙述了BP算法, CNN算法, 那么为什么还会有RNN呢?? 什么是RNN, 它到底有什么不同之

2020-08-04 20:09:27 1083

原创【Keras】学习笔记15：情感分析实例：IMDB影评情感分析

分析某部电影是好电影还是不好的电影。数据集由IMDB（http://www.imdb.com/interfaces/）提供。一、导入数据数据通过keras的imdb.load_data()函数导入，为了便于在训练中使用数据集，keras提供的数据集将单词转化成整数，这个整数代表单词在整个数据集中的流行程度。导入数据后，将训练数据和评估数据集合并，并查看相关统计信息，如中值和标准差，结构通过箱线图和直方图展示，代码如下：from keras.datasets import imdbimport nu

2020-08-04 12:51:00 1574

原创【Keras】学习笔记14：图像识别实例：CIFAR-10分类

一、简单卷积神经网络首先构建一个简单的神经网络（CNN），来验证卷积神经网络在这个数据集上的性能，并以此为基础对网络进行优化，逐步提高模型的准确度。数据集中的图像是像素32X32的彩色图片，因此数据中包括红、蓝、绿三个维度，范围是0—255的像素值。在使用数据训练算法前，简单地将数据调到0—1.输出结果具体分为10类，因此需要将其进行one-hot编码，以适用于模型的输出。这个简单的卷积神经网络具有两个卷积层、一个池化层、一个Flatten层和一个全连接层，网络拓扑结构如下：（1）卷积层：具有32个

2020-08-04 12:49:42 463

原创【Keras】学习笔记13：Keras中的图像增强

功能包括：特征标准化；ZCA白化；随机旋转、移动、剪切和反转图像；维度排序；保存增强后的图像。创建配置ImageDataGenerator之后，通过fit()函数使其适用于数据集，这个过程计算实际执行图像数据转换中所需的全部统计信息。一、增强前的图像原始图像：from keras.datasets import mnistfrom matplotlib import pyplot as plt# 从Keras导入Mnist数据集(X_train, y_train), (X_vali

2020-08-02 14:04:31 691 1

原创【Keras】学习笔记12：手写数字识别（卷积神经网络）

为了展示卷积神经网络的优势，采用多层感知机来做对比。一、多层感知机模型为了确保每次执行代码生成相同的模型，数据导入之后设定随机数种子。并查看最初的4张手写数字图片。所有图像都是28*28像素的文件。输入层（784个输入）->隐藏层（784个神经元）->输出层（10个神经元）数据集是三维向量，通过下面这个函数应该转化为2维向量。num_pixels = X_train.shape[1] * X_train.shape[2]对于多层感知机，模型的输入是二维的向量，因此这里需要将数据集r

2020-08-02 14:01:07 1354

原创【Keras】学习笔记11：深度学习卷积神经网络（CNN）的原理知识

文章目录一、如何帮助神经网络识别图像？二、什么是神经网络？三、什么是卷积神经网络？3.1 案例3.2 图像输入3.3 提取特征3.4 卷积（convolution）3.5 池化（Pooling）3.6 激活函数RelU (Rectified Linear Units)3.7 深度神经网络3.8 全连接层(Fully connected layers)3.9 卷积神经网络（Convolutional Neural Networks）3.10 对卷积神经网络的总结网上关于卷积神经网络的相关知识以及数不胜数

2020-08-02 13:55:28 1090

原创【Keras】学习笔记10：Dropout 与学习率衰减

一、神经网络中的dropoutdropout是一种针对神经网络模型的正则化方法。是在训练过程中，随机的忽略部分神经元。它强迫一个神经元单元和随机挑选出来的其他神经单元共同工作，达到较好的效果，减弱了神经节点间的联合适应性，增强了泛化能力。经过验证，隐含节点dropout率等于0.5的时候效果最好。此时dropout随机生成的网络结构最多，dropout也可以用在输入层，作为一种添加噪音的方法。在keras的每个权重更新周期中，按照给定概率（如20%），随机选择要丢弃的节点，以实现dropout。drop

2020-07-31 17:24:55 3118

原创【Keras】学习笔记9：深度学习中Dropout原理解析

1. Dropout简介1.1 Dropout出现的原因在机器学习的模型中，如果模型的参数太多，而训练样本又太少，训练出来的模型很容易产生过拟合的现象。在训练神经网络的时候经常会遇到过拟合的问题，过拟合具体表现在：模型在训练数据上损失函数较小，预测准确率较高；但是在测试数据上损失函数比较大，预测准确率较低。过拟合是很多机器学习的通病。如果模型过拟合，那么得到的模型几乎不能用。为了解决过拟合问题，一般会采用模型集成的方法，即训练多个模型进行组合。此时，训练模型费时就成为一个很大的问题，不仅训练多个模型费

2020-07-31 17:20:33 1008

原创【Keras】学习笔记8：多层感知器进阶

1、JSON序列化模型JSON是一种轻量级数据交换格式。Keras提供了to_json()函数生成模型的JSON描述，并将模型的JSON描述保存到文件中。反序列化时，通过model_from_json()函数加载JSON描述，并编译成模型，从而可以将模型部署到生产环境，并使用模型对新数据进行预测。使用save_weight()函数可以保存模型的权重值，并在加载模型时使用load_weights()函数加载模型的权重信息。当有新数据需要预测时，从保存的文件加载的模型和权重信息，并创建一个新的模型，通过加

2020-07-31 17:11:46 386

原创【Keras】学习笔记7：二分类实例：银行营销分类

数据集从UCI机器学习仓库下载（http://archive.ics.uci.edu/ml/datasets/Bank+Marketing）数据集包含16个输入项和一个输出项。数据需要从CSV文件导入，使用Pandas的read_csv()函数来导入数据。使用scikit_learn提供的StandardScaler函数对数据进行标准化。（在交叉验证进行之前）使用scikit_learn提供的GridSearchCV函数对整个神经网络的拓扑结构调参。下例代码为单层模型，且与输入属性相同数量神经元的

2020-07-31 17:07:10 863

原创【Keras】学习笔记6：回归问题实例：波士顿房价预测

因为这是一个回归问题，不需要将预测结果进行分类转换，所以输出层不设置激活函数，直接输出数值。下例为14个特征输入，最后一个特征是自住房屋价中位数（应该算目标）。用了数据标准化，调参隐含层和神经元from sklearn import datasetsimport numpy as npfrom keras.models import Sequentialfrom keras.layers import Densefrom keras.wrappers.scikit_learn import K

2020-07-31 17:05:43 798

原创【Keras】学习笔记5:多分类实例：鸢尾花分类

数据集可以从UCI机器学习仓库下载（http://archive.ics.uci.edu/ml/datasets/Iris）深度学习中要求数据全部都是数据下例，数据集具有4个数值型输入项目，输出项目是鸢尾花的3个子类。使用scikit-learn中提供的数据集。输入层（4个输入）—> 隐藏层（4个神经元）—> 隐藏层（6个神经元）—> 输出层（3个输出）from sklearn import datasetsimport numpy as npfrom keras.models

2020-07-31 17:04:13 866

原创【Keras】学习笔记4：在keras中使用scikit-learn

一、使用交叉验证评估模型KerasClassifier和kerasregressor类使用参数build_fn，指定用来创建模型的函数的名称。因此，必须定义一个函数，并通过函数来定义深度学习的模型，编译并返回它。在下面的例子中，定义了利用create_model()函数来创建一个简单的多层神经网络。函数解释： cross_val_score(estimator, X, y=None,

2020-07-31 17:02:42 1192 1

原创【Keras】学习笔记3：评估深度学习模型

一、自动评估keras可将数据集一部分分成评估数据集，并在每个epoch中使用该评估数据集对模型进行评估，通过对验证分割参数（validation_split）设置为数据集大小的百分比来实现。from keras.models import Sequentialfrom keras.layers import Denseimport numpy as np# 设定随机数种子np.random.seed(7)# 导入数据dataset = np.loadtxt('pima-indians-

2020-07-31 16:55:52 366 1

原创【Keras】学习笔记2：第一个多层感知器实例：印第安人糖尿病诊断

一、概述这个例子没有多的代码，本节将会一步一步地实现这个例子，以便清晰地展示如何创建一个模型。1、导入数据在使用随机过程（如随机数）的机器学习算法时，最好使用固定随机种子初始化随机数生成器。这样就可以重复运行相同的代码，并得到相同的结果。实例中使用Numpy的函数loadtxt()函数加载Piman Indians数据集。Piman Indians数据集有8个输入维度和1个输出维度（最后一列）from keras.models import Sequentialfrom keras.layers

2020-07-31 16:48:48 503

原创【Keras】学习笔记1：Keras预备知识

文章目录一、Keras 模型1、共同的方法和属性2、Model 类继承二、Sequential 模型 API1、compile()：配置训练模型2、fit()：训练模型3、evaluate()：模型评估4、predict()：预测5、train_on_batch()6、test_on_batch()7、predict_on_batch()8、fit_generator()9、evaluate_generator10、predict_generator11、get_layer()三、Model 类（函数式 A

2020-07-31 16:46:56 614

原创 python 爬虫学习_有道翻译

python 爬虫_有道翻译代码如下：import urllib.requestimport urllib.parseimport jsonimport timewhile True: content = input('请输入需要翻译的内容(输入"q!"退出程序)：') if content=='q!': break url = "http://fanyi.youdao.com/translate?smartresult=dict&smart

2020-07-29 17:27:38 212

qq_49189614的博客