weixin_45272908的博客

简单三层神经网络模拟实现。

通过cmd安装hmmlearn1、通过https://www.zuozuovera.com/archives/938/下载适合自己python版本的whl文件这里以hmmlearn-0.2.6-cp39-cp39-win_amd64.whl 为例，在下载前打开cmd查看设备上的python版本，本版本为3.9版本，所以选择下载的是cp39-cp39。2、把下载好的文件放入文件夹，我放的为3、然后在此文件夹下输入cmd，回车4、然后输入pip install hmmlearn-0.2.6-c

python通过pip安装numpy库在我们使用pip安装numpy库的时候，有时候需要升级pip，然后再进行安装。1、Win+R输入cmd打开控制界面，输入pip回车查看python环境是否安装pip，出现如下则表示已经安装。2、输入pip show pip查看目前pip版本信息。3、执行命令python -m pip install --upgrade pip进行升级，若是安装成功会提示卸载了旧版本且安装了最新版本。4、升级好了pip之后进行安装numpy库，输入命令python -m

No Python interpreter configured for the project安装后的pycharm使用时出现No Python interpreter configured for the project安装后的pycharm使用时出现No Python interpreter configured for the project这是因为这个项目没有配置解释器，所以需要加上python解释器。1、点击右上角Configure Python interpreter弹出如下选项，

python中的傅里叶变换傅里叶变换与傅里叶逆变换离散余弦变换与离散余弦逆变换傅里叶变换与傅里叶逆变换我们用一组数来表示：import numpy as npfrom scipy import fftpackfrom scipy.fftpack import dct, idctx2 = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9])# 对x2求离散傅里叶变换、离散傅里叶逆变换y4 = np.fft.fft(x2)y5 = np.fft.ifft(x2)pri

Python中的append（）方法append()append()append()方法表示在原来的列表末尾追加新的对象。如我们在一个数组的后面添加一个元素x = [1, 2, 3, 4, 5, 6, 7, 8, 9]x1 = (2)x2 = []def fun(i): i.append(x1) return iy1 = fun(x)y2 = fun(x2)print('在数组x:后加入元素2：', y1)print('在数组x2中添加元素2：', y2)-----

python中的shape、shape[0]、shape[1]、与reshapenp.shapeshape[0]与shape[1]reshape(a, b)np.shape描述的是矩阵a的形状import numpy as npa= np.array([[1, 2, 3, 5], [4, 5, 1, 6], [7, 4, 8, 9]])print(a.shape)----------------------------------------------输出结果：(3, 4)shape[

python绘制函数x^2+y^2的图像画出函数f(x,y)=x2+y2f(x,y)={x}^ {2}+{y}^ {2}f(x,y)=x2+y2 的图像meshgrid()函数：初始散点数据处理成xy网格数据plot_surface(x, y, f(x, y)，rstride=1, cstride=1, cmap=‘rainbow’)x、y数据决定坐标点，f(x,y)数据决定 x、y 坐标点对应的高度；rstride（row）指定行的跨度；cstride(column)指定列的跨度；cmap 设置

python实现函数的导数导数导数表示的是某个瞬间的变化量df(x)dx=lim⁡h→0f(x+h)−f(x)h \frac{df(x)}{dx} = \lim_{h \to 0} \frac{f(x+h)-f(x)}{h} dxdf(x)​=h→0lim​hf(x+h)−f(x)​df(x)dx\frac{df(x)}{dx}dxdf(x)​ 表示f(x)关于x的导 数，即f(x)相对于x的变化程度。整个式子就表示当x有微小变化的时候，整个函数f(x)也将会有不同程度的变化。式子在计算了函

python中的1e-3等微小量可以用作python中的微小量delta可以用作python中的微小量delta如：1e-3：表示一个微小值，有3个0构成的0.001。7e-9：表示有9个0构成的0.000000007。10e-60：表示有60个0构成的0.000……0001。xe-y：表示有y个0构成的0.000……000x。（1）我们可以在python中输入1e-3或者6e-4然后输出打印结果如下a = 1e-3b = 6e-4print('输出1e-3：', a)print('输

Python实现阶跃函数、sigmoid函数、ReLU函数神经网络阶跃函数实现sigmoid函数的实现ReLU函数的实现神经网络神经网络有三层，左边的为输入层，中间的是中间层，右边的为输出层。其中中间层也叫隐藏层，第0层为输入层，第1层为中间层，第2层为输出层。感知机接收x1和x2两个输入信号输出y，其数学公式为：y={0b + w1x1 + w2x2 <=01b + w1x1 + w2x2 &

使用权重和偏置实现与门、与非门、或门权重和偏置使用权重和偏置实现与门使用权重和偏置实现与非门使用权重和偏置实现或门权重和偏置实现异或门权重和偏置表示感知机的行为：y={0b+w1x1+w2x2 ≤01b+w1x1+w2x2 ＞0y=\begin{cases}0& \text{b+w1x1+w2x2 ≤0}\\1& \text{b+w1x1+w2x2 ＞0}\end{cases}y={01​b+w1x1+w2x2 ≤0b+w1x1+w2x2&nbsp

使用python来实现逻辑电路与门与非门或门与门感知机：感知机就是接受多个信号，然后输出一个信号，而且信号只有“流/不流”（1/0）两种情况，其中的1也就是传递信号，0为不传递信号。在输入信号传递给神经元的时候会乘以相对应的权重，然后神经元会计算传递过来的信号的总和，当这个总和超过某个界限的时候就会输出1，被称为神经元激活这个界限值就被称为阈值，用符号θ表示。公式：f(x)={0w1x1+w2x2 ≤θ1w1x1+w2x2 ＞θf(x)=\begin{cases}0&