<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[火鸡哥]]></title><description><![CDATA[慢]]></description><link>https://blog.youkuaiyun.com/u012587024</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; u012587024]]></copyright><item><title><![CDATA[tensorflow2.0 | 训练模型的三种方式]]></title><link>https://blog.youkuaiyun.com/u012587024/article/details/118854379</link><guid>https://blog.youkuaiyun.com/u012587024/article/details/118854379</guid><author>u012587024</author><pubDate>Sat, 17 Jul 2021 12:11:30 +0800</pubDate><description><![CDATA[1、使用fit训练Dataset
该方法使用简单方便，适合在样本量少的时候。
model.fit(inputs,
         target,
         batch_size=batch_size,
         epochs=epochs,
         callbacks=callbacks,
         validation_split=0.2)

2、使用fit训练generator
当样本量很大的时候，一次性加载所有样本到内存，很有可能会造成OOM，使用生成器去训练模型，]]></description><category></category></item><item><title><![CDATA[信息的度量-熵（entropy）]]></title><link>https://blog.youkuaiyun.com/u012587024/article/details/118183254</link><guid>https://blog.youkuaiyun.com/u012587024/article/details/118183254</guid><author>u012587024</author><pubDate>Thu, 24 Jun 2021 18:21:23 +0800</pubDate><description><![CDATA[信息是个抽象的概念，我们知道一个句子里的信息多或者少，但不知道具体是多少，如何使用数据去衡量一条信息的信息量是多少？熵刚好可以衡量信息的多少。
信息量等于不确定性的多少，例如(如无特殊说明骰子都是指正六面骰子)：
A: “丢一次骰子，数字小于等于6的概率是多少？”：骰子上的数字是1、2、3、4、5、6，丢一次骰子，它的数字肯定是小于等于6的，它的不确定性是0，所以它的信息量也是0；
B: “丢一次骰子，数字小于等于3的概率是多少？”：丢一次骰子，它的数字小于等于3的概率是12\frac{1}{2}21​，这]]></description><category></category></item><item><title><![CDATA[tensorflow2.0 | 自定义Model]]></title><link>https://blog.youkuaiyun.com/u012587024/article/details/117924739</link><guid>https://blog.youkuaiyun.com/u012587024/article/details/117924739</guid><author>u012587024</author><pubDate>Tue, 15 Jun 2021 18:11:58 +0800</pubDate><description><![CDATA[记录一下自定义keras模型的过程中遇到的坑。
1、自定义模型
自定义模型，要继承keras.Model，然后实现__init__和call两个方法，注意以下坑点：
__init__若没有定义layers，那么在后面应用梯度时会找不到trainable_variables；因此所有层的定义一定要在__init__里定义。
import tensroflow.keras as keras

class model(keras.Model):

    def __init__(self):
        s]]></description><category></category></item><item><title><![CDATA[囚犯问题]]></title><link>https://blog.youkuaiyun.com/u012587024/article/details/112683288</link><guid>https://blog.youkuaiyun.com/u012587024/article/details/112683288</guid><author>u012587024</author><pubDate>Mon, 18 Jan 2021 10:11:05 +0800</pubDate><description><![CDATA[题目
有4个囚犯，分别独立关在4个房间，实验时他们之间不能进行交流，相互也看不到对方，每天晚上随机一个人出来守夜，守夜的地方有一盏灯，守夜人每晚只能对灯进行一次操作(开/关)，房间里的囚犯可以看到灯的情况；请设计一个规则(该规则会让所有囚犯都知道)，确保有一个人知道每个人都出来守过夜。
解题
因为囚犯是不能进行交流的，所有的囚犯都不知道其它人是否出来守过夜，这里有两个需要记录的变量，一是当前守夜的人，二是不同守夜人的人数。
我们需要找一个人来统计守夜人的人数，需要囚犯之间不知道谁守过夜，但他们可以通过灯是否]]></description><category></category></item><item><title><![CDATA[扑克]]></title><link>https://blog.youkuaiyun.com/u012587024/article/details/112623233</link><guid>https://blog.youkuaiyun.com/u012587024/article/details/112623233</guid><author>u012587024</author><pubDate>Thu, 14 Jan 2021 18:17:11 +0800</pubDate><description><![CDATA[题目
有一组特定顺序的扑克共20张，扑克上有1-20的数字；将第一张扑克拿出来，上面显示多少的数字，就将接下来多少张扑克放到底部，然后再拿第二张扑克出来，第二张上面显示多少的数字，也将接下来多少张扑克放到底部…最终扑克全拿出来后显示的扑克顺序刚好是1、2、3、4…18、19、20.请问最初扑克的顺序是怎么样的？
解题
该题可以使用反推法，将上面的问题进行反推，我们最终要求解的是一个数组，数组里的数字顺序代表了扑克的顺序。
步骤：
第一步：最后一张是20，因为此时数组为空，所以不用做“拿牌”操作，只要把20放]]></description><category></category></item><item><title><![CDATA[五猴分桃]]></title><link>https://blog.youkuaiyun.com/u012587024/article/details/112602139</link><guid>https://blog.youkuaiyun.com/u012587024/article/details/112602139</guid><author>u012587024</author><pubDate>Thu, 14 Jan 2021 15:55:13 +0800</pubDate><description><![CDATA[题目
有五个猴子，分一堆桃子；第一个猴子过来把桃分了5份，多出一个桃，它拿走了其中一份和多出来的一个桃；第二个猴子把剩下的桃再分了5份，也多出了一个桃，它像第一个猴子那样拿走了其中一份和多出来的一个桃；后面3个猴子也遇到了第一和第二个猴子的情况，也做出了同样的选择；请问至少有多少个桃？
解题
这里我们不知道最后一个猴子分桃时平均每个猴子能分多少个桃，有人可能会认为“至少”当然是1个桃啦，这是不对的，因为如果是这样的话，那第4个猴子分给4个猴子时总共分了1 * 5 + 1 = 6个桃，6不是4的倍数，所以不能]]></description><category></category></item><item><title><![CDATA[python之装饰器和闭包]]></title><link>https://blog.youkuaiyun.com/u012587024/article/details/106743325</link><guid>https://blog.youkuaiyun.com/u012587024/article/details/106743325</guid><author>u012587024</author><pubDate>Sun, 14 Jun 2020 15:21:22 +0800</pubDate><description><![CDATA[在了解装饰器之前，我们先来了解一下闭包，因为装饰器的本质也是闭包。
1、闭包
闭包：一个函数定义中引用了函数外定义的变量，并且该函数可以在其定义环境外被执行，这样一个函数称之为闭包。概念比较抽象，我们直接看代码：
def outer_func():
	loc_list = []
	def inner_func(name):
		loc_list.append(name)
		print(loc_list)
	return inner_func

func = outer_func()
func("A")
f]]></description><category></category></item><item><title><![CDATA[Axure团队项目创建流程]]></title><link>https://blog.youkuaiyun.com/u012587024/article/details/103718560</link><guid>https://blog.youkuaiyun.com/u012587024/article/details/103718560</guid><author>u012587024</author><pubDate>Thu, 26 Dec 2019 16:50:41 +0800</pubDate><description><![CDATA[1、先创建一个项目，保存文件。



2、打开该文件，然后创建团队项目。



3、填写项目信息，就可以创建axure团队项目了。



注意：workspace不能选择在My Projects目录下，因为My Projects目录不支持加项目成员。

4、最后在axure云上添加项目成员，然后项目成员通过即可。








...]]></description><category></category></item><item><title><![CDATA[数据增强]]></title><link>https://blog.youkuaiyun.com/u012587024/article/details/103618646</link><guid>https://blog.youkuaiyun.com/u012587024/article/details/103618646</guid><author>u012587024</author><pubDate>Tue, 24 Dec 2019 17:40:58 +0800</pubDate><description><![CDATA[数据增强是从现有的训练样本中生成更多的训练数据，其方法是利用多种能够生成可信图像的随机变换来增加样本，其目标是让模型在训练时不会两次查看完全相同的图像。
对于一张图片的样本数据，每次迭代时都会先随机变换，然后再输入网络，所以使用数据增强来训练一个新网络，那么该网络将不会两次看到同样的输入。
在Keras中使用数据增强：
from keras.preprocessing.image import I...]]></description><category></category></item><item><title><![CDATA[w-p神经元与BM算法]]></title><link>https://blog.youkuaiyun.com/u012587024/article/details/103611826</link><guid>https://blog.youkuaiyun.com/u012587024/article/details/103611826</guid><author>u012587024</author><pubDate>Thu, 19 Dec 2019 11:45:57 +0800</pubDate><description><![CDATA[因为没有找到很好的画神经元的软件，所以直接在笔记本上写了，再以图片方式放到博客上，方便以后自己查看。





参考：周志华《机器学习》

]]></description><category></category></item><item><title><![CDATA[神经网络之过拟合]]></title><link>https://blog.youkuaiyun.com/u012587024/article/details/103198335</link><guid>https://blog.youkuaiyun.com/u012587024/article/details/103198335</guid><author>u012587024</author><pubDate>Fri, 22 Nov 2019 17:45:06 +0800</pubDate><description><![CDATA[防止神经网络过拟合的常用方法包括：

获取更多的训练数据；
减小网络容量；
添加权重正则化；
添加dropout；

1､获取更多的训练数据
    这个方法防止过拟合是适用于所有机器学习模型的，也是万能的方法，但现实却是不可能获取到所有的数据。
2､减小网络容量
    减小网络容量是指减小神经网络的层数和隐藏单元。为什么减小网络容量可以防止过拟合？首先我们来了解一下神经网络的层数和隐藏单元与过...]]></description><category></category></item><item><title><![CDATA[nlp之词向量转换]]></title><link>https://blog.youkuaiyun.com/u012587024/article/details/103181834</link><guid>https://blog.youkuaiyun.com/u012587024/article/details/103181834</guid><author>u012587024</author><pubDate>Thu, 21 Nov 2019 16:17:34 +0800</pubDate><description><![CDATA[# 分词器，仅保留数据中前10000个最常见的单词作为特征，低频单词将被舍弃
tokenizer = text.Tokenizer(num_words=max_features)
tokenizer.fit_on_texts(list(X_train) + list(X_test))

# 将评论数据的单词转换成速数形式，如：[1,0,3,,2,0]
X_train = tokenizer.tex...]]></description><category></category></item><item><title><![CDATA[NLP解码]]></title><link>https://blog.youkuaiyun.com/u012587024/article/details/103166061</link><guid>https://blog.youkuaiyun.com/u012587024/article/details/103166061</guid><author>u012587024</author><pubDate>Wed, 20 Nov 2019 16:52:26 +0800</pubDate><description><![CDATA[# 从分词器中获取词索引数组(word,int)
word_index = tokenizer.word_index
# 将词索引键值颠倒(int word)
reverse_word_index = dict([(value,word) for (word,value) in word_index.items()])
# 将train_data的第一条数据解码
# 索引减去3,因为0､1､2是为...]]></description><category></category></item><item><title><![CDATA[恶毒评论分类报告]]></title><link>https://blog.youkuaiyun.com/u012587024/article/details/103071504</link><guid>https://blog.youkuaiyun.com/u012587024/article/details/103071504</guid><author>u012587024</author><pubDate>Thu, 14 Nov 2019 17:45:51 +0800</pubDate><description><![CDATA[恶毒评论分类报告
一、问题的定义
1.1､项目概述
    讨论你关心的事情是很困难的。网络上的虐待和骚扰的威胁意味着许多人停止表达自己，放弃寻求不同的意见。平台很难有效地促进对话，导致许多社区限制或完全关闭用户评论。
    对话人工智能团队是Jigsaw和谷歌(都是Alphabet的一部分)共同发起的一个研究项目，目前正致力于开发帮助改善在线对话的工具。一个重点领域是对负面网络行为的研究，比如...]]></description><category></category></item><item><title><![CDATA[数据不平衡的处理方法]]></title><link>https://blog.youkuaiyun.com/u012587024/article/details/102813635</link><guid>https://blog.youkuaiyun.com/u012587024/article/details/102813635</guid><author>u012587024</author><pubDate>Thu, 31 Oct 2019 16:14:57 +0800</pubDate><description><![CDATA[数据不平衡是指在分类中，各类别数据的样本量极不平衡(通常情况下把多数类样本的比例接近100:1这种情况下的数据称为不平衡数据)。比如二类分类，正类的样本数远远比负类的样本数，那对于一些模型(例如感知机)，训练好的模型会偏向正类，所以数据不平衡会导致模型的乏化能力差。
参考：https://www.cnblogs.com/kamekin/p/9824294.html

...]]></description><category></category></item><item><title><![CDATA[GBDT和XGboost介绍]]></title><link>https://blog.youkuaiyun.com/u012587024/article/details/102373344</link><guid>https://blog.youkuaiyun.com/u012587024/article/details/102373344</guid><author>u012587024</author><pubDate>Tue, 08 Oct 2019 15:01:54 +0800</pubDate><description><![CDATA[注：本文转自https://blog.youkuaiyun.com/xavier_muse/article/details/84403207。
GBDT（Gradient Boosting Decision Tree）是一种基于迭代所构造的决策树算法，它又可以简称为MART（Multiple Additive Regression Tree）或GBRT（Gradient Boosting Regression...]]></description><category></category></item><item><title><![CDATA[多项式特征]]></title><link>https://blog.youkuaiyun.com/u012587024/article/details/101370142</link><guid>https://blog.youkuaiyun.com/u012587024/article/details/101370142</guid><author>u012587024</author><pubDate>Wed, 25 Sep 2019 16:15:33 +0800</pubDate><description><![CDATA[在使用单项式特征的时候，模型函数的型式是y=a∗x+b∗y+c∗z+dy = a*x+b*y+c*z+dy=a∗x+b∗y+c∗z+d，但我们还可以加入多项式作为新的特征，例如二项式增加以下特征[x∗y，x∗z，y∗z，x2，y2，z2][x*y，x*z，y*z，x^2，y^2，z^2][x∗y，x∗z，y∗z，x2，y2，z2]。

在网络搜索中使用：
from sklearn.pipeline...]]></description><category></category></item><item><title><![CDATA[特征转换]]></title><link>https://blog.youkuaiyun.com/u012587024/article/details/101288288</link><guid>https://blog.youkuaiyun.com/u012587024/article/details/101288288</guid><author>u012587024</author><pubDate>Tue, 24 Sep 2019 17:44:06 +0800</pubDate><description><![CDATA[在原始数据中，有些特征需要转换，才能获取有用的信息。
1､定类等级的编码
对于定类数据，我们需要将其转换成数字特征，但却又不能使用有序数据，因为定类数据之间是没有层序关系的。这种情况下可以使用one-hot编码，pandas.get_dummies可以实现one-hot编码和虚拟编码。
如下，x_city特征值是不相关的，

2､定序等级的编码
如下，dislike、somelike、like，都...]]></description><category></category></item><item><title><![CDATA[缺失值数据填充]]></title><link>https://blog.youkuaiyun.com/u012587024/article/details/101205509</link><guid>https://blog.youkuaiyun.com/u012587024/article/details/101205509</guid><author>u012587024</author><pubDate>Mon, 23 Sep 2019 17:25:36 +0800</pubDate><description><![CDATA[处理缺失值的两种方法：
1､删除缺失值的行；
2､填充缺失值。
如果缺失值的行占比较多，进行删除缺失值的话，将丢失大量的数据，这样得到的模型可能会很差；所以一般对缺失值的处理都是进行填充。
数据可以分以下两类：
1､数值数据；
2､分类数据；
1､填充数值数据的缺失值
对于数值数据的填充，一般使用0､均值、中位数或众数来填充。
方式一：
from sklearn.preprocessing imp...]]></description><category></category></item><item><title><![CDATA[特征相关性]]></title><link>https://blog.youkuaiyun.com/u012587024/article/details/101012672</link><guid>https://blog.youkuaiyun.com/u012587024/article/details/101012672</guid><author>u012587024</author><pubDate>Thu, 19 Sep 2019 10:47:17 +0800</pubDate><description><![CDATA[在主成份分析、数据探索上，经常要探索特征与特征、特征与因变量之间的相关性。下面记录几种相关性探索的方法。
方法一：单个特征与因变量的相关性直观显视
import matplotlib
import matplotlib.pyplot as plt
plt.style.use('fivethirtyeight')#设置数据可视化主题

names = col_name.copy() # 列名
nam...]]></description><category></category></item></channel></rss>