zhanlang619的博客

深度学习中常见的代码运行问题，笔者在这里根据自己的学习情况进行了总结，持续更新中

from sklearn.datasets import load_digits # sklearn 为我们提供的手写数字数据集import numpy as np# 数据预处理digits = load_digits()X_data = digits.data.astype(np.float32)y_data = digits.target.astype(np.float32).reshape(-1, 1)X_data.shape, y_data.shape# 数据的标准化（norm

K-近邻算法的三个要素1、K值大小的选择（测试数据交叉验证）一般为3-10之间2、距离的度量方法（欧式距离、曼哈顿距离）3、分类决策规则（多数表决）

神经网络神经网络的概念神经网络的计算过程前向计算过程反向求导过程常见激活函数SigmoidTanhReLUSoftmax常用激活函数比较参数初始化方法交叉熵损失函数交叉熵 + Softmax交叉熵 + Sigmoid梯度消失与梯度爆炸优化方法随机梯度下降（SGD）过拟合处理方法DropoutL2正则化Batch Normalization(批规范化)神经网络的概念逻辑回归、感知机均只包含一个输入层以及一个输出层，只能处理线性可分问题。如果在输入层与输出层之间加入一层到多层的隐藏层，就会得到神经网络结构

本节重点讲解通过代码构建CNN，具体理论知识会在以后专栏讲解，在此不过多赘述。卷积神经网络是一类在图像识别相关学习任务汇总非常有效神经网络。相比于人工神经网络，卷积神经网络可以最大限度地保留图像数据的原始空间信息。目前卷积神经网络已经被广泛应用于人脸识别、场景标签、图像分类、动作识别和文档分析等各种实际问题。除此之外，在自然语言处理领域的语音识别和文本分类问题上，卷积神经网络也被证明能够达到最佳的准确率。卷积神经网络通常由三种层组成：输入层隐藏层输出层注：隐藏层包含卷积层、池化层和全连接层

构建基础神经网络主要分为四个步骤：定义训练数据定义神经层定义模型进行模型训练下面请听我一一为您道来：First:定义训练数据，这里采用Numpy随机定义训练数据import numpy as npx_data = np.linspace(-1, 1, 300)[:, np.newaxis] # 生成 xnoise = np.random.normal(0, 0.05, x_data.shape) # 生成 noisey_data = np.square(x_data)

TensorFlow 是Google开发的一款神经网络的Python 外部结构包，也是一个采用数据流图来进行数值计算的开源软件库。它被用于语音识别或图像识别等多项机器深度学习领域。TensorFlow的基本使用TensorFlow 2 中的 Eager Execution 是一种命令式编程环境，不需要构建计算图，操作会直接返回具体值，可以直接评估操作。使用即时执行模式，可以有更直观的界面，更容易的调试，以及更自然的流程控制，使TensorFlow更易于学习和应用。知识点张量TensorFlow