Kirino 的技术档案
文章简介分类 Light Dark
文章归档
  • 2021-11-07

    最速下降法(Python实现)

    最速下降法(Python实现) 使用最速下降法方向,分别使用Armijo准则和Wolfe准则来求步长 求解方程 $f x 1,x 2 = x 1^2-2 ^4+ x 1-2x 2 ^2$的极小值 运行结果:
    Read more ⟶
  • 2021-11-07

    输出字节序列的地址

    输出字节序列的地址
    Read more ⟶
  • 2021-10-31

    TensorFlow数据集项目

    TensorFlow数据集(TFDS)项目使下载通用数据集变得非常容易,从小型数据集(如MNIST或Fashion MNIST)到大型数据集(如ImageNet)。该列表包括图像数据集、文本数据集(包括翻译数据集)以及音频和视频数据集。 TFDS没有和TensorFlow捆绑在一起,因此需要安装tensorf…
    Read more ⟶
  • 2021-10-29

    预处理输入特征

    预处理输入特征 为神经网络准备数据需要将所有特征转换为数值特征,通常将其归一化等。特别是如果数据包含分类特征或文本特征,则需要将它们转换为数字。 在准备数据文件时,可以使用任何喜欢的工具(例如NumPy、pandas或Scikit-Learn)提前完成此操作。或者,可以在使用Data API加载数据 时动态地…
    Read more ⟶
  • 2021-10-27

    TFRecord格式

    TFRecord格式 TFRecord格式是TensorFlow首选的格式,用于储存大量数据并有效读取数据。这是一种非常简单的二进制格式,只包含大小不同的二进制记录序列(每个记录由一个长度、一个用于检查长度是否受损的CRC校验和、实际数据 以及最后一个CRC校验和组成)。可以使用tf.io.TFRecordW…
    Read more ⟶
  • 2021-10-27

    了解编码问题

    了解编码问题 虽然有一般性的UnicodeError异常,但是报告错误时几乎都会指明具体的异常:UnicodeEncoderError (把字符串转换成二进制序列时)或UnicodeDecoderError(把二进制序列转换成字符串时)。如果 源码的编码与预期不符,加载Python模块时还可能抛出Syntax…
    Read more ⟶
  • 2021-10-25

    基本编解码器

    基本的编解码器 Python自带了超过100中编解码器(codec,encoder/decoder ,用于文本和字节之间相互转换。 每个编码器都有一个名称,如'uft 8',而且经常有几个别名,如果'uft8','uft-8'和'U8'。 这些名称可以传递给open 、str.encode 、bytes.de…
    Read more ⟶
  • 2021-10-25

    数据API

    数据API 整个数据API都围绕着数据集的概念。通常,使用的是逐步从磁盘中读取数据的数据集,但为了简单起见,使用 tf.data.Dataset.from tensor slices 在RAM中完全创建一个数据集合 <TensorSliceDataset shapes: , types: tf.int32 f…
    Read more ⟶
  • 2021-10-24

    TensorFlow函数和图

    8 <tf.Tensor: shape= , dtype=float32, numpy=8.0 现在用tf.function 函数将此Python函数转化为TensorFlow函数 <tensorflow.python.eager.def function.Function at 0x23900209dc0…
    Read more ⟶
  • 2021-10-24

    第五次作业

    七段数码管绘制系统时间(年,月,日,小时) 代码 画图思路: 运行结果:
    Read more ⟶
  • 2021-10-19

    最优化作业电子版

    1. 给定函数$f x = 6+x 1+x 2 ^2+ 2-3x 1-3x 2-x 1x 2 ^2$,求在点$\hat X = -4,6 ^T$处的最速下降方向和牛顿方向 $$ f x = 6+x 1+x 2 ^2+ 2-3x 1-3x 2-x 1x 2 ^2\\ \frac \partial f \part…
    Read more ⟶
  • 2021-10-16

    自定义模型和训练算法

    自定义损失函数 当训练回归模型时,训练集有噪声,均方误差MSE可能会对大误差惩罚太多而导致模型不精确。平均绝对误差MAE不会对异常值惩罚太多,但是训练可能要一段时间才能收敛,并且训练后的模型可能不太精确。这就是使用Huber损失而不是旧的MSE损失的好时机。 $$L \delta y,f x ==\left\…
    Read more ⟶
    ← Prev Next →