- 博客(113)
- 收藏
- 关注
RSS订阅原创 Web前端快速入门
可以让多个块级元素在同一行内排列显示，浮动的元素是相互贴靠在一起的，不会有缝隙。允许开发者通过HTML文档进行交互，动态的改变文档的结构、样式还有内容，对象的作用是为了让函数和变量之间建立联系，对象中的属性就是变量，方法就是函数，与普通的变量函数相比，区别就是在调用的时候，需要在对象的属性和方法前加上变量名。即嵌套，一个大标签嵌套一个小标签，先在<body>创建一个div标签，输入一个类名，div.father，内部在创建一个p标签，然后可以在<style>中添加样式，.father>.son{}
2025-03-16 09:37:13
464
原创 机器学习——回归树
所以我们需要为这个决策树填写的最后一件事是，如果有一个测试示例下到第一个节点，我们应该预测的权重是多少？对于一个长着尖耳朵和圆脸的动物来说，决策树会做出预测，根据下边训练样本中的平均重量，通过平均这四个数字得到了8.35分，如果另一方面，动物有尖耳朵和不圆的脸型，它会预测9.2，因为只是一只动物的重量，同样下边将是17.7和9.9，所以这个模型要做的是给出一个新的测试示例，像往常一样沿着决策节点向下，直到它到达叶节点，然后预测叶结点处的值，通过测量动物在训练过程中的平均体重，回到了同样的叶子音符上。
2025-03-05 17:19:58
769
原创 机器学习——连续的有价值特征
在考虑对权重特性进行拆分时，应该做什么？是考虑这个阈值的许多不同值，然后选择一个最好的，即能获得最好信息的，所以，如果你想把例子分开，基于重量是小于还是等于8，将把整个数据集分成两个子集，左边的子集有两只猫，右边的子集有三只猫和五只狗，所以如果计算通常的信息增益，需要计算根节点的熵，0.5的熵，左边分裂的时间熵有另外两只猫，所以另外两个的熵，另外，右边的分裂有十个例子中的八个，右边八个例子的熵三个是猫，所以输入三个工具，结果是0.24。修改决策树使用的不仅仅是离散值的特性，但是连续值可以是任何数字的特征。
2025-03-04 18:27:58
397
原创 机器学习——使用分类特征的一种独热编码，
如果一个分类特征可以具有k个可能的值，在我们的例子中，k=3，然后我们将通过创建k个二进制特性来替换它，它只能接受0或1的值，在这三个特征中，看其中的任意一行，恰好其中一个值等于1，这就是特征构造方法命名为一个热编码的原因。下图是我们宠物收养中心申请的新培训集，所有的数据都是一样的，除了耳形特征有尖软之外还有椭圆形，所以这个特征仍然是一个分类值特征，但它可以有三个可能的值，而不仅仅是两个可能的值，这意味着当你在这个功能上分裂时，最终创建了数据的三个子集，最后为这棵树建造了三个分支。
2025-03-03 18:18:56
421
原创 机器学习——整合
在此基础上，我们创建左右子分支，用尖头发送数据的子集，相对于左右分支松软的耳朵，所以首先覆盖住根节点和右边的子分支，把注意力集中在左边的分支上，共有五个例子，我们的拆分标准是不断拆分，直到节点中的所有内容都属于单个类，我们将查看这个节点是否满足拆分标准，它没有因为这里有猫和狗的混合，所以下一步是选择一个要拆分的特性，所以我们一次一个地检查这些特性，并计算每一个特征的信息增益，好像这个节点是经过训练的决策树的新根节点，只使用左边的五个示例，所以计算在胡须特征上分裂的信息增益，人脸形状特征分裂的信息增益。
2025-03-02 10:32:07
779
原创 机器学习—选择拆分信息增益
以耳朵特征为例，定义，左分支为P1left=左边子集中具有正标签的示例的分数，有四只猫所以=4/5，把W定义为例子的分数，在所有到左边分支的根节点的例子，=5/10，类似的，右分支定义为P1right，作为正例的分数，只有一个是猫，即为1/5，同样Wriget=5/10，P1root=0.5，所以公式如下所示，所以有了熵的定义，可以计算与选择任何特定特性相关联的信息增益，在节点上拆分，然后在所有可能的功能中，可以选择分类，然后选择一个给你最高的信息增益，这将提高数据子集的纯度。，因为在左分支和右分支中，
2024-12-05 16:10:35
839
原创 机器学习—测量纯度
给出一组像这样的六个例子，有三只猫和三只狗，我们把p定义为猫的例子分数，这是带有标签的示例分数，所以在本例中，P1=3/6，我们将测量一组例子的杂质，使用一个叫做熵的函数，如下所示，熵函数通常表示为这个数字的大写H(p1)，函数看起来很像这条曲线，横轴是p，样本中猫的比例，垂直轴是熵的值，所以在这个例子中，其中P1=0.5，P1的熵值等于1，可以看出，当例子是50时，这条曲线是最高的，所以它是最不纯洁的，相比之下，你的一组例子要么都是猫，要么都不是猫，那么熵为0。这对于构建决策树也很有效。
2024-12-04 21:24:43
318
原创 机器学习—学习过程
但如果收益太小，可能你就不会在费心让树变小了，并降低过装风险，最后，如果节点上的示例数低于某个阈值，然后你也可能决定停止分裂，例如，如果在根节点上，在脸型特征上有分类，然后右边的分支就只有3个训练例子，一只猫两只狗，而不是把它分成更小的子集，如果你决定不使用3个或几个示例来拆分更多的示例集，然后你只需创建一个决策节点，而且因为主要是狗，这里有两三只狗，这将是一张预测不是猫的纸条，还有一个原因是。，我们使用的标准，对于上一个例子来说，直到直到百分之百所有的猫，或者百分之百所有的狗都不是猫，因为在这一点上，
2024-12-04 20:56:08
1169
原创 机器学习——决策树模型
假设你在经营一家猫收养中心，并提供了一些功能，你想训练一个分类器来快速告诉你，动物到底是不是猫，这里有10个训练例子，并与这10个例子中的每一个相关联，我们将有关于动物耳朵形状的特征、脸型、有胡须都作为标志，然后预测的真实标签是这只动物猫，所以第一个例子是有尖耳朵，圆圆的脸，有胡须，而且是一只猫。，会看到里边写着耳朵形状的特征，基于本例耳朵形状的值，是尖尖的，所以应该沿着左边的树枝往下走，在这里这个椭圆形节点结束，然后再看脸型，是圆的，沿着这个箭头向下，算法会作出一个推断，认为它是一只猫。
2024-12-03 21:12:49
433
原创 机器学习：精确率与召回率的权衡
或者两者之间最好的权衡，精确召回的一个挑战是你现在使用两个不同的度量来评估你的算法，所以如果你训练了三种不同的算法，精确召回数字是这样的，如何选择使用哪种算法并不那么明显，有一种算法在精度和召回方面都很好，那你可能想用那个，但是在这个例子中，算法二精度最高，但算法三的召回率最高，算法一在两者之间进行权衡，所以显然没有一种算法是最好的选择，所以为了帮助你决定选择哪种算法，找到一种将精确和召回结合起来的方法可能是有用的，变成一个单一的分数，所以你可以看看。，可以把精确度和召回率结合起来的一个方法是。
2024-12-03 19:47:27
1168
原创 机器学习：倾斜数据集的误差指标
换句话说，在所有你预测为积极的例子中实际得到的分数是多少，写这个公式的另一种方法是真正的正数，因为它是通过求和这个单元格最终得到了预测为阳性的总数，在本例中，分数的表达式为15/(15+5)=0.75，所以我们说这个算法有75%的精度，因为所有的事情都被预测为积极的，在所有它认为患有这种罕见疾病的病人中，75%的时间是正确的，第二个有用的计算指标是召回率，询问所有真正患有这种罕见疾病的病人，我们正确的检测到哪个部分，所以说，，因为算法预测为阳性，但它是假的实际上不是积极的，，因为预测是负面的而且是真的，
2024-12-02 16:36:43
584
原创 机器学习：机器学习项目的完整周期
需要根据所需的应用规模来决定使用什么样的软件工程，推理服务器能够做出可靠有效的预测，对于某些应用程序，部署过程可能需要一定数量的软件工程，如果只是在笔记本电脑或者一两个服务上运行它，也许不需要太多的软件工程，机器学习中有一个不断增长的领域叫做MLOPS，这代表机器学习操作，这是指构建、部署和维护机器学习系统，做所有这些事情，以确保机器学习模型是可靠的，并有良好的损耗监测，然后对模型进行适当的更新。，在一个服务器中实现，将调用一个推理服务器，它的工作是把你的机器学习模型（你训练的模型）做出预测，
2024-12-02 15:11:45
481
原创 机器学习快速入门（黑马程序员版）
datasets.fetch_*(data_home=None) 获取大规模数据集，需要从网络上下载，函数的第一个参数是data_home，表示数据集下载的目录，默认是~/scikit_learn_data/然后，很不巧已有的天鹅图片全是白天鹅的，于是机器经过学习后，会认为天鹅的羽毛都是白色的，以后看到羽毛是黑的天鹅就会认为那不是天鹅。ROC曲线的横轴就是FPRate，纵轴是TPRate，当二者相等时，表示的意义则是：对于不论真实类别是1还是0的样本，分类器预测为1的概率是相等的，此时AUC为0.5.
2024-11-30 11:51:52
1448
原创 机器学习—迁移学习：使用其他任务中的数据
就像角落，像这样的形状，神经网络的下一层可能已经学会了更复杂的，但仍然是一般的形状，如基本曲线，或者像这样的小形状，这就是为什么通过学习检测大量不同的图像，你在教线性网络检测边缘角和基本形状，这就是为什么通过训练神经网络探测各种各样的东西，比如猫、狗、汽车和人，你正在帮助它。，以适应手写数字识别的具体应用，如果你有一个小的数据集，几十个，几百个，几千个，或者数万张手写数字的图像，能够从这一百万张不太相关的任务的图像中学习，实际上可以帮助你的学习算法的性能很大，迁移学习的一个。
2024-11-21 21:52:48
1022
1
原创 机器学习—添加数据
今天我们可以访问的算法比如线性回归、逻辑回归、神经网络还有决策树，有一些算法非常好，将很好的适用于许多应用程序，因此，有时花更多的世家收集数据会更有成效，以人为中心的方法，在这种方法中，专注于设计算法使用的数据，这可以是任何事情，从收集更多的数据到收集更多的数据，只是在药品垃圾邮件上，如果这就是错误分析告诉你要做的使用。举一个现有的训练例子，创建新的训练示例，例如，如果你试图识别从A到Z的字母，光学字符识别问题，所以不仅仅是数字0到9，但从A到Z的字母也给出了这样的图像，你可能会决定通过。
2024-11-21 15:06:47
948
原创 机器学习—误差分析
但不是任何更多的数据，但试着找到更多关于药品垃圾邮件的数据，让学习算法更好的发挥作用，识别这些药品垃圾邮件，或者你可能会决定想出一些与特征相符的具体的名称，或者垃圾邮件发送者试图出售的药品的具体名称，为了帮助你的学习算法更好的识别这种类型的制药垃圾邮件，这可能会启发你对算法进行特定的更改，与检测网络钓鱼电子邮件有关，，尤其是，这个分析告诉你的是，即使你要建立非常复杂的算法找出，它只能解决你100个错误分类的例子中的3个，因此，帮助运行诊断的最重要的方法是选择下一步要尝试的内容，提高你的学习算法性能，
2024-11-19 20:43:05
911
原创 机器学习—机器学习的迭代发展
这是电子邮件的文本，或者和你可能决定想出检测拼写错误的算法或者故意拼写错误，比如手表，医药和抵押贷款，这也可以帮助你判断电子邮件是否是垃圾邮件，所以考虑到所有这些，甚至更多的想法，如何决定这些想法哪一个更有希望，例如，如果算法有高偏差而不是高方差，然后花几个月的时间在蜜罐上，D项目可能不是最有成效的方向，但是如果你的算法有很高的方差，然后收集更多的数据，可能会有很大的帮助。，在你训练好你的初始模型之后，如果它不像你希望的那样好，你很可能会有多种。更改lambda正则化参数。等等，根据这些决定，你将。
2024-11-19 08:47:30
527
原创 机器学习—偏差或方差与神经网络
然后可以继续通过这个循环，让神经网络越来越大，直到它在训练中表现出色，这意味着它在你的训练集上达到了一定程度的错误，与你希望达到的目标误差水平大致相当，可能是人类水平的表现，在训练中表现出色后，所以这个问题的答案是肯定的，然后会问，它在交叉验证集上做得好么，换句话说，它的方差大吗，如果答案是否定的，然后得出结论，算法有很高的方差，因为它确实想要训练集，在交叉验证机上不做，事实上，它甚至可以显著的帮助它，第二，只要你的训练不是太大，一个神经网络尤其是大型神经网络，往往是一个低偏置的机器，它。
2024-11-18 10:12:51
934
原创 机器学习—再次决定下一步做什么
3.反过来说，获取附加功能，那只是增加了额外的功能，与去一个较小的功能集相反，这将帮助修复一个高偏差问题作为一个具体的例子，如果你试图根据房子的大小来预测房子的价格，但是，事实证明，房子的价格取决于卧室的数量，在楼层数和房龄上，除非添加这些额外的特性，否则算法永远不会做的那么好，所以这是一个高偏差问题，因为你在训练场上做不到，当你只知道大小，只有当你告诉算法有多少间卧室时，有几层，这房子有几年历史了，有了足够的信息，甚至在训练集上做得更好，因此，，将有助于降低算法过度拟合数据的灵活性，所以这也可以。
2024-11-17 18:08:52
480
原创 机器学习—学习曲线
将从一个例子开始，当你只有一个训练例子，如果你拟合一个二次模型，你可以很容易的知道直线或曲线，你的训练误差将为0，如果你有两个这样的训练例子，你可以再次拟合一条直线，实现零训练误差，事实上，如果你有三个训练例子，二次函数仍可以很好的拟合这一点，几乎没有训练错误，但是如果你的训练集再大一点，假设你有四个训练例子，然后要完美地适应所有四个例子就变得有点难了，你可能会得到一条曲线，看起来很适合它，所以当你把训练集的大小增加到四个，训练误差实际上上升了一点，我们有五个训练例子怎么样你可以更好的适应它？
2024-11-17 09:55:53
1402
原创 机器学习—建立表现基准
有时性能的基线水平可能为零，如果你的目标是达到完美的表现，那么性能的基线水平可以为0%，但对于某些应用，如语音识别应用，在那里一些音频只是嘈杂的，那么基线水平的性能可能远远高于零，就算法是否有偏差或方差而言，所以具体地说，如果你得到这样的数字，那么基线和训练误差的差距就大了，这将4.6%，训练误差与交叉验证误差的差距也很大，这是4.2%，所以如果它看起来像这样，得出结论，具有高偏差和高方差。另一种估计性能基线水平的方法是，是否有一些竞争算法，可能是其他人以前实现的，甚至是。，要测量的两个关键量是。
2024-11-16 18:21:58
613
原创 机器学习—正则化和偏差或方差
然后可以计算交叉验证错误，现在尝试一个不同的值，假设lambda=0.01，最小化成本函数会给你第二组参数，还可以看到它在交叉验证集上做得有多好，继续尝试lambda的其他值，以此类推，通过尝试lambda拟合参数的一个大范围的可能值，使用这些不同的调节函数，然后在。的值，这将会为应用程序提供一个良好的模型。，它超过了这个数据，如果有一个lambda中间值，不是很大，看起来的模型就会恰到好处，与数据很吻合，Jtrain和Jcv都很小，所以如果你试图决定lambda的什么值用于正规化，
2024-11-16 17:02:40
1113
原创 机器学习—诊断偏差和方差
右边也是，当多项式的次数非常大时，假设4在交叉验证集上也做的不好，因为它也很高，但如果d在两者之间，然后它实际上做得更好，所以如果你改变多项式的次数，你实际上会得到一个曲线，看起来像这样，他下降然后又上升，如果多项式的次数太低，它不适合，所以在交叉验证集上做的不好，如果太高，它过于适合，在交叉验证集上也做的不好，它过于适合，在交叉验证集上也做得不好，，Jcv也会很高，因为如果你有一些新的例子，也许像这样的例子是算法以前在这里没有看到的，该算法在以前从未见过的示例上也做得不太好，
2024-11-15 20:22:10
944
原创 机器学习—模型选择和训练交叉验证测试集
如果你必须对你的模型做出决定，例如拟合参数或选择模型架构，如神经网络架构或多项式度，如果你用线性回归来做所有这些决定，仅使用训练集和交叉验证集完全不看测试集，当你还在为你的学习算法做决定的时候，只有在你想出一个模型之后这是你的最终模型，然后在测试集上进行评估，因为还没有使用测试集做出任何决定，这可以确保你的测试集是一个公平的。这指的是不在训练集中的新例子的平均误差，在上篇文章中看到的是J测试，算法在示例上的性能没有训练，关于这一点，这将是一个更好的指标，表明该模型在新数据上可能做的有多好，指的是。
2024-11-14 16:18:04
1239
原创 机器学习—模型评估
我们要做的是在训练集上训练模型的参数，在这个70%的数据上，然后我们将在这个测试集中用符号来测试这个性能，用(x1,y1)(x2,y2),与前面相同，通过x表示训练示例所以在这个小例子中，我们会有七个训练例子，并引入一个新的符号，M训练是训练实例的数量，在这个小数据集中是七个，所以下标只是强调如果我们看数据的训练集部分，对于测试集，我们将使用符号X一个下标测试来表示第一个测试示例，m是测试示例的个数，在本例中是三个，大部分数据都进入了训练集，一小部分进入测试集。的成本函数J，所以这是通常的。
2024-11-13 21:08:54
866
原创 机器学习—Additional Layer Types
如果你在神经网络中有多个卷积层，有时这叫卷积神经网络，为了说明卷积层，使用一维图像输入而不是二维，使用EKG，所以如果你在胸口放两个电极，你将记录如下所示的电压，与你的心跳相对应，实际上是在读取心电图信号，这些信号看起来像这样，试图诊断，如果病人有心脏问题，所以心电图信号有一个数字列表，对应于这个表面的高度，在不同的时间点，所以可能会有100个数字对应于这条曲线的高度，在100个不同的时间点，给出这个时间序列的学习任务，给这个心电图信号来分类，说这个病人是否有心脏病或一些可诊断的心脏病，以下是。
2024-11-12 20:45:11
567
原创 机器学习—高级优化方法
模型和以前一摸一样，编译的方式，这个模型和以前的很相似，除了我们现在向编译函数添加一个额外的参数，即我们指定要使用的优化器是TF.Keras.优化器，.Adam优化器，所以Adam优化算法确实需要一些默认的初始学习速率，在这个例子中，初始学习率是10的-3，但是你在实践中使用Adam算法时，值得尝试这个首字母的几个值，此默认全局学习速率，尝试一些较大和较小的值，看看什么能给你最快的学习性能，通过Adam算法，可以自动调整学习速度，使其更加精确。在代码中，这是如何实现的？
2024-11-11 19:58:39
534
原创 机器学习—多个输出的分类(Optional)
一种方法是把它看作三个完全独立的机器学习问题，可以建立一个神经网络来决定，第一个检测汽车，第二个检测公交车，第三个是检测行人，这其实不是一个不合理的做法，第一个是检测汽车的神经网络，第二个是检测公交车，第三个检测行人，还有另一种方法，就是训练一个神经网络同时检测三辆车，公共汽车，汽车和行人，如果你的神经网络结构是这样的，X第一隐藏层输出1，第二个隐藏层输出一个2，在这种情况下，最后的输出层会有三个输出神经元，并将输出一个3，它将是一个由三个数字组成的向量，因为正在解决三个二进制分类问题，
2024-11-11 16:09:13
417
原创 机器学习—softmax的改进实现
在这种情况下，取决于你决定如何计算价值超过一万，结果可能有或多或少的数值舍入误差，结果发现，虽然计算SoftMax成本函数的方法是正确的，有一种不同的表述方式，减少了这些数字舍入误差，导致了Tensorflow中更精确的计算，首先使用Logistic回归来更详细地解释这一点，然后展示这些思想如何应用于改进SoftMax的实现，首先，对于逻辑回归，如果要计算损失函数，对于一个给定的例子，首先计算。计算机只有有限的内存来存储每个数字。
2024-11-11 11:58:27
645
原创 机器学习—神经网络的Softmax输出
对于SoftMax层或SoftMax激活函数，在一个方面不同，与我们目前看到的其他激活函数相比，像Z状结肠，Relu和线性，当我们观察Z状结肠或Relu或线性激活函数时，a1只是z1的函数，换句话说，获取激活值，我们可以应用激活函数，不管是Z状结肠还是其他什么，但是有了Softmax激活功能，注意。稀疏范畴指的是把y分类，它的值从1到10，稀疏指的是y只能取这十个值中的一个，所以每个图像要么是零，要么是1，要么是2，最多到9，你不会看到照片的，同样是数字2和数字7，
2024-11-11 09:37:36
537
原创 机器学习—Softmax
它以为y=2，以此类推，如果y=j，那么损失函数loss=-log aj ，aj的负对数是一条曲线，如果aj非常接近1，那么会在曲线的右边，而且损失会很小，但如果aj只有50%的机会，就是就大了一点，aj越小损失越大，因此尽可能使aj大，尽可能接近损失小，注意，在这个损失函数中，每一个训练示例只能接收一个值，所以你最终计算出一个aj的负对数，只对aj的值，在那个特定的训练例子中，y=1的实际值是多少。Softmax回归算法是Logistic回归的推广，它是一种针对多类分类上下文的。
2024-11-09 14:58:15
544
原创 机器学习—多类
以手写数字为例，到目前为止研究的分类问题，只是想区分手写的数字0和1，但如果你想阅读信封上的邮政编码，实际上有十个可能的数字你可能想识别，或者患者可能患有三种或五种不同的疾病中的任何一种，也会是一个多类分类问题，可能会看到一张制药公司生产的药丸的照片，尝试找出它有划痕缺陷或变色缺陷或芯片缺陷，这也是个多类问题，可以将此投票归类为具有的不同类型的缺陷，所以多类分类问题仍然是分类问题，因为y只能接受少量离散范畴，不是任何数字，但是现在y可以接受不止两个可能的值。
2024-11-09 12:57:30
379
原创 机器学习—为什么我们需要激活函数
用一个更简单的例子来说明这一点，看一个神经网络的例子，其中输入x只是一个数字，有一个隐藏单位，参数w和b，输出一个，这里只是一个数字a[1]，然后第二层是输出层，它也只有一个输出单元，参数为w2 b2，输出一个a2，也就是一个数字，只是一个标量，它是神经网络f(x)的输出，如果用线性激活函数，g(z)=z，将x=a1计算，神经网络将使用a1=g(w)*x+b1，具体替换如下图所示，所以w只是一个线性函数而不是使用一个隐藏层和一个输出层的神经网络，还不如用线性回归模型，如果熟悉线性代数，
2024-11-09 12:16:08
623
原创 机器学习—选择激活函数
总结一下，对于输出层，使用Z状结肠，如果有二进制分类问题，线性，如果y是一个可以具有正值或负值的数，或者使用relu，如果y只能取正值或零正值或非负值，对于隐藏的图层，只使用relu作为默认激活函数，在张量流中，与其说激活等于Z状结肠，对于隐藏的图层，要求TensorFlow使用relu激活函数，然后对于输出层，它使用Z状结肠激活功能，但是如果使用线性激活函数，该函数显示了它的语法。有了这组更丰富的激活函数，将会很好的建立比上一次更强大的神经网络，仅使用Z状结肠激活功能。
2024-11-09 11:28:18
485
原创 机器学习—sigmoid的替代品
有时我们会使用不同于Z状结肠激活函数的选择，最常用的激活函数是Z状结肠激活函数，激活功能还有一个功能，称为线性激活函数，也就是g(z)=z，有时如果你使用线性激活函数，人们会说我们没有使用任何激活功能，所以当你使用线性激活函数时，有人会说，我们没有使用任何激活函数，使用线性激活函数而不是没有激活函数，但如果听到别人用这个术语，只是指线性激活函数，这三个可能是迄今为止神经网络中最常用的激活函数。分别是Z状结肠激活函数，relu激活函数，线性激活函数。
2024-11-08 17:21:28
373
原创 机器学习—训练细节
然后张量流会试图最小化均方误差，在这个表达式中，用大写的J(W,B)来表示成本函数，成本函数是神经网络中所有参数的函数，所以你可以把W，B看作包括整个神经网络中的所有的W，B参数，所以如果你优化关于w和b的成本函数，会试图优化关于神经网络中的所有参数以及上面的，f(x)写成神经网络的输出，也可以写成Fw,b(x),如果想强调神经网络的输出，作为x的函数，取决于神经网络的所有参数和所有层，这就是损失函数和成本函数，在张量流中，这被称为。，这是在建立逻辑回归时所做的第二步，逻辑回归模型的最后一步是。
2024-11-08 16:53:56
677
原创 机器学习—TensorFlow实现
继续运行手写数字识别的示例，识别此图像，一个0还是1，我们所使用的是神经网络架构，其中有一个输入X，然后是第一个隐藏层，有25个单位，第二个隐藏层，有15个单元，然后一个输出单元，将得到一组由图像x组成的训练示例，以及地面真相标签Y。，它告诉TensorFlow拟合在步骤一中使用损失指定的模型，或者在第二步中指定的数据集x y的成本函数，当我们谈到梯度下降时，我们必须决定梯度下降要走多少步或者梯度下降要跑多长时间，所以。，其关键步骤是指定要使用的损失函数是什么，在这种情况下，将使用一种神秘的稀疏名称——
2024-11-06 19:28:20
230
原创 机器学习——矩阵乘法代码
如何在代码中实现这一点，AT=np.array([[200,17]])，矩阵W是一个2×3矩阵，B是一个1×3矩阵，所以在一个圈层中实现前向支柱的方法是密集的，输入转置w b等于z，z=np.matmul(AT,W)+b，所以它只是实现了这一行代码，然后a_out=g(z)，激活函数对这个矩阵z应用元素，然后返回一个out，就给出这个值。按照惯例，这是在TensorFlow中实现的方式，我们不调用这个变量Xt，而是调用AT，张量流中有一个约定，单个例子实际上是在矩阵x中按行排列的，而不是在矩阵x转置。
2024-11-06 16:25:36
280
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人