概述 最近学习机器学习（和深度学习），入门第一个接触的便是简单线性回归。 所谓线性回归，是利用数理统计中回归分析，来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。其形式可表示为：y = w1x1 + w2x2 + w3x3 + … + w_nx_n + b 而简单线性回归，是其最简单的形式：y = wx + b，即我们所熟知的一次函数，理解为给定权重w和偏置（或称为截距）b...

1、 情景引入 波士顿房价数据集包括506个样本，每个样本包括12个特征变量和该地区的平均房价。房价显然和多个特征变量是相关的，因此需要选择多个特征变量来建立线性方程，这就是典型的多变量线性回归问题，下面是多元线性回归模型公式：y=w0+w1x1+w2x2+...+wn*xn+b 下面是波士顿房价的数据集部分展示，后面我们将使用数据集进行模型实现...

1.读取数据：把磁盘中的数据读取出来（模块的导入这里就不在叙述，需要什么模块就导入即可） 2.数据处理： a.这里提取年月日的方式是直接索引文件中需要的数据名称，并且赋值给我们定义的变量 b.字符编码，并且在表中删除‘真实结果’数据，然后表中剩下的都是‘X’变量，也就是说，可以把剩下的的整个表输入到训练模型中当作输入的‘X’ c.把字符类型的数据转换为数组格式 d.把数据变成标准的模式...

很多教程说用更小的样本数或者换显存更大的硬件。。。其实是治标不治本。 如果你是直接将全部训练样本以np.narray数组的形式输入fit，这种情况下的内存不够，即使使用更小的batchsize，也不会有明显的改善。 先说解决方案——那就是官方自定义的数据格式tfrecords. 在这种格式下，每次只从存储硬盘中读取一个batchsize的数据入内存（显存），而不是将整个训练样本一次性全部读入...

一个神经元有多个输入和输出。每个神经元的输入既可以是其他神经元的输出，也可以是整个神经网络的输入，所谓神经网络的结构指的就是不同神经元之间的连接结构。如下图所示，一个最简单的神经元结构的输出就是所有输入的加权和，而不同权重就是神经元的参数，神经网络的优化过程就是优化神经元中参数取值的过程。 计算神经网络的前向传播结果需要三部分信息，如下图所示： 第一部分是神经网络的输入...

1、关于深度学习框架的安装，如果单纯安装cpu版本的直接去下载到本地即可...

时间序列预测的机器学习概述 当前，机器学习正在席卷全球，机器人能够以类似人类的精度完成许多领域中的任务。例如，在医疗领域，智能助手可以随时检查人们的健康状况；在金融领域，也有一些工具可以合理准确地预测投资回报；而在在线营销中，也已经研发出一些产品推荐工具能够根据人们的购买历史向其推荐特定的产品和品牌。 在上述这些应用领域中，人们可以使用不同类型的数据来训练机器学习模型。其中...

线性回归 步骤 构造线性回归数据 定义输入层 设计神经网络中间层 定义神经网络输出层 计算二次代价函数，构建梯度下降 进行训练...

本文将从iris数据集创建一个线性分类器。如前所述，用花萼宽度和花萼长度的特征可以创建一个线性二值分类器来预测是否为山鸢尾花...

图像编码处理+图像大小调整+图像翻转+图像色彩调整+处理标注框 #!/usr/bin/env python # -*- coding: UTF-8 -*- # coding=utf-8 """ @author: Li Tian @contact: 694317828@qq.com @software: pycharm @file: figure_deal_test1.py @time: 201

Seq2Seq 首先来简单说明一下 Seq2Seq 模型，如果搞过深度学习，想必一定听说过 Seq2Seq 模型，Seq2Seq 其实就是 Sequence to Sequence，也简称 S2S，也可以称之为 Encoder-Decoder 模型，这个模型的核心就是编码器（Encoder）和解码器（Decoder）组成的...

首先是确定好所有软件的版本是最重要的，现在控制面板中找到Nvida控制面板 在这里找到我们的显卡型号1050ti和对应的cuda版本： 点左下角的系统信息 然后在组件中可以查看 这里能够看到cuda的版本是11.1.70...

之前我们讲了神经网络的起源、单层神经网络、多层神经网络的搭建过程、搭建时要注意到的具体问题、以及解决这些问题的具体方法。本文将通过一个经典的案例：MNIST手写数字识别，以代码的形式来为大家梳理一遍神经网络的整个过程。 一 、MNIST手写数字数据集介绍 M是著名的公开数据集之一，通常这个数据集都会被作为深度学习的入门案例。数据集中的数字图片是由250个不同职业的人纯手写绘制...

1、神经网络优化算法 梯度下降算法主要用户优化单个参数的取值，而反向传播算法给出了一个高效的方式在所有参数上使用梯度下降算法，从而使神经网络模型在训练数据上的损失函数尽可能小。反向传播算法是训练神经网络的核心算法，它可以根据定义好的损失函数优化神经网络中参数的取值，从而使神经网络在训练数据集上的损失函数达到一个最小值。神经网络模型中参数的优化过程直接决定了模型的质量...

一、简介 Keras 是一个用于构建和训练深度学习模型的高阶 API。它可用于快速设计原型、高级研究和生产...

PS：对神经风格迁移的原理感兴趣的可以参考：Tensorflow2.0之神经风格迁移...

本文将介绍如何使用Python和深度学习库Tensorflow来进行异常仿真。我们将以图像分类任务为例...

[[253678]] 机器学习(ML)是一种用于识别模式和预测未来概率的数据分析方法，它是人工智能(AI)研究的一部分。通过将答案预确定的数据输入到数学模型中，计算机可以训练自己、预测将来未知的输入集。 虽然ML迄今已成功解决了特定的任务，但分析参数更复杂的数据需要能够大规模部署简化操作的模型。这种机器学习将使计算机能够从更多数量的信息中找到解决方案并使之自动化。由于这些原因...

顾名思义，k均值聚类是一种对数据进行聚类的技术，即将数据分割成指定数量的几个类，揭示数据的内在性质及规律。 我们知道，在机器学习中，有三种不同的学习模式：监督学习、无监督学习和强化学习： 监督学习，也称为有导师学习，网络输入包括数据和相应的输出标签信息。例如，在 MNIST 数据集中，手写数字的每个图像都有一个标签，代表图片中的数字值。 强化学习，也称为评价学习，不给网络提供期望的输出...

支持向量机可以用来拟合线性回归。 相同的最大间隔（maximum margin）的概念应用到线性回归拟合。代替最大化分割两类目标是，最大化分割包含大部分的数据点（x，y）。我们将用相同的iris数据集，展示用刚才的概念来进行花萼长度与花瓣宽度之间的线性拟合。 相关的损失函数类似于max（0，|yi-（Axi+b）|-ε）。ε这里，是间隔宽度的一半，这意味着如果一个数据点在该区域，则损失等于0...