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。
