2 王亿亿

我要认证

做一个简简单单的大厂梦。

等级
TA的排名 14w+

【TensorFlow】优化网络的方法:梯度下降算法、反向传播算法

优化的最直接目的就是使参数更加准确。1 基于梯度的优化基于梯度的优化就是优化一个函数的最终取值。假设ω是函数的输入,J(ω)是需要优化的函数,那么基于梯度的优化指的就是改变ω以得到最小化或最大化的J(ω)。1.1 梯度下降算法沿着函数的下坡方向移动ω而获得更小的J(ω)的技术在深度学习领域就叫做梯度下降。通常ω泛指神经网络中的参数,J(ω)表示训练数据集上的损失函数。梯度下降算法会迭代式更新参数ω,不断沿着梯度的反方向让参数朝着损失更小的方向移动。梯度g:函数J(ω)在ω处的导数值学习率σ:每

2020-10-22 21:51:12

【TensorFlow】深度前馈神经网络:matmul()矩阵乘法,激活函数tf.nn.relu(),交叉熵损失函数,Softmax回归

TensorFlow游乐场1 网络的前馈方式深度前馈神经网络,简称前馈神经网络,指的是具有前馈特征的一类神经网络模型。最具有代表性的是多层感知机(MLP)模型。前馈神经网络模型是向前的,在模型的输出和模型本身不存在链接,也就不构成反馈。当然前馈神经网络也可以被扩展成包含反馈链接的循环网络(RNN)。前馈神经网络实现了统计与泛化的函数近似机。神经网络模型中相邻两层单元键的连接方式分为:全连接方式:网络当前层的单元与网络上一层的每个单元都存在连接。稀疏连接方式:网络当前层的单元只与网络上一层的部

2020-10-18 16:16:52

【TensorFlow】计算图、张量、会话:placeholder机制

1 计算图——计算模型TensorFlow程序中的计算过程可以表示为一个计算图,也称一个有向图。张量就是在边中流动的数据,其数据类型可以在编程时事先定义,也可以根据计算图的上下文理解推断出来。计算图有将计算过程可视化的作用。import tensorflow as tf# 系统自动维护一个默认的计算图,并自动将定义的所有计算添加到默认的计算图a = tf.constant([1.0, 2.0], name="a") # 常量b = tf.constant([3.0, 4.0], name="

2020-10-16 21:31:52

求解幂集问题【回溯法】

问题描述对于给定的正整数n,求1~n构成的集合的幂集。(即由1-n集合中所有子集构成的集合,包括全集和空集。例如 a[3]={1, 2, 3}.幂集为:{ }, {1}, {2}, {3}, {1 2}, {1 3}, {2 3}, {1 2 3}回溯法本问题的解空间为子集树,每个元素只有两种扩展,要么选择,要么不选择。采用深度有限搜索思路,解向量为x[],x[i]=0表示不选择a[i],x[i]=1表示选择a[i]。初始:i=0,x[]=0->目标:i=n,x为一个解。从状态(i,x)可扩

2020-10-16 12:25:25

求解完全背包问题【动态规划】

问题描述有n个重量和价值分别为wi,vi的物品,从这些物品中挑选出总重量不超过W的物品,求所有挑选方案中价值总和的最大值。每种物品可以挑选任意多件。动态规划设置二维动态规划数组dp,dp[i][j]表示从前i个物品中选出重量不超过j的物品的最总大价值。另外设置二维数组fk[i][j],其中fk[i][j]存放dp[i][j]得到最大值时物品i挑选的件数。对应状态方程:背包不能装入任何物品,总价值为0。dp[i][0]=0没有任何物品可以装入,总价值为0。dp[0][j]=0当kw[i]≤j时,

2020-10-15 16:27:55

求解0/1背包问题【动态规划】

问题描述现有n件物品,每件都有对应的重量(w)和价值(v),有一个给定容量(C)的背包,怎么样才能在背包里装入具有最大价值总和的东西。例如,n=5,w={2,2,6,5,4},v={6,3,5,4,6}(下标从1开始),C=10。动态规划设置二维动态规划数组dp,dp[i][r]表示背包剩余容量为r,已考虑物品1…i时背包装入物品的最优价值。对应状态方程:背包不能装入任何物品,总价值为0。dp[i][0]=0没有任何物品可以装入,总价值为0。dp[0][r]=0r<w[i]剩余重量小于

2020-10-15 15:53:45

求解最大子序列【动态规划】

问题描述字符序列的子序列是指从给定字符序列中随意地(不一定连续)去掉若干字符(可以不去)后所形成的字符序列。ac是abcd子序列。求两序列的最长公共子序列(LCS)。动态规划对于数组A[m],B[n]:边界dp=0Am-1=Bn-1,退一步,dp[m-1][n-1]=dp[m-2][n-2]Am-1≠Bn-1,分别退一步,dp[m-1][n-1]=max(dp[m-2][n-1],dp[m-1][n-2])# include<bits/stdc++.h>using names

2020-10-15 09:04:00

求解整数拆分问题【动态规划】【备忘录】

问题描述求讲正整数n无需拆分成最大数为k的拆分方案个数【f(n,k)】,要求所有的拆分方案不重复。动态规划#include<bits/stdc++.h>using namespace std;#define MAXN 500int dp[MAXN][MAXN];//动态规划算法 void Split(int n, int k){ for(int i=1; i<=n; i++) for(int j=1; j<=k; j++) { if(i==1||j=

2020-10-14 08:51:27

求解带权有向图的最短路径【动态规划】

问题说明一个图G=(V,E)是多段图,是指顶点集V划分成k个互不相交的子集Vi,使得E中任意一条边(u,v)必有u,v属于两个不同的子集。A是源点,E是终点。1 动态规划1.1 动态规划逆序解法从后向前,E->A。next数组储存路径上一个顶点的后继节点。#include<bits/stdc++.h>using namespace std;#define MAX 21#define INF 0x3f3f3f3f //int型整数的无穷大//问题表示int n; //顶

2020-10-13 12:29:01

求解最大连续子序列和问题【分治法】【动态规划】

问题描述给定一个有n(n>=1)个整数的序列,求出其中最大连续子序列的和。例如序列(-2,,11,-4,13,-5,-2)的最大子序列和为20。规定一个序列的最大连续子序列和至少是0,如果小于0,其结果为0。分治法当n>1,取中间位置mid,将原序列一分为二->分别求出3中最大子序列和:完全在左序列,完全在右子序列,横跨两个序列(两个序列边界最大子序列和相加)->找出这3个子序列和中的最大值。#include<bits/stdc++.h>using namesp

2020-10-11 16:39:02

折半查找

折半查找折半查找也是二分查找,要求查找序列中的元素都是有序的,每次与当前查找区间的中点位置上的关键字比较确定查找是否成功,不成功则将当前区域缩小一半。重复这一过程,直到查找到关键字为k的元素。#include<iostream>using namespace std;//折半查找算法,k为需要查找的值 int BinSearch(int a[], int low, int high, int k){ int mid; //中间序列号 if(low<=high) { m

2020-10-11 15:21:45

归并排序

归并排序基本思想:将数组看到n个长度为1有序表,将相邻的k个有序子表成对归并,得到一个新的有序子表。反复操作,最后得到一个长度为n的有序表。k=2时,就是二路归并排序。分治法1 自底向上的二路归并策略:分解(原序列看成为n个长度为1的子序列)->求解子问题(相邻子序列合并)->合并(整个序列在数组a中,此处可以忽略)其中,“相邻子序列合并”时,先将原序列a[]中的两个子表,进行逐个比较,较小者放到一个临时表tmp[],得到一个临时有序表,再将其复制到原序列a中。...

2020-10-10 18:48:58

快速排序

快速排序基本思想:在待排序的n个元素中,任取一个元素作为基准(通常是第一个元素),所有小于基准的在前子序列中,所有大于基准的在后子序列中,基准在其正确位置。然后对两个子序列分别重复上诉过程,知道每个子序列内只有一个元素或为空。分治法策略:分解(原序列分解为子序列)->求解子问题(子序列长度为0/1,直接返回;否则递归到各个子问题)->合并(整个序列在数组a中,此处可以忽略)...

2020-10-10 17:46:49

【TensorFlow】张量对象,变量空间variable_scope,矩阵基本操作

TensorFlow为深度神经网络(DNN)开发的功能强大的开源软件库。安装:基于Anaconda 安装 TensorFlow安装Tensorflow windows10其中报错:解决Anaconda出现CondaHTTPError: HTTP 000 CONNECTION FAILED for url问题

2020-10-03 12:34:31

【Python数据分析】获取数据源read_x、数据预处理

1 获取数据源1.导入外部数据:read_x方法导入excel文件(.xlsx)import pandas as pddf = pd.read_excel(r"C:\Users\wangyifan0122\Desktop\t.xlsx", sheet_name="Sheet1", index_col=0, header=0)print(df)df2 = df = pd.read_excel(r"C:\Users\wangyifan0122\Desktop

2020-09-08 21:43:47

【Python数据分析】【Pandas】Series、DataFrame

数据分析流程:了解Python基础知识->获取数据源->数据预处理->数据筛选->数值操作->数据运算->时间序列->数据分组->多表拼接->结果导出->数据可视化1.Series数据结构Series对象由一组数据+一组与之相关的数据标签(行索引)。import pandas as pd# 创建Seriess1 = pd.Series(["a","b","c","d"]) # 传入列表s2 = pd.Series([1,2,3,4],

2020-09-06 10:33:33

【机器学习】机器学习概览:学习系统的种类,机器学习的主要挑战

机器学习是研究如何让计算机不需要明确的程序也能具备学习能力。机器学习非常利于:不存在已知算法解决方案的复杂问题,需要大量手动调整或是规则列表超长的问题,创建可以适应环境波动的系统,以及帮助人类学习(比如数据挖掘)。1 机器学习系统的种类种类划分标准之间并不排斥,可以任意组合。1.1 是否在人类监督下训练监督使学习:分类任务(垃圾邮件过滤器);回归任务(预测汽车价格)无监督式学习:聚类算法(访客分组);可视化和降维(特征提取);异常检测(信用卡防诈骗);关联学习(超市摆货规则)半监督式学习:有

2020-09-05 09:52:56

【未完成】【机器学习】(二十五)处理文本数据:电影评论的情感分析(IMDb数据集)

数据有分类特征、连续特征,同样有文本特征。文本数据通常被表示为由字符组成的字符串,但并非所有字符串特征都被当作文本处理。用字符串表示的数据类型:分类数据可以在语义上映射为类别的自由字符串:手动输入值对应固定类别结构化字符串数据:手动输入值不与固定类别对应,但是存在一些内在结构,比如地址、人名。文本数据:格式自由,由短语或句子组成,例如聊天记录、评论。文本分析可应用于信息检索(IR)和自然语言处理(NLP),数据集通常称为语料库,每个由单个文本表示的数据点被称为文档。应用:电影评论的情感分

2020-08-19 16:47:26

【机器学习】(二十四)算法链与管道:网格搜索中应用Pipeline类;通用管道接口;利用网格搜索选择模型

机器学习算法,首先要对数据进行缩放,然后手动合并特征,再利用无监督机器学习来学习特征。算法链:将许多不同的处理步骤和机器学习模型链接在一起。Pipeline类可以将多个处理步骤合并为单个scikit-learn估计器,类本身具有fit、predict、score方法。Pipeline类最常见的用例是将预处理步骤(比如数据缩放)与一个监督模型(比如分类器)链接在一起。管道对象由一个步骤列表组成。每个步骤都是一个元组,包含一个自选定的字符串代表名称+一个估计器的实例。利用管道,减少了“预处理+分类”过程

2020-08-18 20:02:21

【机器学习】(二十三)评估指标:Dummy分类器;混淆矩阵;AUC指标

这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题,有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能,丰富你的文章UML 图表FLowchart流程图导出与导入导出导入欢迎使用Markdown编辑器你好! 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Mar

2020-08-04 22:04:38

查看更多

勋章 我的勋章
  • 签到新秀
    签到新秀
    累计签到获取,不积跬步,无以至千里,继续坚持!
  • 新人勋章
    新人勋章
    用户发布第一条blink获赞超过3个即可获得
  • 阅读者勋章Lv2
    阅读者勋章Lv2
    授予在CSDN APP累计阅读博文达到7天的你,是你的坚持与努力,使你超越了昨天的自己。
  • 持之以恒
    持之以恒
    授予每个自然月内发布4篇或4篇以上原创或翻译IT博文的用户。不积跬步无以至千里,不积小流无以成江海,程序人生的精彩需要坚持不懈地积累!
  • 勤写标兵Lv4
    勤写标兵Lv4
    授予每个自然周发布9篇以上(包括9篇)原创IT博文的用户。本勋章将于次周周三上午根据用户上周的博文发布情况由系统自动颁发。
  • 分享小兵
    分享小兵
    成功上传3个资源即可获取