o_Eagle_o-CSDN博客

原创 Numpy、TensorFlow和Keras函数输入参数axis理解（二）

在利用numpy、TensorFlow和Keras等进行编程时，经常发现很多函数携带axis参数，且具有相同功能的函数的axis(轴)参数取值范围可能不同（操作方式也不一样），从而引起一些困惑。针对这一问题，归纳总结如下：2. TensorFlow函数中的axis参数理解在TensorFlow函数中，axis输入参数的取值范围是[-rank(input_tensor), rank(input_ten

2017-12-26 19:27:06 8830 1

原创 Numpy、TensorFlow和Keras函数输入参数axis理解(一)

在利用numpy、TensorFlow和Keras等进行编程时，经常发现很多函数携带axis参数，且具有相同功能的函数的axis(轴)参数取值范围可能不同（操作方式也不一样），从而引起一些困惑。针对这一问题，归纳总结如下：1. Numpy函数中的axis参数理解在Numpy中，axis的不同取值对应着numpy array的不同维度，通常取值范围是[-rank(input)，rank(input))

2017-12-26 19:25:38 2749

转载（转载）python学习——h5py快速指南

本文转载自http://blog.csdn.net/yudf2010/article/details/50353292，感谢原作者.1. 核心概念一个HDF5文件是一种存放两类对象的容器：dataset和group. Dataset是类似于数组的数据集，而group是类似文件夹一样的容器，存放dataset和其他group。在使用h5py的时候需要牢记一句话：groups类

2017-12-08 18:08:39 1085

原创 python中np.multiply（）、np.dot（）和星号（*）三种乘法运算的区别

为了区分三种乘法运算的规则，具体分析如下：import numpy as np1. np.multiply()函数* 函数作用* 数组和矩阵对应位置相乘，输出与相乘数组/矩阵的大小一致1.1数组场景A = np.arange(1,5).reshape(2,2)Aarray([[1, 2], [3, 4]])B = np.arange(0,4).reshape(2,2)Bar

2017-12-04 23:16:43 167025 8

原创 Numpy学习——数组填充np.pad()函数的应用

在卷积神经网络中，为了避免因为卷积运算导致输出图像缩小和图像边缘信息丢失，常常采用图像边缘填充技术，即在图像四周边缘填充0，使得卷积运算后图像大小不会缩小，同时也不会丢失边缘和角落的信息。在Python的numpy库中，常常采用numpy.pad()进行填充操作，具体分析如下：1. np.pad()函数1）语法结构 pad(array, pad_width, mode, **kwargs)

2017-12-04 20:49:05 118753 12

转载 Kaggle比赛整理

Kaggle 是 Google 旗下的数据建模和数据分析竞赛平台，其上汇集了大量的数据建模和数据分析比赛。1 . kaggle比赛分类Kaggle 网站的比赛(Competitions)可以分为两大类（感谢原作者，引用来源）：1.1 面向初学者Getting Started：让初学者体会机器学习的比赛Playground：有趣的比赛，主要看创意，而非解决具体的研究问题1.2 面向竞赛者Re

2017-11-20 17:13:02 1187

原创 Python——“元组、列表、字典、数组和矩阵”的大小问题

在实际应用中，通常需要求取元组、列表、字典、数组或矩阵的大小，为了便于以后应用上的方便，总结归纳如下：（1）数组和矩阵的大小import numpy as npA = np.random.randint(1,100,size = (4,5))Aarray([[56, 96, 27, 38, 33], [86, 64, 52, 21, 66], [97, 84, 94,

2017-11-19 14:03:00 13700

原创 Python——range()、xrange()和np.arange()应用说明

（1）range()和xrange()函数在 python 2.x 版本中，同时存在range（）和xrange（）函数，其中，range()返回值是一个列表，xrange（）返回值是一个迭代值；在 python 3.x 版本中，取消了xrange（）的定义，仅保留了range（）函数，且range（）函数的返回值也改为迭代值；xrange和range的语法格式相同。语法： - 格式1:

2017-11-17 16:03:17 20737

原创 Numpy—np.random.seed()函数的应用

np.random.seed()函数可以保证生成的随机数具有可预测性。这里的可预测性是指相同的种子（seed值）所产生的随机数是相同的。如果不设置seed值，则系统根据时间来自己选择这个值，此时每次生成的随机数因时间差异而不同。语法： numpy.random.seed(seed=None) 输入： —-seed参数默认为空，可选择整数或者数组，可选。但是，需要注意的是，s

2017-11-17 10:23:02 12481 1

原创 Numpy学习—np.random.randn()、np.random.rand()和np.random.randint()

在机器学习和神经网络中，常常会利用Numpy库中的随机函数来生产随机数，比如随机初始化神经网络中的参数权重W（备注：W是不能全部初始化为0的，这样会引起symmetry breaking problem，这样隐藏层设置多个神经元就没有任何意义了）。在Numpy库中，常用使用np.random.rand()、np.random.randn()和np.random.randint()随机函数。这

2017-11-16 23:20:38 39480 4

原创 Python List append()方法应用

append（）方法作用：append() 方法用于在列表末尾添加新的对象。该方法无返回值，但是会修改原来的列表。引用：http://www.runoob.com/python/att-list-append.html场景:该方法可以用于在循环迭代过程中保存每一次的运行结果，比如为了画图，保存逻辑回归过程中每一次迭代的代价函数结果值。#定义空列表costs = []for i in range(1

2017-11-12 16:50:43 9992

原创 Numpy库学习—squeeze()函数

numpy.squeeze()函数语法：numpy.squeeze(a,axis = None) 1）a表示输入的数组； 2）axis用于指定需要删除的维度，但是指定的维度必须为单维度，否则将会报错； 3）axis的取值可为None 或 int 或 tuple of ints, 可选。若axis为空，则删除所有单维度的条目； 4）返回值：数组 5) 不会修改原数组；作用：从数组的形状中删除

2017-11-12 16:38:15 207461 10

原创 Python内建函数—isinstance()函数

instance函数归纳

2017-11-11 22:46:15 1112

原创机器学习推荐网站（持续更新）

为了方便查阅和学习，对机器学习、深度学习相关的网站和资料进行归纳分类。（一）学习和实战平台1. 科赛2. ApacheCN（开源组织）3 . Kaggle比赛（二）在线教育1 . 斯坦福大学李飞飞课程-计算机视觉2. 斯坦福机器学习课程（吴恩达）3. 七月在线4. 深度学习与神经网络（吴恩达）（三）论坛1 . Thinkface人脸识别2. CV视觉世界（四）Scikit-Learn1 . S

2017-10-30 23:53:17 2207

原创吴恩达《神经网络与深度学习》课程笔记归纳（一）

本文旨在对吴恩达《神经网络与深度学习》课程第一课中所阐述的主要观点进行归纳和分析。若后续遇到无法理解的地方，可以通过查阅如下博客：http://blog.csdn.net/red_stone1/article/details/77799014 ，或者观看视频：http://study.163.com/my#/smarts。I. 什么是神经网络深度学习（Deep Learning）就是更复杂的神经网络

2017-10-29 13:49:43 756

原创机器学习——标准化/归一化的目的和作用

机器学习——归一化的目的、作用和场景1）首先，数据标准化是为了将不同数量级的数据变成同一数量级，消除数量级的影响，比如：在K近邻算法中，如果不对解释变量进行标准化，那么具有小数量级的解释变量的影响就微乎其微了。再者，使用神经网络这种对数据比较敏感的算法时，数量级的差别会导致模型出现异常等等其次，数据标准化，也是无量纲化的一种方法，便于理解即说明。作者：rac

2017-10-27 09:25:44 84518 8

转载矩阵、向量求导法则（转载）

本文转载自：http://www.cnblogs.com/huashiyiqike/p/3568922.html，转载的目的是为了积累，便于后续查阅，在此对原作者表示感谢！矩阵、向量求导法则在机器学习与深度学习中，经常遇到矩阵、向量的求导，为了便于后续查阅，转载如下：复杂矩阵问题求导方法：可以从小到大，从scalar到vector再到matrix。 x is a c

2017-10-26 23:29:39 780

原创 Numpy库学习——线性代数及相关运算

在机器学习和深度学习的Python编程过程中，因为运行速度的要求，通常建议进行向量化。在向量化表达式后，会涉及大量的线性代数运算，尤其是矩阵之间的乘积运算。下面将会着重介绍Numpy库中的线性代数运算。在Numpy中的主要对象是同种元素的多维数组。对于多维数组的运算，Numpy默认不采用矩阵运算，即默认不把对应数组当做矩阵看待。如果希望对数组进行矩阵运算，可以通过调用相应的函数来实现。

2017-10-21 22:09:22 1468

原创 Numpy库学习——向量表示

Numpy库学习——向量表示在机器学习和深度学习的编程过程中，为了提高程序的运行速度，通常将模型表达式转换为向量表达式（向量化），即利用矩阵运算思想提高运行效率。那么，在Python中究竟如何利用Numpy库定义一个向量，以及如何判断否为向量呢？（一）Python中向量的特征通常情况下，Python中向量和数组之间界限比较模糊，很多时候是通用的，但是在有时候数组不一定能够表示向量，比如，利用Num

2017-10-21 00:39:07 17880 13

原创 Anaconda安装、库更新及jupyter-notebook默认目录更改方法

Anaconda里面集成了很多关于python科学计算的第三方库，对于学习Python和机器学习等非常方便，下面主要对软件使用过程中的库更新和jupyter-notebook默认目录修改方法进行一个归纳。（一）库、插件安装、更新通常Anaconda集成了较多的Python第三方库，为了确认是否已安装了相应的库，可以通过的cmd命令输入conda list并回车，即可以查看Anacond

2017-10-15 15:33:41 12270

o_Eagle_o