blueslichanghui

摘要： 代码如下： coord = tf.train.Coordinator() threads = tf.train.start_queue_runners(coord=coord) for step in range(100): #获取正真的样本和标签 example, label = sess.run 阅读全文

摘要： 代码如下： #读取文件数据 def read_data(file_queue): # 读取的时候需要跳过第一行 reader = tf.TextLineReader(skip_header_lines=1) key, value = reader.read(file_queue) # 对于数据源中空 阅读全文

摘要： 代码如下： def read_data(file_queue): ''' the function is to get features and label (即样本特征和样本的标签） 数据来源是csv的文件，采用tensorflow 自带的对csv文件的处理方式 :param file_queue 阅读全文

摘要： numpy.ndarray.flatten ，返回一个一维的数组，作用的对象可以是numpy对象，即数组或者是矩阵对象，不可以是列表 阅读全文

摘要： from sklearn import linear_model reg = linear_model.LinearRegression() reg.fit(example, label） print("Coefficients of sklearn: W=%s, b=%f" % (reg.coef 阅读全文

摘要： 这是由于在用feed_dict 进行数据喂养之前没有做数据归一化： 解决办法： 使用sklearn包中的preprocessing做归一化： 大妈如下 阅读全文

摘要： 这是在做用tensorflow读取csv文件中数据时，设置默认值时与数据源中的数据格式不匹配，即，上面的意思是，csv文件中的数据类型是字符型的，而我们设置默认值时设置的时int32型的不匹配 阅读全文

摘要： 在tensorflow中你在做数据喂养的时候你输入的是一个一维数组如：[22,33]，他的shape 为（2，） 在tensorflow中一维数组是不能与同样的一维数组进行运算的，必须通过reshape成为（1，2）而 另一个一维数组必须是（2，1）才能相乘，但是在numpy中两个一维数组相乘是不会 阅读全文

摘要： 1：一般的数组如：【22，33】 shape是（2，）：他表示他是一个一维数组，数组中有两个元素；注意他和shape（2，1）的区别，他两个不一样。 2：[[22],[33]] 他的shape是(2,1),表示二维数组，每行有一个元素 3：[[22,33]] shape是（1，2） 他表示一个二维数 阅读全文

摘要： 比如一个数组【1，2，3，4，5】 shape是（5，） reshape（-1，1）的结果是： [[1] [2] [3] [4] [5]] 是一个一行5行1列的二维数组，shape为（5，1） 让我们再来看看reshape（-1，2）呢：ValueError: cannot reshape arra 阅读全文

摘要： 这是我在做多元线性回归时遇到的错误：这个也是数据类型类的错误； 解决办法就是把数据的类型转化之后就行的了，于‘TypeError: Input 'b' of 'MatMul' Op has type int64 that does not match type float32 of argument 阅读全文

摘要： 我在做多元线性回归的时候，在预测数据时遇到的： 这是由于我录入的数据如：[1,2] 他的shape是[2,],而我在参数(也就是y = w1*x1+w2*x2+b 中的w)用的是placeholder生成， shape是（2，1）的；所以无法进行矩阵乘法； 解决办法是： 在录入数据的时候通过data 阅读全文

摘要： 在做多元线性回归的时候多余模型：y = tf.matmul(x_data,w) +b 中： 我的x_data 使用tf.placeholder(tf.float32,[1,2]) 申明的； 而我的输入的是整数 解决办法： 1：直接把输入输成浮点型的，如：输入3，你可以直接输入3.00 2：加上类型转 阅读全文

摘要： #coding:utf8 import tensorflow as tf from sklearn import linear_model from sklearn import preprocessing import numpy as np def read_data(file_queue): 阅读全文