目录1. 为什么需要激活函数1.1. ReLU1.2. sigmod1.3. tanh2. Keras内置的损失函数2.1. Keras core Loss2.2. mean_squared_error2.3. mean_absolute_error2.4. binary_crossentropy2.5. categorical_crossentropy 1. 为什么需要激活函数 在神经网络中,对于图像,我们主要采用了卷积的
让我们看看分类标签数据: print (y_train.shape) # (60000,) print (y_train[:10]) # [5 0 4 1 9 2 1 3 1 4] 可以看到,这是一个一位数组,包含了训练数据集对应的标签。 在Keras中,模型训练时,需要把分类标签数据转换为类似位图的矩阵,例如y_train前面10个值是: [5 0 4 1 9 2 1 3 1 4
1.手写数字数据集 from sklearn.datasets import load_digits digits = load_digits() 2.图片数据预处理 x:归一化MinMaxScaler() y:独热编码OneHotEncoder()或to_categorical 训练集测试集划分 张量结构 3.设计卷积神经网络结构 绘制模型结构图,并说明设计依据。 4.模
1.手写数字数据集 from sklearn.datasets import load_digits digits = load_digits() 2.图片数据预处理 x:归一化MinMaxScaler() y:独热编码OneHotEncoder()或to_categorical 训练集测试集划分 张量结构 归一化 独热 划分 3.设计卷积神经网络结
数据类型object与category比较 category数据类型 官方文档是这样描述的: Categoricals 是 pandas 的一种数据类型,对应着被统计的变量。Categoricals 是由固定的且有限数量的变量组成的。比如:性别、社会阶层、血型、国籍、观察时段、赞美程度等等。 与其它被统计的变量相比,categoric
好了,大家现在进入到机器学习中的一块核心部分了,那就是特征工程,洋文叫做Feature Engineering。实际在机器学习的应用中,真正用于算法的结构分析和部署的工作只占很少的一部分,相反,用于特征工程的时间基本都占70%以上,因为是实际的工作中,绝大部分的数据都是非标数据。因而这一块的内容
本文是对pandas官方网站上《10 Minutes to pandas》的一个简单的翻译,原文在这里。这篇文章是对pandas的一个简单的介绍,详细的介绍请参考:Cookbook。习惯上,我们会按下面格式引入所需要的包: 一、 创建对象 可以通过 Data Structure Intro Setion来查看有
to_categorical就是将类别标签向量转换为二进制(只有0和1)的矩阵类型表示。每一个标签用矩阵的对应的行向量来表示。