原创 python pass
pass語句在函數中的作用 1、空語句，什麼也不做 2、在特別的時候用來保證格式或是語義的完整性 當你在編寫一個程序時，執行語句部分思路還沒有完成，這時你可以用pass語句來佔位，也可以當做是一個標記，是要過後來完成的代碼。比如下面這樣
2020-02-25 13:12:34
原创 python zip
定義：zip([seql, ...])接受一系列可迭代對象作爲參數，將對象中對應的元素打包成一個個tuple（元組），然後返回由這些tuples組成的list（列表）。若傳入參數的長度不等，則返回list的長度和參數中長度最短的對象相同。
2020-02-25 13:12:34
原创 tensorflow 一些常用函數的功能
tf.train.slice_input_producer(tensor_list, num_epochs=None, shuffle=True, seed=None, capacity=32, shared_name=None, na
2020-02-25 13:12:34
原创 MCMC（Markov Chain Monte Carlo）的理解與實踐（Python）
理解MCMC及一系列改進採樣算法的關鍵在於對馬爾科夫隨機過程的理解。更多詳盡的討論請參見 重溫馬爾科夫隨機過程。 對於給定的概率分佈 π(x)，我們希望能有便捷的方式生成它（π(x)）對應的樣本。由於馬氏鏈能收斂到平穩分佈，於是一
2018-09-05 05:45:35
原创 機器學習算法——SVD奇異值分解
一、SVD奇異值分解的定義 假設是一個的矩陣，如果存在一個分解： 其中爲的酉矩陣，爲的半正定對角矩陣，爲的共軛轉置矩陣，且爲的酉矩陣。這樣的分解稱爲的奇異值分解，對角線上的元素稱爲奇異值，稱爲左奇異矩陣，稱爲右奇異矩陣。
2018-09-05 05:45:34
原创 Beta函數與Gamma函數及其與Beta分佈的關係
相關函數在scipy.special import scipy.special as ss ss.beta(x1, x2)1212 相關分佈（概率密度）在scipy.stats import scipy.stats as st s
2018-09-05 05:45:34
原创 Python-Numpy的tile函數用法
>>> tile(1,2) array([1, 1]) >>> tile((1,2,3),3) array([1, 2, 3, 1, 2, 3, 1, 2, 3]) >>> tile(a,2) array([[1,
2018-09-05 05:45:34
原创 numpy 中的ndarray數組返回符合特定條件的索引方法
在numpy的ndarray類型中，似乎沒有直接返回特定索引的方法，我只找到了where函數，但是where函數對於尋找某個特定值對應的索引很有用，對於返回一定區間內值的索引不是很有效，至少我沒有弄明白應該如何操作。下面先說一下where
2018-09-05 05:45:34
原创 關於Python中的yield
在介紹yield前有必要先說明下Python中的迭代器(iterator)和生成器(constructor)。 一、迭代器(iterator) 在Python中，for循環可以用於Python中的任何類型，包括列表、元祖等等，實際上
2018-09-05 05:45:34
原创 Python的sys.stdout、sys.stdin重定向
sys.stdout 與 print 當我們在 Python 中打印對象調用 print obj 時候，事實上是調用了 sys.stdout.write(obj+'\n') print 將你需要的內容打印到了控制檯，然後追加了一
2018-09-05 05:45:34
原创 python nonzero
nonzero(a)返回數組a中值不爲零的元素的下標，它的返回值是一個長度爲a.ndim(數組a的軸數)的元組，元組的每個元素都是一個整數數組，其值爲非零元素的下標在對應軸上的值。例如對於一維布爾數組b1，nonzero(b1)所得到的
2018-09-05 05:45:33
原创 牛頓法
牛頓法相比梯度下降法速度更快，每次更新使損失以二次方的速度減少，因此稱二次迭代，其原理如下: 牛頓法至少有兩個應用方向，1、求方程的根，2、最優化。牛頓法涉及到方程求導，下面的討論均是在連續可微的前提下討論。 1、求解方程。 並不是
2018-09-05 05:45:33
原创 KNN
缺點： 耗內存，存儲所有訓練樣本，對每個測試樣本都要計算和所有訓練數據的距離，時間成本高 knn 和 Locally weighted linear regression 思想上非常相似，對每個預測點都需要訓練單獨訓練模型 代碼如下： f
2018-09-05 05:45:33
2
原创 機器學習算法的調試 —— 梯度檢驗（Gradient Checking）
反向傳播算法很難調試得到正確結果，尤其是當實現程序存在很多難於發現的bug 時。舉例來說，索引的缺位錯誤（off-by-one error）會導致只有部分層的權重得到訓練（for(i=1; i<=m; ++i) 被漏寫爲 for(i=
2018-09-05 05:45:29