wyx100

官网实例详解4.28（mnist_mlp.py）-keras学习笔记四

基于MINIST数据集训练简单的深度多层感知机

Keras实例目录

代码注释

代码中神经网络（多层感知机）结构

'''Trains a simple deep NN on the MNIST dataset.
基于MINIST数据集训练简单的深度多层感知机
Gets to 98.40% test accuracy after 20 epochs
(there is *a lot* of margin for parameter tuning).
2 seconds per epoch on a K520 GPU.
20个周期后获取98.40%的准确度（通过参数调整，还有提升空间）
2秒/每个周期,基于一个K520 GPU（Graphics Processing Unit，图形处理器）
'''

from __future__ import print_function

import keras
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense, Dropout
from keras.optimizers import RMSprop

batch_size = 128
num_classes = 10
epochs = 20

# the data, shuffled and split between train and test sets
# 用于训练和测试的数据集，经过了筛选（清洗、数据样本顺序打乱）和划分（划分为训练和测试集）
(x_train, y_train), (x_test, y_test) = mnist.load_data()

x_train = x_train.reshape(60000, 784)
x_test = x_test.reshape(10000, 784)
x_train = x_train.astype('float32')
x_test = x_test.astype('float32')
x_train /= 255
x_test /= 255
print(x_train.shape[0], 'train samples')
print(x_test.shape[0], 'test samples')

# convert class vectors to binary class matrices
# 类别向量转为多（num_classes = 10）分类矩阵
y_train = keras.utils.to_categorical(y_train, num_classes)
y_test = keras.utils.to_categorical(y_test, num_classes)

model = Sequential()
model.add(Dense(512, activation='relu', input_shape=(784,)))
model.add(Dropout(0.2))
model.add(Dense(512, activation='relu'))
model.add(Dropout(0.2))
model.add(Dense(num_classes, activation='softmax'))

model.summary()

model.compile(loss='categorical_crossentropy',
              optimizer=RMSprop(),
              metrics=['accuracy'])

history = model.fit(x_train, y_train,
                    batch_size=batch_size,
                    epochs=epochs,
                    verbose=1,
                    validation_data=(x_test, y_test))
score = model.evaluate(x_test, y_test, verbose=0)
print('Test loss:', score[0])
print('Test accuracy:', score[1])

# convert class vectors to binary class matrices
# 类别向量转为多（num_classes = 10）分类矩阵
y_train = keras.utils.to_categorical(y_train, num_classes)
y_test = keras.utils.to_categorical(y_test, num_classes)

代码执行

C:\ProgramData\Anaconda3\python.exe E:/keras-master/examples/mnist_mlp.py
Using TensorFlow backend.
60000 train samples
10000 test samples
_________________________________________________________________
Layer (type)                 Output Shape              Param #
=================================================================
dense_1 (Dense)              (None, 512)               401920
_________________________________________________________________
dropout_1 (Dropout)          (None, 512)               0
_________________________________________________________________
dense_2 (Dense)              (None, 512)               262656
_________________________________________________________________
dropout_2 (Dropout)          (None, 512)               0
_________________________________________________________________
dense_3 (Dense)              (None, 10)                5130
=================================================================
Total params: 669,706
Trainable params: 669,706
Non-trainable params: 0
_________________________________________________________________
Train on 60000 samples, validate on 10000 samples
Epoch 1/20

  128/60000 [..............................] - ETA: 2:36 - loss: 2.3678 - acc: 0.0625
  512/60000 [..............................] - ETA: 46s - loss: 1.9186 - acc: 0.3164
  896/60000 [..............................] - ETA: 30s - loss: 1.6323 - acc: 0.4319
 1280/60000 [..............................] - ETA: 23s - loss: 1.4030 - acc: 0.5305
 1664/60000 [..............................] - ETA: 20s - loss: 1.2462 - acc: 0.5841
 2048/60000 [>.............................] - ETA: 18s - loss: 1.1259 - acc: 0.6250
 2432/60000 [>.............................] - ETA: 16s - loss: 1.0272 - acc: 0.6608
 2816/60000 [>.............................] - ETA: 15s - loss: 0.9782 - acc: 0.6793
 3200/60000 [>.............................] - ETA: 14s - loss: 0.9190 - acc: 0.7013
 3584/60000 [>.............................] - ETA: 14s - loss: 0.8761 - acc: 0.7157
 3968/60000 [>.............................] - ETA: 13s - loss: 0.8447 - acc: 0.7251
 4352/60000 [=>............................] - ETA: 12s - loss: 0.8090 - acc: 0.7360
 4736/60000 [=>............................] - ETA: 12s - loss: 0.7856 - acc: 0.7456
 5120/60000 [=>............................] - ETA: 12s - loss: 0.7541 - acc: 0.7555
 5504/60000 [=>............................] - ETA: 11s - loss: 0.7313 - acc: 0.7644
 5888/60000 [=>............................] - ETA: 11s - loss: 0.7116 - acc: 0.7712
 6272/60000 [==>...........................] - ETA: 11s - loss: 0.6956 - acc: 0.7777
 6656/60000 [==>...........................] - ETA: 10s - loss: 0.6776 - acc: 0.7838
 7040/60000 [==>...........................] - ETA: 10s - loss: 0.6650 - acc: 0.7862
 7424/60000 [==>...........................] - ETA: 10s - loss: 0.6504 - acc: 0.7912
 7808/60000 [==>...........................] - ETA: 10s - loss: 0.6358 - acc: 0.7960
 8192/60000 [===>..........................] - ETA: 10s - loss: 0.6193 - acc: 0.8015
 8576/60000 [===>..........................] - ETA: 10s - loss: 0.6073 - acc: 0.8060
 8960/60000 [===>..........................] - ETA: 9s - loss: 0.5984 - acc: 0.8098
 9344/60000 [===>..........................] - ETA: 9s - loss: 0.5883 - acc: 0.8140
 9728/60000 [===>..........................] - ETA: 9s - loss: 0.5789 - acc: 0.8167
10112/60000 [====>.........................] - ETA: 9s - loss: 0.5677 - acc: 0.8201
10496/60000 [====>.........................] - ETA: 9s - loss: 0.5583 - acc: 0.8224
10880/60000 [====>.........................] - ETA: 9s - loss: 0.5503 - acc: 0.8254
11264/60000 [====>.........................] - ETA: 9s - loss: 0.5410 - acc: 0.8287
11648/60000 [====>.........................] - ETA: 8s - loss: 0.5351 - acc: 0.8307
12032/60000 [=====>........................] - ETA: 8s - loss: 0.5254 - acc: 0.8340
12416/60000 [=====>........................] - ETA: 8s - loss: 0.5169 - acc: 0.8366
12800/60000 [=====>........................] - ETA: 8s - loss: 0.5095 - acc: 0.8387
13184/60000 [=====>........................] - ETA: 8s - loss: 0.5015 - acc: 0.8412
13568/60000 [=====>........................] - ETA: 8s - loss: 0.4955 - acc: 0.8433
13952/60000 [=====>........................] - ETA: 8s - loss: 0.4892 - acc: 0.8454
14336/60000 [======>.......................] - ETA: 8s - loss: 0.4826 - acc: 0.8477
14720/60000 [======>.......................] - ETA: 8s - loss: 0.4764 - acc: 0.8498
15104/60000 [======>.......................] - ETA: 8s - loss: 0.4704 - acc: 0.8519
15488/60000 [======>.......................] - ETA: 7s - loss: 0.4650 - acc: 0.8536
15872/60000 [======>.......................] - ETA: 7s - loss: 0.4598 - acc: 0.8552
16256/60000 [=======>......................] - ETA: 7s - loss: 0.4555 - acc: 0.8567
16640/60000 [=======>......................] - ETA: 7s - loss: 0.4498 - acc: 0.8582
17024/60000 [=======>......................] - ETA: 7s - loss: 0.4442 - acc: 0.8598
17408/60000 [=======>......................] - ETA: 7s - loss: 0.4404 - acc: 0.8609
17792/60000 [=======>......................] - ETA: 7s - loss: 0.4377 - acc: 0.8620
18176/60000 [========>.....................] - ETA: 7s - loss: 0.4328 - acc: 0.8634
18560/60000 [========>.....................] - ETA: 7s - loss: 0.4293 - acc: 0.8647
18944/60000 [========>.....................] - ETA: 7s - loss: 0.4249 - acc: 0.8663
19328/60000 [========>.....................] - ETA: 7s - loss: 0.4217 - acc: 0.8671
19712/60000 [========>.....................] - ETA: 7s - loss: 0.4168 - acc: 0.8688
20096/60000 [=========>....................] - ETA: 6s - loss: 0.4121 - acc: 0.8704
20480/60000 [=========>....................] - ETA: 6s - loss: 0.4077 - acc: 0.8717
20864/60000 [=========>....................] - ETA: 6s - loss: 0.4038 - acc: 0.8728
21248/60000 [=========>....................] - ETA: 6s - loss: 0.4001 - acc: 0.8738
21632/60000 [=========>....................] - ETA: 6s - loss: 0.3966 - acc: 0.8753
22016/60000 [==========>...................] - ETA: 6s - loss: 0.3922 - acc: 0.8768
22400/60000 [==========>...................] - ETA: 6s - loss: 0.3889 - acc: 0.8777
22784/60000 [==========>...................] - ETA: 6s - loss: 0.3855 - acc: 0.8789
23168/60000 [==========>...................] - ETA: 6s - loss: 0.3826 - acc: 0.8798
23552/60000 [==========>...................] - ETA: 6s - loss: 0.3794 - acc: 0.8807
23936/60000 [==========>...................] - ETA: 6s - loss: 0.3756 - acc: 0.8819
24320/60000 [===========>..................] - ETA: 6s - loss: 0.3724 - acc: 0.8828
24704/60000 [===========>..................] - ETA: 6s - loss: 0.3708 - acc: 0.8833
25088/60000 [===========>..................] - ETA: 6s - loss: 0.3689 - acc: 0.8839
25472/60000 [===========>..................] - ETA: 5s - loss: 0.3663 - acc: 0.8846
25856/60000 [===========>..................] - ETA: 5s - loss: 0.3644 - acc: 0.8852
26240/60000 [============>.................] - ETA: 5s - loss: 0.3624 - acc: 0.8859
26624/60000 [============>.................] - ETA: 5s - loss: 0.3591 - acc: 0.8870
27008/60000 [============>.................] - ETA: 5s - loss: 0.3570 - acc: 0.8875
27392/60000 [============>.................] - ETA: 5s - loss: 0.3544 - acc: 0.8884
27776/60000 [============>.................] - ETA: 5s - loss: 0.3514 - acc: 0.8893
28160/60000 [=============>................] - ETA: 5s - loss: 0.3499 - acc: 0.8898
28544/60000 [=============>................] - ETA: 5s - loss: 0.3471 - acc: 0.8906
28928/60000 [=============>................] - ETA: 5s - loss: 0.3445 - acc: 0.8914
29312/60000 [=============>................] - ETA: 5s - loss: 0.3417 - acc: 0.8921
29696/60000 [=============>................] - ETA: 5s - loss: 0.3395 - acc: 0.8927
30080/60000 [==============>...............] - ETA: 5s - loss: 0.3382 - acc: 0.8930
30464/60000 [==============>...............] - ETA: 5s - loss: 0.3369 - acc: 0.8933
30848/60000 [==============>...............] - ETA: 4s - loss: 0.3345 - acc: 0.8942
31232/60000 [==============>...............] - ETA: 4s - loss: 0.3325 - acc: 0.8947
31616/60000 [==============>...............] - ETA: 4s - loss: 0.3307 - acc: 0.8953
32000/60000 [===============>..............] - ETA: 4s - loss: 0.3289 - acc: 0.8959
32384/60000 [===============>..............] - ETA: 4s - loss: 0.3271 - acc: 0.8965
32768/60000 [===============>..............] - ETA: 4s - loss: 0.3251 - acc: 0.8971
33152/60000 [===============>..............] - ETA: 4s - loss: 0.3230 - acc: 0.8979
33536/60000 [===============>..............] - ETA: 4s - loss: 0.3214 - acc: 0.8985
33920/60000 [===============>..............] - ETA: 4s - loss: 0.3198 - acc: 0.8988
34304/60000 [================>.............] - ETA: 4s - loss: 0.3175 - acc: 0.8995
34688/60000 [================>.............] - ETA: 4s - loss: 0.3164 - acc: 0.9000
35072/60000 [================>.............] - ETA: 4s - loss: 0.3144 - acc: 0.9006
35456/60000 [================>.............] - ETA: 4s - loss: 0.3133 - acc: 0.9011
35840/60000 [================>.............] - ETA: 4s - loss: 0.3115 - acc: 0.9017
36224/60000 [=================>............] - ETA: 4s - loss: 0.3098 - acc: 0.9022
36608/60000 [=================>............] - ETA: 3s - loss: 0.3080 - acc: 0.9028
36992/60000 [=================>............] - ETA: 3s - loss: 0.3063 - acc: 0.9034
37376/60000 [=================>............] - ETA: 3s - loss: 0.3050 - acc: 0.9038
37760/60000 [=================>............] - ETA: 3s - loss: 0.3028 - acc: 0.9044
38144/60000 [==================>...........] - ETA: 3s - loss: 0.3008 - acc: 0.9050
38528/60000 [==================>...........] - ETA: 3s - loss: 0.2996 - acc: 0.9055
38912/60000 [==================>...........] - ETA: 3s - loss: 0.2984 - acc: 0.9058
39296/60000 [==================>...........] - ETA: 3s - loss: 0.2971 - acc: 0.9063
39680/60000 [==================>...........] - ETA: 3s - loss: 0.2962 - acc: 0.9066
40064/60000 [===================>..........] - ETA: 3s - loss: 0.2951 - acc: 0.9070
40448/60000 [===================>..........] - ETA: 3s - loss: 0.2939 - acc: 0.9074
40832/60000 [===================>..........] - ETA: 3s - loss: 0.2930 - acc: 0.9077
41216/60000 [===================>..........] - ETA: 3s - loss: 0.2920 - acc: 0.9081
41600/60000 [===================>..........] - ETA: 3s - loss: 0.2908 - acc: 0.9085
41984/60000 [===================>..........] - ETA: 3s - loss: 0.2894 - acc: 0.9089
42368/60000 [====================>.........] - ETA: 2s - loss: 0.2882 - acc: 0.9094
42752/60000 [====================>.........] - ETA: 2s - loss: 0.2878 - acc: 0.9097
43136/60000 [====================>.........] - ETA: 2s - loss: 0.2866 - acc: 0.9102
43520/60000 [====================>.........] - ETA: 2s - loss: 0.2858 - acc: 0.9104
43904/60000 [====================>.........] - ETA: 2s - loss: 0.2846 - acc: 0.9107
44288/60000 [=====================>........] - ETA: 2s - loss: 0.2840 - acc: 0.9110
44672/60000 [=====================>........] - ETA: 2s - loss: 0.2829 - acc: 0.9113
45056/60000 [=====================>........] - ETA: 2s - loss: 0.2816 - acc: 0.9118
45440/60000 [=====================>........] - ETA: 2s - loss: 0.2800 - acc: 0.9122
45824/60000 [=====================>........] - ETA: 2s - loss: 0.2788 - acc: 0.9126
46208/60000 [======================>.......] - ETA: 2s - loss: 0.2780 - acc: 0.9129
46592/60000 [======================>.......] - ETA: 2s - loss: 0.2771 - acc: 0.9133
46976/60000 [======================>.......] - ETA: 2s - loss: 0.2760 - acc: 0.9136
47360/60000 [======================>.......] - ETA: 2s - loss: 0.2751 - acc: 0.9139
47744/60000 [======================>.......] - ETA: 2s - loss: 0.2741 - acc: 0.9143
48128/60000 [=======================>......] - ETA: 1s - loss: 0.2733 - acc: 0.9145
48512/60000 [=======================>......] - ETA: 1s - loss: 0.2722 - acc: 0.9149
48896/60000 [=======================>......] - ETA: 1s - loss: 0.2711 - acc: 0.9152
49280/60000 [=======================>......] - ETA: 1s - loss: 0.2704 - acc: 0.9154
49664/60000 [=======================>......] - ETA: 1s - loss: 0.2690 - acc: 0.9158
50048/60000 [========================>.....] - ETA: 1s - loss: 0.2681 - acc: 0.9161
50432/60000 [========================>.....] - ETA: 1s - loss: 0.2672 - acc: 0.9165
50816/60000 [========================>.....] - ETA: 1s - loss: 0.2663 - acc: 0.9168
51200/60000 [========================>.....] - ETA: 1s - loss: 0.2654 - acc: 0.9171
51584/60000 [========================>.....] - ETA: 1s - loss: 0.2646 - acc: 0.9174
51968/60000 [========================>.....] - ETA: 1s - loss: 0.2641 - acc: 0.9176
52352/60000 [=========================>....] - ETA: 1s - loss: 0.2627 - acc: 0.9181
52736/60000 [=========================>....] - ETA: 1s - loss: 0.2616 - acc: 0.9184
53120/60000 [=========================>....] - ETA: 1s - loss: 0.2606 - acc: 0.9188
53504/60000 [=========================>....] - ETA: 1s - loss: 0.2596 - acc: 0.9191
53888/60000 [=========================>....] - ETA: 1s - loss: 0.2587 - acc: 0.9194
54272/60000 [==========================>...] - ETA: 0s - loss: 0.2576 - acc: 0.9197
54656/60000 [==========================>...] - ETA: 0s - loss: 0.2571 - acc: 0.9200
55040/60000 [==========================>...] - ETA: 0s - loss: 0.2560 - acc: 0.9203
55424/60000 [==========================>...] - ETA: 0s - loss: 0.2551 - acc: 0.9206
55808/60000 [==========================>...] - ETA: 0s - loss: 0.2543 - acc: 0.9209
56192/60000 [===========================>..] - ETA: 0s - loss: 0.2534 - acc: 0.9212
56576/60000 [===========================>..] - ETA: 0s - loss: 0.2527 - acc: 0.9214
56960/60000 [===========================>..] - ETA: 0s - loss: 0.2520 - acc: 0.9217
57344/60000 [===========================>..] - ETA: 0s - loss: 0.2514 - acc: 0.9218
57728/60000 [===========================>..] - ETA: 0s - loss: 0.2506 - acc: 0.9220
58112/60000 [============================>.] - ETA: 0s - loss: 0.2497 - acc: 0.9223
58496/60000 [============================>.] - ETA: 0s - loss: 0.2490 - acc: 0.9224
58880/60000 [============================>.] - ETA: 0s - loss: 0.2485 - acc: 0.9227
59264/60000 [============================>.] - ETA: 0s - loss: 0.2475 - acc: 0.9230
59648/60000 [============================>.] - ETA: 0s - loss: 0.2470 - acc: 0.9232
60000/60000 [==============================] - 10s 173us/step - loss: 0.2465 - acc: 0.9234 - val_loss: 0.1060 - val_acc: 0.9671
Epoch 2/20

  128/60000 [..............................] - ETA: 9s - loss: 0.0739 - acc: 0.9766
  512/60000 [..............................] - ETA: 9s - loss: 0.0777 - acc: 0.9766
  896/60000 [..............................] - ETA: 9s - loss: 0.0915 - acc: 0.9688
 
58880/60000 [============================>.] - ETA: 0s - loss: 0.0166 - acc: 0.9956
59264/60000 [============================>.] - ETA: 0s - loss: 0.0165 - acc: 0.9956
59648/60000 [============================>.] - ETA: 0s - loss: 0.0165 - acc: 0.9956
60000/60000 [==============================] - 10s 162us/step - loss: 0.0164 - acc: 0.9957 - val_loss: 0.1177 - val_acc: 0.9824
Test loss: 0.117675279252
Test accuracy: 0.9824

Process finished with exit code 0

Keras详细介绍

英文：https://keras.io/

中文：http://keras-cn.readthedocs.io/en/latest/

实例下载

https://github.com/keras-team/keras

https://github.com/keras-team/keras/tree/master/examples

完整项目下载

方便没积分童鞋，请加企鹅452205574，共享文件夹。

包括：代码、数据集合（图片）、已生成model、安装库文件等。

机器学习与深度学习间关系与区别 ℒℴѵℯ心·动ꦿ໊ོ꫞ 人工智能学习深度学习 python
一、机器学习概述定义机器学习（MachineLearning,ML）是一种通过数据驱动的方法，利用统计学和计算算法来训练模型，使计算机能够从数据中学习并自动进行预测或决策。机器学习通过分析大量数据样本，识别其中的模式和规律，从而对新的数据进行判断。其核心在于通过训练过程，让模型不断优化和提升其预测准确性。主要类型1.监督学习（SupervisedLearning）监督学习是指在训练数据集中包含输入
理解Gunicorn：Python WSGI服务器的基石范范0825 ipython linux 运维
理解Gunicorn：PythonWSGI服务器的基石介绍Gunicorn，全称GreenUnicorn，是一个为PythonWSGI（WebServerGatewayInterface）应用设计的高效、轻量级HTTP服务器。作为PythonWeb应用部署的常用工具，Gunicorn以其高性能和易用性著称。本文将介绍Gunicorn的基本概念、安装和配置，帮助初学者快速上手。1.什么是Gunico
Python数据分析与可视化实战指南 William数据分析 python python 数据
在数据驱动的时代，Python因其简洁的语法、强大的库生态系统以及活跃的社区，成为了数据分析与可视化的首选语言。本文将通过一个详细的案例，带领大家学习如何使用Python进行数据分析，并通过可视化来直观呈现分析结果。一、环境准备1.1安装必要库在开始数据分析和可视化之前，我们需要安装一些常用的库。主要包括pandas、numpy、matplotlib和seaborn等。这些库分别用于数据处理、数学
python os.environ 江湖偌大 python 深度学习
os.environ['TF_CPP_MIN_LOG_LEVEL']='0'#默认值，输出所有信息os.environ['TF_CPP_MIN_LOG_LEVEL']='1'#屏蔽通知信息（INFO）os.environ['TF_CPP_MIN_LOG_LEVEL']='2'#屏蔽通知信息和警告信息（INFO\WARNING）os.environ['TF_CPP_MIN_LOG_LEVEL']='
Python中os.environ基本介绍及使用方法鹤冲天Pro #Python python 服务器开发语言
文章目录python中os.environos.environ简介os.environ进行环境变量的增删改查python中os.environ的使用详解1.简介2.key字段详解2.1常见key字段3.os.environ.get()用法4.环境变量的增删改查和判断是否存在4.1新增环境变量4.2更新环境变量4.3获取环境变量4.4删除环境变量4.5判断环境变量是否存在python中os.envi
Pyecharts数据可视化大屏：打造沉浸式数据分析体验我的运维人生信息可视化数据分析数据挖掘运维开发技术共享
Pyecharts数据可视化大屏：打造沉浸式数据分析体验在当今这个数据驱动的时代，如何将海量数据以直观、生动的方式展现出来，成为了数据分析师和企业决策者关注的焦点。Pyecharts，作为一款基于Python的开源数据可视化库，凭借其丰富的图表类型、灵活的配置选项以及高度的定制化能力，成为了构建数据可视化大屏的理想选择。本文将深入探讨如何利用Pyecharts打造数据可视化大屏，并通过实际代码案例
Python教程：一文了解使用Python处理XPath 旦莫 Python进阶 python 开发语言
目录1.环境准备1.1安装lxml1.2验证安装2.XPath基础2.1什么是XPath？2.2XPath语法2.3示例XML文档3.使用lxml解析XML3.1解析XML文档3.2查看解析结果4.XPath查询4.1基本路径查询4.2使用属性查询4.3查询多个节点5.XPath的高级用法5.1使用逻辑运算符5.2使用函数6.实战案例6.1从网页抓取数据6.1.1安装Requests库6.1.2代
python os.environ_python os.environ 读取和设置环境变量 weixin_39605414 python os.environ
>>>importos>>>os.environ.keys()['LC_NUMERIC','GOPATH','GOROOT','GOBIN','LESSOPEN','SSH_CLIENT','LOGNAME','USER','HOME','LC_PAPER','PATH','DISPLAY','LANG','TERM','SHELL','J2REDIR','LC_MONETARY','QT_QPA
将cmd中命令输出保存为txt文本文件落难Coder Windows cmd window
最近深度学习本地的训练中我们常常要在命令行中运行自己的代码，无可厚非，我们有必要保存我们的炼丹结果，但是复制命令行输出到txt是非常麻烦的，其实Windows下的命令行为我们提供了相应的操作。其基本的调用格式就是：运行指令>输出到的文件名称或者具体保存路径测试下，我打开cmd并且ping一下百度：pingwww.baidu.com>./data.txt看下相同目录下data.txt的输出：如果你再
探索OpenAI和LangChain的适配器集成：轻松切换模型提供商 nseejrukjhad langchain easyui 前端 python
#探索OpenAI和LangChain的适配器集成：轻松切换模型提供商##引言在人工智能和自然语言处理的世界中，OpenAI的模型提供了强大的能力。然而，随着技术的发展，许多人开始探索其他模型以满足特定需求。LangChain作为一个强大的工具，集成了多种模型提供商，通过提供适配器，简化了不同模型之间的转换。本篇文章将介绍如何使用LangChain的适配器与OpenAI集成，以便轻松切换模型提供商
使用Faiss进行高效相似度搜索 llzwxh888 faiss python
在现代AI应用中，快速和高效的相似度搜索是至关重要的。Faiss（FacebookAISimilaritySearch）是一个专门用于快速相似度搜索和聚类的库，特别适用于高维向量。本文将介绍如何使用Faiss来进行相似度搜索，并结合Python代码演示其基本用法。什么是Faiss？Faiss是一个由FacebookAIResearch团队开发的开源库，主要用于高维向量的相似性搜索和聚类。Faiss
python是什么意思中文-在python中%是什么意思编程大乐趣
Python中%有两种：1、数值运算：%代表取模，返回除法的余数。如：>>>7%212、%操作符（字符串格式化，stringformatting），说明如下：%[(name)][flags][width].[precision]typecode(name)为命名flags可以有+，-，''或0。+表示右对齐。-表示左对齐。''为一个空格，表示在正数的左侧填充一个空格，从而与负数对齐。0表示使用0填
深入理解 MultiQueryRetriever：提升向量数据库检索效果的强大工具 nseejrukjhad 数据库 python
深入理解MultiQueryRetriever：提升向量数据库检索效果的强大工具引言在人工智能和自然语言处理领域，高效准确的信息检索一直是一个关键挑战。传统的基于距离的向量数据库检索方法虽然广泛应用，但仍存在一些局限性。本文将介绍一种创新的解决方案：MultiQueryRetriever，它通过自动生成多个查询视角来增强检索效果，提高结果的相关性和多样性。MultiQueryRetriever的工
Day1笔记-Python简介&标识符和关键字&输入输出 ~在杰难逃~ Python python 开发语言大数据数据分析数据挖掘
大家好，从今天开始呢，杰哥开展一个新的专栏，当然，数据分析部分也会不定时更新的，这个新的专栏主要是讲解一些Python的基础语法和知识，帮助0基础的小伙伴入门和学习Python，感兴趣的小伙伴可以开始认真学习啦！一、Python简介【了解】1.计算机工作原理编程语言就是用来定义计算机程序的形式语言。我们通过编程语言来编写程序代码，再通过语言处理程序执行向计算机发送指令，让计算机完成对应的工作，编程
python八股文面试题分享及解析(1) Shawn________ python
#1.'''a=1b=2不用中间变量交换a和b'''#1.a=1b=2a,b=b,aprint(a)print(b)结果：21#2.ll=[]foriinrange(3):ll.append({'num':i})print(11)结果:#[{'num':0},{'num':1},{'num':2}]#3.kk=[]a={'num':0}foriinrange(3):#0,12#可变类型，不仅仅改变
人工智能时代，程序员如何保持核心竞争力？ jmoych 人工智能
随着AIGC（如chatgpt、midjourney、claude等）大语言模型接二连三的涌现，AI辅助编程工具日益普及，程序员的工作方式正在发生深刻变革。有人担心AI可能取代部分编程工作，也有人认为AI是提高效率的得力助手。面对这一趋势,程序员应该如何应对?是专注于某个领域深耕细作，还是广泛学习以适应快速变化的技术环境?又或者，我们是否应该将重点转向AI无法轻易替代的软技能？让我们一起探讨程序员
每日算法&面试题，大厂特训二十八天——第二十天（树）肥学 ⚡算法题⚡面试题每日精进 java 算法数据结构
目录标题导读算法特训二十八天面试题点击直接资料领取导读肥友们为了更好的去帮助新同学适应算法和面试题，最近我们开始进行专项突击一步一步来。上一期我们完成了动态规划二十一天现在我们进行下一项对各类算法进行二十八天的一个小总结。还在等什么快来一起肥学进行二十八天挑战吧！！特别介绍小白练手专栏，适合刚入手的新人欢迎订阅编程小白进阶python有趣练手项目里面包括了像《机器人尬聊》《恶搞程序》这样的有趣文章
Python快速入门 —— 第三节：类与对象孤华暗香 Python快速入门 python 开发语言
第三节：类与对象目标：了解面向对象编程的基础概念，并学会如何定义类和创建对象。内容：类与对象：定义类：class关键字。类的构造函数：__init__()。类的属性和方法。对象的创建与使用。示例：classStudent:def__init__(self,name,age,major):self.name&#
pyecharts——绘制柱形图折线图 2224070247 信息可视化 python java 数据可视化
一、pyecharts概述自2013年6月百度EFE(ExcellentFrontEnd）数据可视化团队研发的ECharts1.0发布到GitHub网站以来，ECharts一直备受业界权威的关注并获得广泛好评，成为目前成熟且流行的数据可视化图表工具，被应用到诸多数据可视化的开发领域。Python作为数据分析领域最受欢迎的语言，也加入ECharts的使用行列，并研发出方便Python开发者使用的数据
Python 实现图片裁剪（附代码） | Python工具剑客阿良_ALiang
前言本文提供将图片按照自定义尺寸进行裁剪的工具方法，一如既往的实用主义。环境依赖ffmpeg环境安装，可以参考我的另一篇文章：windowsffmpeg安装部署_阿良的博客-CSDN博客本文主要使用到的不是ffmpeg，而是ffprobe也在上面这篇文章中的zip包中。ffmpy安装：pipinstallffmpy-ihttps://pypi.douban.com/simple代码不废话了，上代码
【华为OD技术面试真题 - 技术面】- python八股文真题题库（4) 算法大师华为od 面试 python
华为OD面试真题精选专栏：华为OD面试真题精选目录:2024华为OD面试手撕代码真题目录以及八股文真题目录文章目录华为OD面试真题精选**1.Python中的`with`**用途和功能自动资源管理示例：文件操作上下文管理协议示例代码工作流程解析优点2.\_\_new\_\_和**\_\_init\_\_**区别__new____init__区别总结3.**切片（Slicing）操作**基本切片语法
python os 环境变量 CV矿工 python 开发语言 numpy
环境变量：环境变量是程序和操作系统之间的通信方式。有些字符不宜明文写进代码里，比如数据库密码，个人账户密码，如果写进自己本机的环境变量里，程序用的时候通过os.environ.get（）取出来就行了。os.environ是一个环境变量的字典。环境变量的相关操作importos"""设置/修改环境变量：os.environ[‘环境变量名称’]=‘环境变量值’#其中key和value均为string类
Python爬虫解析工具之xpath使用详解 eqa11 python 爬虫开发语言
文章目录Python爬虫解析工具之xpath使用详解一、引言二、环境准备1、插件安装2、依赖库安装三、xpath语法详解1、路径表达式2、通配符3、谓语4、常用函数四、xpath在Python代码中的使用1、文档树的创建2、使用xpath表达式3、获取元素内容和属性五、总结Python爬虫解析工具之xpath使用详解一、引言在Python爬虫开发中，数据提取是一个至关重要的环节。xpath作为一门
【华为OD技术面试真题 - 技术面】- python八股文真题题库（1）算法大师华为od 面试 python
华为OD面试真题精选专栏：华为OD面试真题精选目录:2024华为OD面试手撕代码真题目录以及八股文真题目录文章目录华为OD面试真题精选1.数据预处理流程数据预处理的主要步骤工具和库2.介绍线性回归、逻辑回归模型线性回归（LinearRegression）模型形式：关键点：逻辑回归（LogisticRegression）模型形式：关键点：参数估计与评估：3.python浅拷贝及深拷贝浅拷贝（Shal
数字里的世界17期：2021年全球10大顶级数据中心，中国移动榜首张三叨
你知道吗？2016年，全球的数据中心共计用电4160亿千瓦时，比整个英国的发电量还多40％！前言每天，我们都会创造超过250万TB的数据。并且随着物联网（IOT）的不断普及，这一数据将持续增长。如此庞大的数据被存储在被称为“数据中心”的专用设施中。虽然最早的数据中心建于20世纪40年代，但直到1997-2000年的互联网泡沫期间才逐渐成为主流。当前人类的技术，比如人工智能和机器学习，已经将我们推向
nosql数据库技术与应用知识点皆过客，揽星河 NoSQL nosql 数据库大数据数据分析数据结构非关系型数据库
Nosql知识回顾大数据处理流程数据采集(flume、爬虫、传感器)数据存储(本门课程NoSQL所处的阶段)Hdfs、MongoDB、HBase等数据清洗(入仓)Hive等数据处理、分析(Spark、Flink等)数据可视化数据挖掘、机器学习应用(Python、SparkMLlib等)大数据时代存储的挑战(三高)高并发(同一时间很多人访问)高扩展(要求随时根据需求扩展存储)高效率(要求读写速度快)
《Python数据分析实战终极指南》 xjt921122 python 数据分析开发语言
对于分析师来说，大家在学习Python数据分析的路上，多多少少都遇到过很多大坑**，有关于技能和思维的**：Excel已经没办法处理现有的数据量了，应该学Python吗？找了一大堆Python和Pandas的资料来学习，为什么自己动手就懵了？跟着比赛类公开数据分析案例练了很久，为什么当自己面对数据需求还是只会数据处理而没有分析思路？学了对比、细分、聚类分析，也会用PEST、波特五力这类分析法，为啥
Python中深拷贝与浅拷贝的区别 yuxiaoyu.
转自：http://blog.csdn.net/u014745194/article/details/70271868定义：在Python中对象的赋值其实就是对象的引用。当创建一个对象，把它赋值给另一个变量的时候，python并没有拷贝这个对象，只是拷贝了这个对象的引用而已。浅拷贝：拷贝了最外围的对象本身，内部的元素都只是拷贝了一个引用而已。也就是，把对象复制一遍，但是该对象中引用的其他对象我不复
Python开发常用的三方模块如下：换个网名有点难 python 开发语言
Python是一门功能强大的编程语言，拥有丰富的第三方库，这些库为开发者提供了极大的便利。以下是100个常用的Python库，涵盖了多个领域：1、NumPy，用于科学计算的基础库。2、Pandas，提供数据结构和数据分析工具。3、Matplotlib，一个绘图库。4、Scikit-learn，机器学习库。5、SciPy，用于数学、科学和工程的库。6、TensorFlow，由Google开发的开源机
Python编译器鹿鹿~ Python编译器 Python python 开发语言后端
嘿嘿嘿我又来了啊有些小盆友可能不知道Python其实是有编译器的，也就是PyCharm。你们可能会问到这个是干嘛的又不可以吃也不可以穿好像没有什么用，其实你还说对了这个还真的不可以吃也不可以穿，但是它用来干嘛的呢。用来编译你所打出的代码进行运行（可能这里说的有点不对但是只是个人认为）现在我们来说说PyCharm是用来干嘛的。PyCharm是一种PythonIDE，带有一整套可以帮助用户在使用Pyt
多线程编程之join()方法周凡杨 java JOIN 多线程编程线程
现实生活中，有些工作是需要团队中成员依次完成的，这就涉及到了一个顺序问题。现在有T1、T2、T3三个工人，如何保证T2在T1执行完后执行，T3在T2执行完后执行？问题分析：首先问题中有三个实体，T1、T2、T3，因为是多线程编程，所以都要设计成线程类。关键是怎么保证线程能依次执行完呢？ Java实现过程如下： public class T1 implements Runnabl
java中switch的使用 bingyingao java enum break continue
java中的switch仅支持case条件仅支持int、enum两种类型。用enum的时候，不能直接写下列形式。 switch (timeType) { case ProdtransTimeTypeEnum.DAILY: break; default: br
hive having count 不能去重 daizj hive 去重 having count 计数
hive在使用having count()是，不支持去重计数 hive (default)> select imei from t_test_phonenum where ds=20150701 group by imei having count(distinct phone_num)>1 limit 10; FAILED: SemanticExcep
WebSphere对JSP的缓存周凡杨 WAS JSP 缓存
对于线网上的工程，更新JSP到WebSphere后，有时会出现修改的jsp没有起作用，特别是改变了某jsp的样式后，在页面中没看到效果，这主要就是由于websphere中缓存的缘故，这就要清除WebSphere中jsp缓存。要清除WebSphere中JSP的缓存，就要找到WAS安装后的根目录。现服务
设计模式总结朱辉辉33 java 设计模式
1.工厂模式 1.1 工厂方法模式 (由一个工厂类管理构造方法) 1.1.1普通工厂模式(一个工厂类中只有一个方法) 1.1.2多工厂模式(一个工厂类中有多个方法) 1.1.3静态工厂模式(将工厂类中的方法变成静态方法) &n
实例：供应商管理报表需求调研报告老A不折腾 finereport 报表系统报表软件信息化选型
引言随着企业集团的生产规模扩张，为支撑全球供应链管理，对于供应商的管理和采购过程的监控已经不局限于简单的交付以及价格的管理，目前采购及供应商管理各个环节的操作分别在不同的系统下进行，而各个数据源都独立存在，无法提供统一的数据支持；因此，为了实现对于数据分析以提供采购决策，建立报表体系成为必须。业务目标 1、通过报表为采购决策提供数据分析与支撑 2、对供应商进行综合评估以及管理，合理管理和
mysql 林鹤霄
转载源：http://blog.sina.com.cn/s/blog_4f925fc30100rx5l.html mysql -uroot -p ERROR 1045 (28000): Access denied for user 'root'@'localhost' (using password: YES) [root@centos var]# service mysql
Linux下多线程堆栈查看工具(pstree、ps、pstack) aigo linux
原文：http://blog.csdn.net/yfkiss/article/details/6729364 1. pstree pstree以树结构显示进程$ pstree -p work | grep adsshd(22669)---bash(22670)---ad_preprocess(4551)-+-{ad_preprocess}(4552) &n
html input与textarea 值改变事件 alxw4616 JavaScript
// 文本输入框(input) 文本域(textarea)值改变事件 // onpropertychange(IE) oninput(w3c) $('input,textarea').on('propertychange input', function(event) { console.log($(this).val()) });
String类的基本用法百合不是茶 String
字符串的用法; // 根据字节数组创建字符串 byte[] by = { 'a', 'b', 'c', 'd' }; String newByteString = new String(by); 1,length() 获取字符串的长度 &nbs
JDK1.5 Semaphore实例 bijian1013 java thread java多线程 Semaphore
Semaphore类一个计数信号量。从概念上讲，信号量维护了一个许可集合。如有必要，在许可可用前会阻塞每一个 acquire()，然后再获取该许可。每个 release() 添加一个许可，从而可能释放一个正在阻塞的获取者。但是，不使用实际的许可对象，Semaphore 只对可用许可的号码进行计数，并采取相应的行动。 S
使用GZip来压缩传输量 bijian1013 java GZip
启动GZip压缩要用到一个开源的Filter：PJL Compressing Filter。这个Filter自1.5.0开始该工程开始构建于JDK5.0，因此在JDK1.4环境下只能使用1.4.6。 PJL Compressi
【Java范型三】Java范型详解之范型类型通配符 bit1129 java
定义如下一个简单的范型类， package com.tom.lang.generics; public class Generics<T> { private T value; public Generics(T value) { this.value = value; } }
【Hadoop十二】HDFS常用命令 bit1129 hadoop
1. 修改日志文件查看器 hdfs oev -i edits_0000000000000000081-0000000000000000089 -o edits.xml cat edits.xml 修改日志文件转储为xml格式的edits.xml文件，其中每条RECORD就是一个操作事务日志 2. fsimage查看HDFS中的块信息等 &nb
怎样区别nginx中rewrite时break和last ronin47
在使用nginx配置rewrite中经常会遇到有的地方用last并不能工作，换成break就可以，其中的原理是对于根目录的理解有所区别，按我的测试结果大致是这样的。 location / { proxy_pass http://test;
java-21.中兴面试题输入两个整数 n 和 m ，从数列 1 ， 2 ， 3.......n 中随意取几个数 , 使其和等于 m bylijinnan java
import java.util.ArrayList; import java.util.List; import java.util.Stack; public class CombinationToSum { /* 第21 题 2010 年中兴面试题编程求解：输入两个整数 n 和 m ，从数列 1 ， 2 ， 3.......n 中随意取几个数 , 使其和等
eclipse svn 帐号密码修改问题开窍的石头 eclipse SVN svn帐号密码修改
问题描述： Eclipse的SVN插件Subclipse做得很好，在svn操作方面提供了很强大丰富的功能。但到目前为止，该插件对svn用户的概念极为淡薄，不但不能方便地切换用户，而且一旦用户的帐号、密码保存之后，就无法再变更了。解决思路：删除subclipse记录的帐号、密码信息，重新输入
[电子商务]传统商务活动与互联网的结合 comsci 电子商务
某一个传统名牌产品，过去销售的地点就在某些特定的地区和阶层，现在进入互联网之后，用户的数量群突然扩大了无数倍，但是，这种产品潜在的劣势也被放大了无数倍，这种销售利润与经营风险同步放大的效应，在最近几年将会频繁出现。。。。如何避免销售量和利润率增加的
java 解析 properties-使用 Properties-可以指定配置文件路径 cuityang java properties
#mq xdr.mq.url=tcp://192.168.100.15:61618; import java.io.IOException; import java.util.Properties; public class Test { String conf = "log4j.properties"; private static final
Java核心问题集锦 darrenzhu java 基础核心难点
注意，这里的参考文章基本来自Effective Java和jdk源码 1)ConcurrentModificationException 当你用for each遍历一个list时，如果你在循环主体代码中修改list中的元素，将会得到这个Exception，解决的办法是： 1)用listIterator, 它支持在遍历的过程中修改元素， 2)不用listIterator, new一个
1分钟学会Markdown语法 dcj3sjt126com markdown
markdown 简明语法基本符号 *,-,+ 3个符号效果都一样，这3个符号被称为 Markdown符号空白行表示另起一个段落 `是表示inline代码，tab是用来标记代码段，分别对应html的code，pre标签换行单一段落( <p>) 用一个空白行连续两个空格会变成一个 <br> 连续3个符号，然后是空行
Gson使用二（GsonBuilder） eksliang json gson GsonBuilder
转载请出自出处：http://eksliang.iteye.com/blog/2175473 一.概述 GsonBuilder用来定制java跟json之间的转换格式二.基本使用实体测试类：温馨提示：默认情况下@Expose注解是不起作用的,除非你用GsonBuilder创建Gson的时候调用了GsonBuilder.excludeField
报ClassNotFoundException: Didn't find class "...Activity" on path: DexPathList gundumw100 android
有一个工程，本来运行是正常的，我想把它移植到另一台PC上，结果报： java.lang.RuntimeException: Unable to instantiate activity ComponentInfo{com.mobovip.bgr/com.mobovip.bgr.MainActivity}: java.lang.ClassNotFoundException: Didn't f
JavaWeb之JSP指令 ihuning javaweb
要点 JSP指令简介 page指令 include指令 JSP指令简介 JSP指令（directive）是为JSP引擎而设计的，它们并不直接产生任何可见输出，而只是告诉引擎如何处理JSP页面中的其余部分。 JSP指令的基本语法格式： <%@ 指令属性名="
mac上编译FFmpeg跑ios 啸笑天 ffmpeg
1、下载文件：https://github.com/libav/gas-preprocessor，复制gas-preprocessor.pl到/usr/local/bin/下，修改文件权限：chmod 777 /usr/local/bin/gas-preprocessor.pl 2、安装yasm-1.2.0 curl http://www.tortall.net/projects/yasm
sql mysql oracle中字符串连接 macroli oracle sql mysql SQL Server
有的时候，我们有需要将由不同栏位获得的资料串连在一起。每一种资料库都有提供方法来达到这个目的： MySQL: CONCAT() Oracle: CONCAT(), || SQL Server: + CONCAT() 的语法如下： Mysql 中 CONCAT(字串1, 字串2, 字串3, ...): 将字串1、字串2、字串3，等字串连在一起。请注意，Oracle的CON
Git fatal: unab SSL certificate problem: unable to get local issuer ce rtificate qiaolevip 学习永无止境每天进步一点点 git 纵观千象
// 报错如下： $ git pull origin master fatal: unable to access 'https://git.xxx.com/': SSL certificate problem: unable to get local issuer ce rtificate // 原因：由于git最新版默认使用ssl安全验证，但是我们是使用的git未设
windows命令行设置wifi surfingll windows wifi 笔记本wifi
还没有讨厌无线wifi的无尽广告么，还在耐心等待它慢慢启动么教你命令行设置笔记本电脑wifi： 1、开启wifi命令 netsh wlan set hostednetwork mode=allow ssid=surf8 key=bb123456 netsh wlan start hostednetwork pause 其中pause是等待输入，可以去掉 2、
Linux（Ubuntu）下安装sysv-rc-conf wmlJava linux ubuntu sysv-rc-conf
安装：sudo apt-get install sysv-rc-conf 使用：sudo sysv-rc-conf 操作界面十分简洁，你可以用鼠标点击，也可以用键盘方向键定位，用空格键选择，用Ctrl+N翻下一页，用Ctrl+P翻上一页，用Q退出。背景知识 sysv-rc-conf是一个强大的服务管理程序，群众的意见是sysv-rc-conf比chkconf
svn切换环境，重发布应用多了javaee标签前缀 zengshaotao javaee
更换了开发环境，从杭州，改变到了上海。svn的地址肯定要切换的，切换之前需要将原svn自带的.svn文件信息删除，可手动删除，也可通过废弃原来的svn位置提示删除.svn时删除。然后就是按照最新的svn地址和规范建立相关的目录信息，再将原来的纯代码信息上传到新的环境。然后再重新检出，这样每次修改后就可以看到哪些文件被修改过，这对于增量发布的规范特别有用。检出

官网实例详解4.28（mnist_mlp.py）-keras学习笔记四

基于MINIST数据集训练简单的深度多层感知机

你可能感兴趣的:(python,人工智能,深度学习,keras)