weixin_42660711的博客

PCA降维主成分分析法（Principal Components analysis PCA）是一种分析、简化数据集的技术。PCA可以将数据从原来的向量空间映射到新空间中。由于每次选择的都是方差最大的方向，所以往往经过前几个维度的划分后，之后的数据排列都非常紧密了，我们可以舍弃这些维度从而实现降维。上述看起来很晦涩难懂，我们可以大致知道PCA就是提出空间数据中的主要特征（主元），减少数据冗余，使得数据在一个低维的特征空间被处理，同时保持原始数据的绝大部分信息，从而解决数据空间维度过高的问题。原理内积

问题描述上午我在复现指南：Keras和Tensorflow Hub对电影评论进行文本分类的时候发现在连接google/nnlm-en-dim50/2的时候出现了如下图所示的问题：这里代码段如下所示：hub_layer = hub.KerasLayer('https://tfhub.dev/google/nnlm-en-dim50/2', input_shape=[], dtype=tf.string,trainable=True)hub_laye

电影评论文本分类本片指南介绍的是对电影评论的正负性（positive、negative）进行分类。这是我们熟知的二分类问题。我们将使用来自网络电影数据库的IMDB数据集，其包含了50000条影评文本。从该数据集中用25000条品论用做训练，另外25000条用作测试。训练集与测试集是数量相等平衡的（balanced），意味着它们包含相等数量的的正负面评论。该片指南使用了tf.keras，它是一个TensorFlow中用于构建和训练模型的高级API。有关使用tf.keras进行文本分类的高级教程我在后面还

*本函数的作用是将序列填充到相同的长度我们先看一看该函数的格式：tf.keras.preprocessing.sequence.pad_sequence( sequences, maxlen=None，dtype='int32', padding='pre' truncating='pre',value=0.0 )·seq

TensorFlow程序概述本篇博文来自网址https://www.tensorflow.org/tutorials/keras/text_classification?hl=zh_cn 我对其代码进行复现，这里需要注意的是访问该网站需要ladder。本文使用了tf.keras,它是TensorFlow中用来构建和训练模型的高级API。#TensorFlow and tf.kerasimport tensorflow as tffrom tensorflow import keras#Helpe

TensorFlow 2.0前言 Tensorflow是Google推出的机器学习开源神器，对Python有着良好的语言支持，支持CPU，GPU和Google TPU等硬件，并且已经拥有了各种各样的模型和算法。目前，Tensorflow已被广泛应用于文本处理，语音识别和图像识别等多项机器学习和深度学习领域。基础框架分为三层：应用层、接口层和核心层。应用层：提供了机器学习相关的训练库、预测库和针对Python、C++和Java等变成语言的编程环境，类似于web系统的前端，主要实现了对计算图的构造。接