上一页 1 2 3 4 5 6 7 8 9 10 ··· 49 下一页
摘要: import tensorflow as tf import os os.environ['TF_CPP_MIN_LOG_LEVEL']='2' # 变量也是一种OP,是一种特殊的张量,能够进行持久化的存储,它的值就是张量,默认被训练 var1 = tf.Variable(tf.random_nor 阅读全文
posted @ 2020-03-30 12:36 kog_maw 阅读(143) 评论(0) 推荐(0)
摘要: import tensorflow as tf # 生成全为0的张量 zero = tf.zeros([3, 5], tf.float32) # 生成全为1的张量 ones = tf.ones([3, 5], tf.float32) # [2, 3]两行三列,生成随机值张量,mean平均值,stdd 阅读全文
posted @ 2020-03-30 12:32 kog_maw 阅读(397) 评论(0) 推荐(0)
摘要: # 张量(tensor)是对数组进行封装后的一种数据类型,三部分,名字,形状,数据类型 # 张量的阶对应着数组的维度 # 张量常用的数据类型:tf.float32,tf.int32,tf.string,tf.bool等 # 张量的属性:graph(张量所属的默认图),op(张量的操作名),name( 阅读全文
posted @ 2020-03-30 12:20 kog_maw 阅读(148) 评论(0) 推荐(0)
摘要: import tensorflow as tf ''' TensorFlow分为前端系统和后端系统 前端系统:定义程序的图和结构,即各类语言通过API接口写的程序 后端系统:运算图的结果 会话:即连接前后端的中间者,起到调度资源的效果 运行图结构 分配计算资源 掌握资源(队列,线程,变量的资源) ' 阅读全文
posted @ 2020-03-30 12:14 kog_maw 阅读(194) 评论(0) 推荐(0)
摘要: import tensorflow as tf import os os.environ['TF_CPP_MIN_LOG_LEVEL']='2' # 修改TensorFlow警告信息级别 # 创建一张图包含了op和tensor,使用图是在上下文环境中的 # op:只要用TensorFlow的API定 阅读全文
posted @ 2020-03-30 11:50 kog_maw 阅读(110) 评论(0) 推荐(0)
摘要: sklearn PAI:from sklearn.cluster import KMeans 聚类的原理 评价指标:轮廓系数,一般[-1,1]之间,一般超过0-0.1聚类效果已经十分不错 from sklearn.cluster import KMeans # K-means PAI import 阅读全文
posted @ 2020-03-27 12:19 kog_maw 阅读(158) 评论(0) 推荐(0)
摘要: 生成模型和判别模型:两者区别在于有没有先验概率,有则是生成模型,否则是判别模型 阅读全文
posted @ 2020-03-27 01:10 kog_maw 阅读(178) 评论(0) 推荐(0)
摘要: 逻辑回归是二分类问题,与其他回归不同,逻辑回归可以给出确切的概率值,哪个类别的数量少,判定概率值就是指的这个类别,这个类别即是正例 逻辑回归的损失函数称为对数似然损失函数,但其只能通过梯度下降法求解 逻辑回归sklearn的API:from sklearn.linear_model import L 阅读全文
posted @ 2020-03-26 23:28 kog_maw 阅读(147) 评论(0) 推荐(0)
摘要: 已经得到理想的模型以后,可以通过sklearn中的 from sklearn.externals import joblib 将模型保存下来,下次可以直接将想要预测的数据给入就好了 from sklearn.datasets import load_boston from sklearn.linea 阅读全文
posted @ 2020-03-26 23:07 kog_maw 阅读(157) 评论(0) 推荐(0)
摘要: 岭回归sklearn的API:from sklearn.linear_model import Ridge 通过调节模型中的参数alpha的值来调节正则化的力度,力度越大高次项的系数越小,逐渐趋近于0,但是不会等于0,alpha一般去0-1之间的小数,或者1-10之间的整数,可以通过网格搜索去寻找最 阅读全文
posted @ 2020-03-26 22:53 kog_maw 阅读(640) 评论(0) 推荐(0)
上一页 1 2 3 4 5 6 7 8 9 10 ··· 49 下一页