摘要: def cube(x): return x**3 cube(2) 8 import tensorflow as tf cube(tf.constant(2.0)) <tf.Tensor: shape=(), dtype=float32, numpy=8.0> 现在用tf.function()函数将此 阅读全文
posted @ 2021-10-24 18:41 里列昂遗失的记事本 阅读(101) 评论(0) 推荐(0)
摘要: 七段数码管绘制系统时间(年,月,日,小时) 代码 import datetime # 引入时间库 import random import turtle # 引入海龟库 def drawLine(draw): # 绘制单段数码管 turtle.pendown() if draw else turtl 阅读全文
posted @ 2021-10-24 09:50 里列昂遗失的记事本 阅读(62) 评论(0) 推荐(0)
摘要: 给定函数$f(x)=(6+x_1+x_2)^2+(2-3x_1-3x_2-x_1x_2)^2$,求在点$\hat{X}=(-4,6)^T$处的最速下降方向和牛顿方向 \[ f(x)=(6+x_1+x_2)^2+(2-3x_1-3x_2-x_1x_2)^2\\ \frac{\partial f}{\p 阅读全文
posted @ 2021-10-19 22:42 里列昂遗失的记事本 阅读(111) 评论(0) 推荐(0)
摘要: 自定义损失函数 当训练回归模型时,训练集有噪声,均方误差MSE可能会对大误差惩罚太多而导致模型不精确。平均绝对误差MAE不会对异常值惩罚太多,但是训练可能要一段时间才能收敛,并且训练后的模型可能不太精确。这就是使用Huber损失而不是旧的MSE损失的好时机。 $$L_\delta(y,f(x))== 阅读全文
posted @ 2021-10-16 23:19 里列昂遗失的记事本 阅读(504) 评论(0) 推荐(0)
摘要: Python 3引入的不可变bytes类型和Python 2.6添加的可变bytearray类型 bytes和bytesarray对象的各个元素是介于0-255(含)之间的整数,而不像Python 2 的str对象那样是单个的字符。然而,二进制序列的切片始终是同一种类型的二进制序列,包含长度为1的切 阅读全文
posted @ 2021-10-10 21:20 里列昂遗失的记事本 阅读(53) 评论(0) 推荐(0)
摘要: 编码与解码 “字符串”是个相当简单的概念:一个字符串是一个字符序列。问题出在“字符”的定义上。在2015年,“字符”的最佳定义是Unicode字符。因为,从Python3的str对象中获取的元素是Unicode字符,这相当于从Python2的unicode对象中获取的元素,而不是Python2的st 阅读全文
posted @ 2021-10-10 10:00 里列昂遗失的记事本 阅读(42) 评论(0) 推荐(0)
摘要: 张量和操作 可以使用tf.constant()创建张量 from IPython.core.interactiveshell import InteractiveShell InteractiveShell.ast_node_interactivity='all' import tensorflow 阅读全文
posted @ 2021-10-09 20:46 里列昂遗失的记事本 阅读(172) 评论(0) 推荐(0)
摘要: Tensorflow快速浏览 高级深度学习API tf.keras tf.estimator 底层深度学习API tf.nn tf.losses tf.metrics tf.optimizers tf.train tf.initializers 自动微分 tf.GradientTape tf.gra 阅读全文
posted @ 2021-10-09 10:40 里列昂遗失的记事本 阅读(32) 评论(0) 推荐(0)
摘要: 梯度下降 线性模型 $\hat{y}=x*w$来拟合学习时间$x$与考试分数$y$ \[ loss=(\hat{y}-y)^2=(x*w-y)^2\to cost=\frac1N\sum^N_{n=1}(\hat{y_n}-y_n)^2 \] 由图可知损失函数在$w=2.0$时,取得最小值。记损失函 阅读全文
posted @ 2021-10-08 19:41 里列昂遗失的记事本 阅读(97) 评论(0) 推荐(0)
摘要: Linear Model 机器学习 $x$为学习时间,$y$为学习该时间能够在考试中取得的分数 在这里来为这些数据寻求一个最好的模型 线性回归 Linear Model:\(\hat{y}=x*w\) 训练损失 (误差) MSE(Mean Squared Mean)均方误差: \[ loss=(\h 阅读全文
posted @ 2021-10-08 18:30 里列昂遗失的记事本 阅读(70) 评论(0) 推荐(0)