目录 工作原理 python实现 算法实战 对mnist数据集进行聚类 小结 附录 工作原理 聚类是一种无监督的学习,它将相似的对象归到同一个簇中.类似于全自动分类(自动的意思是连类别都是自动构建的).K-均值算法可以发现k个不同的簇,且每个簇的中心采用簇中所含值的均值计算而成.它的工作流程的伪代码表示如下: 创建k个点作为起始质心 当任意一个点的簇分配结果发生改变时 对数据集中的每个数据点 对每个质心 计算质心与数据点之间的距离 将数据点分配到距其最近的簇 对每一个簇,计算簇中所有点的均值并将

1.关于递归函数的描述,以下选项中正确的是 A.包含一个循环结构 B.函数比较复杂 C.函数内部包含对本函数的再次调用 D.函数名称作为返回值 答案:D 答案解析:递归函数是指函数内部包含对本函数的再次调用. 2.关于递归函数基例的说明,以下选项中错误的是 A.递归函数必须有基例 B.递归函数的基例不再进行递归 C.每个递归函数都只能有一个基例 D.递归函数的基例决定递归的深度 答案:C 答案解析:每个递归函数至少存在一个基例 3.以下选项中,不属于函数的作用的是 A.提高代码执行速度 B.复用

1.1 文件处理 1.1.1 打开文件过程 在Python中,打开文件,得到文件句柄并赋值给一个变量,默认打开模式就为r f=open(r'a.txt','w',encoding='utf-8') print(f.writable()) 通过句柄对文件进行操作 f.write('1111\n') f.write('2222\n') f.writelines(['3333\n','444\n']) 关闭文件 f.close() 1.1.2 打开文件过程分析 1.由应用程序向操作系统发起系统调用op

本节来介绍一下使用 RNN 的 LSTM 来做 MNIST 分类的方法,RNN 相比 CNN 来说,速度可能会慢,但可以节省更多的内存空间. 初始化 首先我们可以先初始化一些变量,如学习率.节点单元数.RNN 层数等: learning_rate = 1e- num_units = num_layer = input_size = time_step = total_steps = category_num = steps_per_validate = steps_per_test = batc

<?php //使用闭包函数递归无限级分类 function demo($array){ # 用于存储递归后的队列 $data = []; # 递归函数 $func = function (&$array, &$data, &$pid=0) use(&$func){ foreach ($array as $k=>$v) { if ($v['pid'] == $pid) { $data[] = $v; # 递归自身 $func($array, $data, $v[

python内置函数大全 python内建函数 最近一直在看python的document,打算在基础方面重点看一下python的keyword.Build-in Function.Build-in Constants.Build-in Types.Build-in Exception这四个方面,其实在看的时候发现整个<The Python Standard Library>章节都是很不错的,其中描述了很多不错的主题.先把Build-in Function罗列一下吧,初学者的了解,分类可能不准

一.梯度 导数是对某个自变量求导,得到一个标量. 偏微分是在多元函数中对某一个自变量求偏导(将其他自变量看成常数). 梯度指对所有自变量分别求偏导,然后组合成一个向量,所以梯度是向量,有方向和大小. 上左图中,箭头的长度表示陡峭度,越陡峭的地方箭头越长,箭头指向的方向是y变大的方向,如果要使用梯度下降,则需要取负方向. 右图中,蓝色代表低点,红色代表高点,中间的箭头方向从蓝色指向红色,而且中间最陡峭的地方,箭头最长. 二.梯度下降 上图中分别使用梯度下降优化θ1和θ2的值,α表示学习率,即每次按

一.实参与形参 1.形参:定义函数,在括号内声明的变量名,用来接受外界传来的值 def fn(形参们):                pass def fn(a,b,c):# 形参就是考虑实参的值,随着函数的调用才会产生,并随着函数调用结束而销毁 # a,b c必须从外界获取值,才有意义 print(a) print(b) print(c) # 外部提前产生了变量,内部可以使用(x,y,z) print(x) print(y) print(z) # x,y,z 是实际存在的值 x=10 y=2

今日内容 '''实参:调用函数,在括号内传入的实际值,值可以为常量.变量.表达式或三者的组合​*****形参:定义函数,在括号内声明的变量名,用来接受外界传来的值​'''​'''注:形参随着函数的调用而产生,随着调用结束而销毁'''​ 实参 '''位置实参:不用明确形参名的传参方式,一定按照位置给形参传值关键字实参:必须明确形参名字与值为形参传值,可以不用按照位置​​*****注:混用1.关键字实参必须出现在位置实参后2.多个位置实参还是按照位置传参3.关键字实参为没有从位置实参拿到值的形参传值

author:headsen  chen date: 2018-03-21  17:42:13 notice:This  article created by headsen chen himself and not allowed to copy,or you will count law question and to  pay 10000$!!! 1,直接调用函数名的执行: 2,在return中的执行: 执行结果如下: 3,在print里面执行1:不带参数的单一函数执行:print(f()

在github上,tensorflow的star是22798,caffe是10006,torch是4500,theano是3661.作为小码农的我,最近一直在学习tensorflow,主要使用python的接口进行学习.本博文主要以/tensorflow/tensorflow/models/image/mnist(github上下载)作为例程,讲解python代码的实现. 读代码的时候,建议大家理清主线,从主函数开始,调用到那个子函数时,再去阅读子函数的功能.我在minist的python代码中

题目: 1)In the first step, apply the Convolution Neural Network method to perform the training on one single CPU and testing 2)In the second step, try the distributed training on at least two CPU/GPUs and evaluate the training time. 一.单机单卡实现mnist_CNN 1

1. tf.nn.conv2d(x, w, strides=[1, 1, 1, 1], padding='SAME')  # 对数据进行卷积操作 参数说明:x表示输入数据,w表示卷积核, strides表示步长,分别表示为样本数,长,宽,通道数,padding表示补零操作 2. tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')  # 对数据进行池化操作 参数说明:x表示输入数据,ksize表示卷

欢迎转载,但请务必注明原文出处及作者信息. 深入MNIST refer: http://wiki.jikexueyuan.com/project/tensorflow-zh/tutorials/mnist_pros.html @author: huangyongye @date: 2017-02-24 之前在keras中用同样的网络和同样的数据集来做这个例子的时候.keras占用了 5647M 的显存(训练过程中设了 validation_split = 0.2, 也就是1.2万张图). 但是我

参考书<A Learner's Guide to Programming Using the Python Language>,写下如下的程序: # coding=utf-8 # 以上是为了能在文中添加中文的注释 def save_transaction(price, credit_card, description): file = open("transaction.txt", "a") file.write("%s%07d%16s\n&q

因工作需要,最近在学习使用python来解析各种文件,包括xmind,xml,excel,csv等等. 在学习python解析XML的时候看到这样一段话: 3.ElementTree(元素树) ElementTree就像一个轻量级的DOM,具有方便友好的API.代码可用性好,速度快,消耗内存少. 注:因DOM需要将XML数据映射到内存中的树,一是比较慢,二是比较耗内存,而SAX流式读取XML文件,比较快,占用内存少,但需要用户实现回调函数(handler). 当时就犯了老毛病,被一个不是很知道的

对于经常调用的函数,特别是递归函数或计算密集的函数,记忆(缓存)返回值可以显着提高性能.而在 Python 里,可以使用字典来完成. 例子:斐波那契数列 下面这个计算斐波那契数列的函数 fib() 具有记忆功能,对于计算过的函数参数可以直接给出答案,不必再计算: fib_memo = {} def fib(n): if n < 2: return 1 if not n in fib_memo: fib_memo[n] = fib(n-1) + fib(n-2) return fib_memo[n

#!/usr/bin/env python # -*- coding: utf-8 -*- __author__ = 'denny' __time__ = '2017-9-9 9:03' import torch import torchvision from torch.autograd import Variable import torch.utils.data.dataloader as Data train_data = torchvision.datasets.MNIST( './m

本次分类问题使用的数据集是MNIST,每个图像的大小为\(28*28\). 编写代码的步骤如下 载入数据集,分别为训练集和测试集 让数据集可以迭代 定义模型,定义损失函数,训练模型 代码 import torch import torch.nn as nn import torchvision.transforms as transforms import torchvision.datasets as dsets from torch.autograd import Variable '''下

朴素贝叶斯(naive bayes)法是基于贝叶斯定理与特征条件独立假设的分类方法. 优点:在数据较少的情况下仍然有效,可以处理多分类问题. 缺点:对入输入数据的准备方式较为敏感. 使用数据类型:标称型数据. 下面从一个简单问题出发,介绍怎么使用朴素贝叶斯解决分类问题. 一天,老师问了个问题,只根据头发和声音怎么判断一位同学的性别. 为了解决这个问题,同学们马上简单的统计了7位同学的相关特征,数据如下: 头发 声音 性别 长 粗 男 短 粗 男 短 粗 男 长 细 女 短 细 女 短 粗 女 长

使用tensorflow构造神经网络用来进行mnist数据集的分类 相比与上一节讲到的逻辑回归,神经网络比逻辑回归多了隐藏层,同时在每一个线性变化后添加了relu作为激活函数, 神经网络使用的损失值为softmax概率损失值,即为交叉熵损失值 代码:使用的是mnist数据集作为分类的测试数据,数据的维度为50000*784 第一步:载入mnist数据集 第二步:超参数的设置,输入图片的大小,分类的类别数,迭代的次数,每一个batch的大小 第三步:使用tf.placeholder() 进行输入数