摘要： import tensorflow as tf INPUT_NODE = 784 OUTPUT_NODE = 10 IMAGE_SIZE = 28 NUM_CHANNELS = 1 NUM_LABELS = 10 CONV1_DEEP = 32 CONV1_SIZE = 5 CONV2_DEEP = 64 CONV2_SIZE = 5 FC_SIZE = 512 def inference(inp 阅读全文

摘要： 阅读全文

摘要： import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data INPUT_NODE = 784 # 输入节点 OUTPUT_NODE = 10 # 输出节点 LAYER1_NODE = 500 # 隐藏层数 BATCH_SIZE = 100 # 每次batch打包的样本个数 # 模型相关的参数 阅读全文

摘要： ... 阅读全文

摘要： http://playground.tensorflow.org/ 阅读全文

摘要： import tensorflow as tf a = tf.constant([1.0, 2.0], name="a") b = tf.constant([2.0, 3.0], name="b") result = a + b print(result) import... 阅读全文

摘要： ... 阅读全文

摘要： from numpy import * def img2vector(filename): returnVect = zeros((1,1024)) fr = open(filename) for i in range(32): lineStr = fr.readline() for j in range(32): ... 阅读全文

摘要： 基于最大间隔分隔数据 寻找最大间隔 分类器求解的优化问题 这里的类别标签为什么采用-1和+1，而不是0和 1呢？这是由于-1和+1仅仅相差一个符号，方便数学上的处理。我们可以通过一个统一公式来表示间隔或者数据点到分隔超平面的距离，同 时不必担心数据到底是属于-1还是+1类。 S V M 应用的一般框 阅读全文

摘要： ，除了部分指标主观和难以测量外，该数据还存在一个问题，数据集中有 30%的值是缺失的。下面将首先介绍如何处理数据集中的数据缺失问题，然 后 再 利 用 Logistic回 归 和随机梯度上升算法来预测病马的生死。 准备数据：处理被据中的缺失值 因为有时候数据相当昂贵，扔掉和重新获取 都是不可取的，所 阅读全文