希言不吸烟哟
希言不吸烟哟

第R1周：RNN-心脏病预测

  • 本文为365天深度学习训练营 中的学习记录博客
  • 参考文章地址：深度学习100例-循环神经网络（RNN）心脏病预测 | 第46天
  • 作者：K同学啊

要求：

1.本地读取并加载数据。
2.了解循环神经网络（RNN）的构建过程
3.测试集accuracy到达87%

拔高：

1.测试集accuracy到达89%

一.前期准备

1.设置GPU

import tensorflow as tf

gpus = tf.config.list_physical_devices("GPU")

if gpus:
    gpu0 = gpus[0]                                        #如果有多个GPU，仅使用第0个GPU
    tf.config.experimental.set_memory_growth(gpu0, True)  #设置GPU显存用量按需使用
    tf.config.set_visible_devices([gpu0],"GPU")
    
gpus

[PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]

2.导入数据

数据介绍：

● age：1) 年龄

● sex：2) 性别

● cp：3) 胸痛类型 (4 values)

● trestbps：4) 静息血压

● chol：5) 血清胆甾醇 (mg/dl

● fbs：6) 空腹血糖 > 120 mg/dl

● restecg：7) 静息心电图结果 (值 0,1 ,2)

● thalach：8) 达到的最大心率

● exang：9) 运动诱发的心绞痛

● oldpeak：10) 相对于静止状态，运动引起的ST段压低

● slope：11) 运动峰值 ST 段的斜率

● ca：12) 荧光透视着色的主要血管数量 (0-3)

● thal：13) 0 = 正常；1 = 固定缺陷；2 = 可逆转的缺陷

● target：14) 0 = 心脏病发作的几率较小 1 = 心脏病发作的几率更大

import pandas as pd
import numpy as np

df = pd.read_csv("heart.csv")
df.head()
age sex cp trestbps chol fbs restecg thalach exang oldpeak slope ca thal target
0 63 1 3 145 233 1 0 150 0 2.3 0 0 1 1
1 37 1 2 130 250 0 1 187 0 3.5 0 0 2 1
2 41 0 1 130 204 0 0 172 0 1.4 2 0 2 1
3 56 1 1 120 236 0 1 178 0 0.8 2 0 2 1
4 57 0 0 120 354 0 1 163 1 0.6 2 0 2 1

3.检查数据

# 检查是否有空值
df.isnull().sum()

age         0
sex         0
cp          0
trestbps    0
chol        0
fbs         0
restecg     0
thalach     0
exang       0
oldpeak     0
slope       0
ca          0
thal        0
target      0
dtype: int64

二.数据预处理

1.划分训练集与测试集

from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split

X = df.iloc[:,:-1]
y = df.iloc[:,-1]

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.1, random_state = 1)

X_train.shape, y_train.shape

((272, 13), (272,))

2.标准化

# 将每一列特征标准化为标准正太分布，注意，标准化是针对每一列而言的
sc      = StandardScaler()
X_train = sc.fit_transform(X_train)
X_test  = sc.transform(X_test)

X_train = X_train.reshape(X_train.shape[0], X_train.shape[1], 1)
X_test  = X_test.reshape(X_test.shape[0], X_test.shape[1], 1)

三.构建RNN模型

⭐函数原型

tf.keras.layers.SimpleRNN(units,activation=‘tanh’,use_bias=True,kernel_initializer=‘glorot_uniform’,
recurrent_initializer=‘orthogonal’,bias_initializer=‘zeros’,kernel_regularizer=None,recurrent_regularizer=None,bias_regularizer=None,activity_regularizer=None,kernel_constraint=None,recurrent_constraint=None,
bias_constraint=None,dropout=0.0,recurrent_dropout=0.0,return_sequences=False,return_state=False,
go_backwards=False,stateful=False,unroll=False,**kwargs)

关键参数说明

● units: 正整数，输出空间的维度。

● activation: 要使用的激活函数。 默认：双曲正切（tanh）。 如果传入 None，则不使用激活函数 (即 线性激活：a(x) = x)。

● use_bias: 布尔值，该层是否使用偏置向量。

● kernel_initializer: kernel 权值矩阵的初始化器， 用于输入的线性转换 (详见 initializers)。

● recurrent_initializer: recurrent_kernel 权值矩阵 的初始化器，用于循环层状态的线性转换 (详见 initializers)。

● bias_initializer:偏置向量的初始化器 (详见initializers).

● dropout: 在 0 和 1 之间的浮点数。 单元的丢弃比例，用于输入的线性转换。

import tensorflow
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense,LSTM,SimpleRNN

model = Sequential()
model.add(SimpleRNN(200, input_shape= (13,1), activation='relu'))
model.add(Dense(100, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
model.summary()

Model: "sequential_1"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
simple_rnn_1 (SimpleRNN)     (None, 200)               40400     
_________________________________________________________________
dense_2 (Dense)              (None, 100)               20100     
_________________________________________________________________
dense_3 (Dense)              (None, 1)                 101       
=================================================================
Total params: 60,601
Trainable params: 60,601
Non-trainable params: 0
_________________________________________________________________

四.编译模型

opt = tf.keras.optimizers.Adam(learning_rate=1e-4)

model.compile(loss='binary_crossentropy',
              optimizer=opt,
              metrics="accuracy")

from tensorflow.keras.callbacks import ModelCheckpoint

#保存最佳模型参数

checkpointer=ModelCheckpoint('best_model.h5',
                             monitor='val_accuracy',
                             verbose=1,
                             save_best_only=True,
                             save_weights_only=True
                             
)

五.训练模型

epochs = 100

history = model.fit(X_train, y_train, 
                    epochs=epochs, 
                    batch_size=128, 
                    validation_data=(X_test, y_test),
                    verbose=1,
                   callbacks=[checkpointer])

Epoch 1/100
1/3 [=========>....................] - ETA: 0s - loss: 0.6846 - accuracy: 0.6016
Epoch 00001: val_accuracy improved from -inf to 0.87097, saving model to best_model.h5
3/3 [==============================] - 0s 75ms/step - loss: 0.6814 - accuracy: 0.6618 - val_loss: 0.6546 - val_accuracy: 0.8710
Epoch 2/100
1/3 [=========>....................] - ETA: 0s - loss: 0.6734 - accuracy: 0.7500
Epoch 00002: val_accuracy did not improve from 0.87097
3/3 [==============================] - 0s 25ms/step - loss: 0.6714 - accuracy: 0.7390 - val_loss: 0.6392 - val_accuracy: 0.8710
Epoch 3/100
1/3 [=========>....................] - ETA: 0s - loss: 0.6649 - accuracy: 0.7656
Epoch 00003: val_accuracy did not improve from 0.87097
3/3 [==============================] - 0s 25ms/step - loss: 0.6619 - accuracy: 0.7574 - val_loss: 0.6245 - val_accuracy: 0.8710
Epoch 4/100
1/3 [=========>....................] - ETA: 0s - loss: 0.6531 - accuracy: 0.7656
Epoch 00004: val_accuracy did not improve from 0.87097
3/3 [==============================] - 0s 27ms/step - loss: 0.6529 - accuracy: 0.7574 - val_loss: 0.6099 - val_accuracy: 0.8710
Epoch 5/100
1/3 [=========>....................] - ETA: 0s - loss: 0.6531 - accuracy: 0.7266
Epoch 00005: val_accuracy did not improve from 0.87097
3/3 [==============================] - 0s 24ms/step - loss: 0.6441 - accuracy: 0.7647 - val_loss: 0.5951 - val_accuracy: 0.8387
Epoch 6/100
1/3 [=========>....................] - ETA: 0s - loss: 0.6336 - accuracy: 0.7891
Epoch 00006: val_accuracy did not improve from 0.87097
3/3 [==============================] - 0s 23ms/step - loss: 0.6357 - accuracy: 0.7721 - val_loss: 0.5805 - val_accuracy: 0.8387
Epoch 7/100
1/3 [=========>....................] - ETA: 0s - loss: 0.6275 - accuracy: 0.7812
Epoch 00007: val_accuracy did not improve from 0.87097
3/3 [==============================] - 0s 17ms/step - loss: 0.6272 - accuracy: 0.7721 - val_loss: 0.5663 - val_accuracy: 0.8387
Epoch 8/100
1/3 [=========>....................] - ETA: 0s - loss: 0.6124 - accuracy: 0.7812
Epoch 00008: val_accuracy did not improve from 0.87097
3/3 [==============================] - 0s 18ms/step - loss: 0.6187 - accuracy: 0.7757 - val_loss: 0.5517 - val_accuracy: 0.8387
Epoch 9/100
1/3 [=========>....................] - ETA: 0s - loss: 0.6114 - accuracy: 0.7812
Epoch 00009: val_accuracy did not improve from 0.87097
3/3 [==============================] - 0s 16ms/step - loss: 0.6097 - accuracy: 0.7721 - val_loss: 0.5371 - val_accuracy: 0.8387
Epoch 10/100
1/3 [=========>....................] - ETA: 0s - loss: 0.5947 - accuracy: 0.8203
Epoch 00010: val_accuracy did not improve from 0.87097
3/3 [==============================] - 0s 18ms/step - loss: 0.6005 - accuracy: 0.7684 - val_loss: 0.5223 - val_accuracy: 0.8387
Epoch 11/100
1/3 [=========>....................] - ETA: 0s - loss: 0.5712 - accuracy: 0.8359
Epoch 00011: val_accuracy did not improve from 0.87097
3/3 [==============================] - 0s 15ms/step - loss: 0.5914 - accuracy: 0.7757 - val_loss: 0.5068 - val_accuracy: 0.8387
Epoch 12/100
1/3 [=========>....................] - ETA: 0s - loss: 0.5737 - accuracy: 0.7969
Epoch 00012: val_accuracy did not improve from 0.87097
3/3 [==============================] - 0s 18ms/step - loss: 0.5811 - accuracy: 0.7831 - val_loss: 0.4918 - val_accuracy: 0.8065
Epoch 13/100
1/3 [=========>....................] - ETA: 0s - loss: 0.5675 - accuracy: 0.7969
Epoch 00013: val_accuracy did not improve from 0.87097
3/3 [==============================] - 0s 16ms/step - loss: 0.5711 - accuracy: 0.7868 - val_loss: 0.4760 - val_accuracy: 0.8710
Epoch 14/100
1/3 [=========>....................] - ETA: 0s - loss: 0.5722 - accuracy: 0.7812
Epoch 00014: val_accuracy did not improve from 0.87097
3/3 [==============================] - 0s 14ms/step - loss: 0.5602 - accuracy: 0.7868 - val_loss: 0.4589 - val_accuracy: 0.8710
Epoch 15/100
1/3 [=========>....................] - ETA: 0s - loss: 0.5525 - accuracy: 0.7656
Epoch 00015: val_accuracy did not improve from 0.87097
3/3 [==============================] - 0s 16ms/step - loss: 0.5486 - accuracy: 0.7868 - val_loss: 0.4405 - val_accuracy: 0.8710
Epoch 16/100
1/3 [=========>....................] - ETA: 0s - loss: 0.5496 - accuracy: 0.7734
Epoch 00016: val_accuracy did not improve from 0.87097
3/3 [==============================] - 0s 12ms/step - loss: 0.5360 - accuracy: 0.7978 - val_loss: 0.4203 - val_accuracy: 0.8710
Epoch 17/100
1/3 [=========>....................] - ETA: 0s - loss: 0.5248 - accuracy: 0.7969
Epoch 00017: val_accuracy did not improve from 0.87097
3/3 [==============================] - 0s 18ms/step - loss: 0.5230 - accuracy: 0.7978 - val_loss: 0.3988 - val_accuracy: 0.8710
Epoch 18/100
1/3 [=========>....................] - ETA: 0s - loss: 0.5185 - accuracy: 0.8047
Epoch 00018: val_accuracy did not improve from 0.87097
3/3 [==============================] - 0s 20ms/step - loss: 0.5078 - accuracy: 0.8088 - val_loss: 0.3764 - val_accuracy: 0.8710
Epoch 19/100
1/3 [=========>....................] - ETA: 0s - loss: 0.5054 - accuracy: 0.7734
Epoch 00019: val_accuracy did not improve from 0.87097
3/3 [==============================] - 0s 19ms/step - loss: 0.4927 - accuracy: 0.7941 - val_loss: 0.3547 - val_accuracy: 0.8710
Epoch 20/100
1/3 [=========>....................] - ETA: 0s - loss: 0.4773 - accuracy: 0.7891
Epoch 00020: val_accuracy did not improve from 0.87097
3/3 [==============================] - 0s 20ms/step - loss: 0.4780 - accuracy: 0.7978 - val_loss: 0.3330 - val_accuracy: 0.8387
Epoch 21/100
1/3 [=========>....................] - ETA: 0s - loss: 0.4849 - accuracy: 0.7734
Epoch 00021: val_accuracy did not improve from 0.87097
3/3 [==============================] - 0s 15ms/step - loss: 0.4645 - accuracy: 0.8051 - val_loss: 0.3120 - val_accuracy: 0.8387
Epoch 22/100
1/3 [=========>....................] - ETA: 0s - loss: 0.4734 - accuracy: 0.7656
Epoch 00022: val_accuracy did not improve from 0.87097
3/3 [==============================] - 0s 13ms/step - loss: 0.4515 - accuracy: 0.8088 - val_loss: 0.2943 - val_accuracy: 0.8387
Epoch 23/100
1/3 [=========>....................] - ETA: 0s - loss: 0.4143 - accuracy: 0.8281
Epoch 00023: val_accuracy did not improve from 0.87097
3/3 [==============================] - 0s 14ms/step - loss: 0.4425 - accuracy: 0.8162 - val_loss: 0.2824 - val_accuracy: 0.8710
Epoch 24/100
1/3 [=========>....................] - ETA: 0s - loss: 0.4150 - accuracy: 0.8516
Epoch 00024: val_accuracy improved from 0.87097 to 0.90323, saving model to best_model.h5
3/3 [==============================] - 0s 19ms/step - loss: 0.4347 - accuracy: 0.8088 - val_loss: 0.2752 - val_accuracy: 0.9032
Epoch 25/100
1/3 [=========>....................] - ETA: 0s - loss: 0.4011 - accuracy: 0.8359
Epoch 00025: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 14ms/step - loss: 0.4298 - accuracy: 0.8125 - val_loss: 0.2680 - val_accuracy: 0.9032
Epoch 26/100
1/3 [=========>....................] - ETA: 0s - loss: 0.3838 - accuracy: 0.8281
Epoch 00026: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 16ms/step - loss: 0.4225 - accuracy: 0.8162 - val_loss: 0.2622 - val_accuracy: 0.8710
Epoch 27/100
1/3 [=========>....................] - ETA: 0s - loss: 0.4491 - accuracy: 0.7812
Epoch 00027: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 18ms/step - loss: 0.4161 - accuracy: 0.8051 - val_loss: 0.2588 - val_accuracy: 0.8387
Epoch 28/100
1/3 [=========>....................] - ETA: 0s - loss: 0.4063 - accuracy: 0.8047
Epoch 00028: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 20ms/step - loss: 0.4118 - accuracy: 0.8088 - val_loss: 0.2570 - val_accuracy: 0.8387
Epoch 29/100
1/3 [=========>....................] - ETA: 0s - loss: 0.3714 - accuracy: 0.8125
Epoch 00029: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 20ms/step - loss: 0.4081 - accuracy: 0.8125 - val_loss: 0.2579 - val_accuracy: 0.8387
Epoch 30/100
1/3 [=========>....................] - ETA: 0s - loss: 0.3850 - accuracy: 0.8438
Epoch 00030: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 20ms/step - loss: 0.4068 - accuracy: 0.8125 - val_loss: 0.2601 - val_accuracy: 0.8387
Epoch 31/100
1/3 [=========>....................] - ETA: 0s - loss: 0.4048 - accuracy: 0.8203
Epoch 00031: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 21ms/step - loss: 0.4059 - accuracy: 0.8125 - val_loss: 0.2601 - val_accuracy: 0.8387
Epoch 32/100
1/3 [=========>....................] - ETA: 0s - loss: 0.4111 - accuracy: 0.7969
Epoch 00032: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 21ms/step - loss: 0.3999 - accuracy: 0.8162 - val_loss: 0.2581 - val_accuracy: 0.8387
Epoch 33/100
1/3 [=========>....................] - ETA: 0s - loss: 0.4208 - accuracy: 0.8125
Epoch 00033: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 19ms/step - loss: 0.3943 - accuracy: 0.8272 - val_loss: 0.2573 - val_accuracy: 0.8710
Epoch 34/100
1/3 [=========>....................] - ETA: 0s - loss: 0.3998 - accuracy: 0.8359
Epoch 00034: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 19ms/step - loss: 0.3922 - accuracy: 0.8346 - val_loss: 0.2570 - val_accuracy: 0.9032
Epoch 35/100
1/3 [=========>....................] - ETA: 0s - loss: 0.3938 - accuracy: 0.8203
Epoch 00035: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 17ms/step - loss: 0.3904 - accuracy: 0.8346 - val_loss: 0.2546 - val_accuracy: 0.9032
Epoch 36/100
1/3 [=========>....................] - ETA: 0s - loss: 0.3135 - accuracy: 0.8906
Epoch 00036: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 15ms/step - loss: 0.3864 - accuracy: 0.8346 - val_loss: 0.2505 - val_accuracy: 0.9032
Epoch 37/100
1/3 [=========>....................] - ETA: 0s - loss: 0.3499 - accuracy: 0.8516
Epoch 00037: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 12ms/step - loss: 0.3818 - accuracy: 0.8382 - val_loss: 0.2468 - val_accuracy: 0.8710
Epoch 38/100
1/3 [=========>....................] - ETA: 0s - loss: 0.3721 - accuracy: 0.8203
Epoch 00038: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 13ms/step - loss: 0.3798 - accuracy: 0.8309 - val_loss: 0.2448 - val_accuracy: 0.8710
Epoch 39/100
1/3 [=========>....................] - ETA: 0s - loss: 0.4043 - accuracy: 0.8125
Epoch 00039: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 13ms/step - loss: 0.3796 - accuracy: 0.8309 - val_loss: 0.2449 - val_accuracy: 0.8710
Epoch 40/100
1/3 [=========>....................] - ETA: 0s - loss: 0.3250 - accuracy: 0.8516
Epoch 00040: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 16ms/step - loss: 0.3773 - accuracy: 0.8272 - val_loss: 0.2455 - val_accuracy: 0.8710
Epoch 41/100
1/3 [=========>....................] - ETA: 0s - loss: 0.3971 - accuracy: 0.8359
Epoch 00041: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 18ms/step - loss: 0.3729 - accuracy: 0.8346 - val_loss: 0.2469 - val_accuracy: 0.8710
Epoch 42/100
1/3 [=========>....................] - ETA: 0s - loss: 0.3976 - accuracy: 0.8359
Epoch 00042: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 23ms/step - loss: 0.3684 - accuracy: 0.8493 - val_loss: 0.2495 - val_accuracy: 0.9032
Epoch 43/100
1/3 [=========>....................] - ETA: 0s - loss: 0.3895 - accuracy: 0.8594
Epoch 00043: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 14ms/step - loss: 0.3657 - accuracy: 0.8529 - val_loss: 0.2530 - val_accuracy: 0.9032
Epoch 44/100
1/3 [=========>....................] - ETA: 0s - loss: 0.3558 - accuracy: 0.8828
Epoch 00044: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 15ms/step - loss: 0.3665 - accuracy: 0.8456 - val_loss: 0.2531 - val_accuracy: 0.9032
Epoch 45/100
1/3 [=========>....................] - ETA: 0s - loss: 0.3942 - accuracy: 0.8359
Epoch 00045: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 14ms/step - loss: 0.3636 - accuracy: 0.8456 - val_loss: 0.2495 - val_accuracy: 0.9032
Epoch 46/100
1/3 [=========>....................] - ETA: 0s - loss: 0.4089 - accuracy: 0.7969
Epoch 00046: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 15ms/step - loss: 0.3580 - accuracy: 0.8456 - val_loss: 0.2447 - val_accuracy: 0.9032
Epoch 47/100
1/3 [=========>....................] - ETA: 0s - loss: 0.3755 - accuracy: 0.8516
Epoch 00047: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 12ms/step - loss: 0.3523 - accuracy: 0.8566 - val_loss: 0.2421 - val_accuracy: 0.9032
Epoch 48/100
1/3 [=========>....................] - ETA: 0s - loss: 0.3662 - accuracy: 0.8516
Epoch 00048: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 14ms/step - loss: 0.3489 - accuracy: 0.8676 - val_loss: 0.2409 - val_accuracy: 0.9032
Epoch 49/100
1/3 [=========>....................] - ETA: 0s - loss: 0.3406 - accuracy: 0.8594
Epoch 00049: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 14ms/step - loss: 0.3463 - accuracy: 0.8676 - val_loss: 0.2410 - val_accuracy: 0.9032
Epoch 50/100
1/3 [=========>....................] - ETA: 0s - loss: 0.3865 - accuracy: 0.8359
Epoch 00050: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 12ms/step - loss: 0.3437 - accuracy: 0.8640 - val_loss: 0.2433 - val_accuracy: 0.9032
Epoch 51/100
1/3 [=========>....................] - ETA: 0s - loss: 0.4340 - accuracy: 0.8203
Epoch 00051: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 19ms/step - loss: 0.3424 - accuracy: 0.8566 - val_loss: 0.2466 - val_accuracy: 0.9032
Epoch 52/100
1/3 [=========>....................] - ETA: 0s - loss: 0.3555 - accuracy: 0.8438
Epoch 00052: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 19ms/step - loss: 0.3405 - accuracy: 0.8566 - val_loss: 0.2473 - val_accuracy: 0.9032
Epoch 53/100
1/3 [=========>....................] - ETA: 0s - loss: 0.3355 - accuracy: 0.8516
Epoch 00053: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 20ms/step - loss: 0.3377 - accuracy: 0.8566 - val_loss: 0.2447 - val_accuracy: 0.9032
Epoch 54/100
1/3 [=========>....................] - ETA: 0s - loss: 0.3379 - accuracy: 0.8906
Epoch 00054: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 20ms/step - loss: 0.3334 - accuracy: 0.8750 - val_loss: 0.2446 - val_accuracy: 0.9032
Epoch 55/100
1/3 [=========>....................] - ETA: 0s - loss: 0.3043 - accuracy: 0.8984
Epoch 00055: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 12ms/step - loss: 0.3312 - accuracy: 0.8713 - val_loss: 0.2456 - val_accuracy: 0.9032
Epoch 56/100
1/3 [=========>....................] - ETA: 0s - loss: 0.2088 - accuracy: 0.9375
Epoch 00056: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 18ms/step - loss: 0.3283 - accuracy: 0.8713 - val_loss: 0.2474 - val_accuracy: 0.9032
Epoch 57/100
1/3 [=========>....................] - ETA: 0s - loss: 0.2963 - accuracy: 0.8906
Epoch 00057: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 21ms/step - loss: 0.3251 - accuracy: 0.8713 - val_loss: 0.2497 - val_accuracy: 0.9032
Epoch 58/100
1/3 [=========>....................] - ETA: 0s - loss: 0.3142 - accuracy: 0.8594
Epoch 00058: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 18ms/step - loss: 0.3230 - accuracy: 0.8640 - val_loss: 0.2484 - val_accuracy: 0.9032
Epoch 59/100
1/3 [=========>....................] - ETA: 0s - loss: 0.2813 - accuracy: 0.8906
Epoch 00059: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 23ms/step - loss: 0.3200 - accuracy: 0.8676 - val_loss: 0.2481 - val_accuracy: 0.9032
Epoch 60/100
1/3 [=========>....................] - ETA: 0s - loss: 0.3216 - accuracy: 0.8594
Epoch 00060: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 14ms/step - loss: 0.3177 - accuracy: 0.8713 - val_loss: 0.2489 - val_accuracy: 0.9032
Epoch 61/100
1/3 [=========>....................] - ETA: 0s - loss: 0.3229 - accuracy: 0.8516
Epoch 00061: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 12ms/step - loss: 0.3150 - accuracy: 0.8676 - val_loss: 0.2485 - val_accuracy: 0.9032
Epoch 62/100
1/3 [=========>....................] - ETA: 0s - loss: 0.3056 - accuracy: 0.8828
Epoch 00062: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 16ms/step - loss: 0.3138 - accuracy: 0.8713 - val_loss: 0.2504 - val_accuracy: 0.8710
Epoch 63/100
1/3 [=========>....................] - ETA: 0s - loss: 0.2822 - accuracy: 0.8984
Epoch 00063: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 22ms/step - loss: 0.3121 - accuracy: 0.8750 - val_loss: 0.2565 - val_accuracy: 0.9032
Epoch 64/100
1/3 [=========>....................] - ETA: 0s - loss: 0.2844 - accuracy: 0.8906
Epoch 00064: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 14ms/step - loss: 0.3095 - accuracy: 0.8750 - val_loss: 0.2651 - val_accuracy: 0.9032
Epoch 65/100
1/3 [=========>....................] - ETA: 0s - loss: 0.3093 - accuracy: 0.8594
Epoch 00065: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 16ms/step - loss: 0.3111 - accuracy: 0.8640 - val_loss: 0.2671 - val_accuracy: 0.9032
Epoch 66/100
1/3 [=========>....................] - ETA: 0s - loss: 0.3609 - accuracy: 0.8203
Epoch 00066: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 21ms/step - loss: 0.3088 - accuracy: 0.8676 - val_loss: 0.2607 - val_accuracy: 0.9032
Epoch 67/100
1/3 [=========>....................] - ETA: 0s - loss: 0.3002 - accuracy: 0.8750
Epoch 00067: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 22ms/step - loss: 0.3042 - accuracy: 0.8787 - val_loss: 0.2587 - val_accuracy: 0.9032
Epoch 68/100
1/3 [=========>....................] - ETA: 0s - loss: 0.3041 - accuracy: 0.8828
Epoch 00068: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 14ms/step - loss: 0.3017 - accuracy: 0.8750 - val_loss: 0.2557 - val_accuracy: 0.9032
Epoch 69/100
1/3 [=========>....................] - ETA: 0s - loss: 0.3093 - accuracy: 0.8438
Epoch 00069: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 15ms/step - loss: 0.2999 - accuracy: 0.8750 - val_loss: 0.2540 - val_accuracy: 0.9032
Epoch 70/100
1/3 [=========>....................] - ETA: 0s - loss: 0.2851 - accuracy: 0.8828
Epoch 00070: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 20ms/step - loss: 0.2995 - accuracy: 0.8860 - val_loss: 0.2543 - val_accuracy: 0.9032
Epoch 71/100
1/3 [=========>....................] - ETA: 0s - loss: 0.2948 - accuracy: 0.8984
Epoch 00071: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 18ms/step - loss: 0.2970 - accuracy: 0.8824 - val_loss: 0.2572 - val_accuracy: 0.9032
Epoch 72/100
1/3 [=========>....................] - ETA: 0s - loss: 0.2739 - accuracy: 0.9062
Epoch 00072: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 19ms/step - loss: 0.2940 - accuracy: 0.8860 - val_loss: 0.2612 - val_accuracy: 0.9032
Epoch 73/100
1/3 [=========>....................] - ETA: 0s - loss: 0.3072 - accuracy: 0.8828
Epoch 00073: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 17ms/step - loss: 0.2912 - accuracy: 0.8860 - val_loss: 0.2659 - val_accuracy: 0.9032
Epoch 74/100
1/3 [=========>....................] - ETA: 0s - loss: 0.2727 - accuracy: 0.8906
Epoch 00074: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 14ms/step - loss: 0.2902 - accuracy: 0.8897 - val_loss: 0.2697 - val_accuracy: 0.9032
Epoch 75/100
1/3 [=========>....................] - ETA: 0s - loss: 0.3063 - accuracy: 0.8672
Epoch 00075: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 13ms/step - loss: 0.2890 - accuracy: 0.8897 - val_loss: 0.2728 - val_accuracy: 0.9032
Epoch 76/100
1/3 [=========>....................] - ETA: 0s - loss: 0.2961 - accuracy: 0.8984
Epoch 00076: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 16ms/step - loss: 0.2860 - accuracy: 0.8897 - val_loss: 0.2789 - val_accuracy: 0.9032
Epoch 77/100
1/3 [=========>....................] - ETA: 0s - loss: 0.3319 - accuracy: 0.8672
Epoch 00077: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 23ms/step - loss: 0.2831 - accuracy: 0.8897 - val_loss: 0.2862 - val_accuracy: 0.9032
Epoch 78/100
1/3 [=========>....................] - ETA: 0s - loss: 0.3309 - accuracy: 0.8750
Epoch 00078: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 13ms/step - loss: 0.2809 - accuracy: 0.8934 - val_loss: 0.2920 - val_accuracy: 0.9032
Epoch 79/100
1/3 [=========>....................] - ETA: 0s - loss: 0.2568 - accuracy: 0.9062
Epoch 00079: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 12ms/step - loss: 0.2797 - accuracy: 0.8897 - val_loss: 0.2978 - val_accuracy: 0.9032
Epoch 80/100
1/3 [=========>....................] - ETA: 0s - loss: 0.2684 - accuracy: 0.8750
Epoch 00080: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 23ms/step - loss: 0.2790 - accuracy: 0.8824 - val_loss: 0.3019 - val_accuracy: 0.9032
Epoch 81/100
1/3 [=========>....................] - ETA: 0s - loss: 0.3396 - accuracy: 0.8672
Epoch 00081: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 27ms/step - loss: 0.2776 - accuracy: 0.8860 - val_loss: 0.3033 - val_accuracy: 0.9032
Epoch 82/100
1/3 [=========>....................] - ETA: 0s - loss: 0.2730 - accuracy: 0.9141
Epoch 00082: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 22ms/step - loss: 0.2763 - accuracy: 0.8897 - val_loss: 0.3009 - val_accuracy: 0.9032
Epoch 83/100
1/3 [=========>....................] - ETA: 0s - loss: 0.2814 - accuracy: 0.8984
Epoch 00083: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 18ms/step - loss: 0.2727 - accuracy: 0.9007 - val_loss: 0.2967 - val_accuracy: 0.9032
Epoch 84/100
1/3 [=========>....................] - ETA: 0s - loss: 0.2463 - accuracy: 0.8984
Epoch 00084: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 22ms/step - loss: 0.2700 - accuracy: 0.8971 - val_loss: 0.2975 - val_accuracy: 0.9032
Epoch 85/100
1/3 [=========>....................] - ETA: 0s - loss: 0.2325 - accuracy: 0.9375
Epoch 00085: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 22ms/step - loss: 0.2684 - accuracy: 0.8971 - val_loss: 0.3013 - val_accuracy: 0.9032
Epoch 86/100
1/3 [=========>....................] - ETA: 0s - loss: 0.2426 - accuracy: 0.9219
Epoch 00086: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 24ms/step - loss: 0.2705 - accuracy: 0.8971 - val_loss: 0.3020 - val_accuracy: 0.9032
Epoch 87/100
1/3 [=========>....................] - ETA: 0s - loss: 0.2809 - accuracy: 0.8750
Epoch 00087: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 25ms/step - loss: 0.2672 - accuracy: 0.8897 - val_loss: 0.2952 - val_accuracy: 0.9032
Epoch 88/100
1/3 [=========>....................] - ETA: 0s - loss: 0.2474 - accuracy: 0.8984
Epoch 00088: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 19ms/step - loss: 0.2610 - accuracy: 0.8971 - val_loss: 0.2952 - val_accuracy: 0.8710
Epoch 89/100
1/3 [=========>....................] - ETA: 0s - loss: 0.2998 - accuracy: 0.8984
Epoch 00089: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 14ms/step - loss: 0.2592 - accuracy: 0.9081 - val_loss: 0.2980 - val_accuracy: 0.8710
Epoch 90/100
1/3 [=========>....................] - ETA: 0s - loss: 0.2042 - accuracy: 0.9375
Epoch 00090: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 13ms/step - loss: 0.2581 - accuracy: 0.9081 - val_loss: 0.2997 - val_accuracy: 0.8387
Epoch 91/100
1/3 [=========>....................] - ETA: 0s - loss: 0.2179 - accuracy: 0.9219
Epoch 00091: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 12ms/step - loss: 0.2595 - accuracy: 0.9044 - val_loss: 0.3007 - val_accuracy: 0.8387
Epoch 92/100
1/3 [=========>....................] - ETA: 0s - loss: 0.2114 - accuracy: 0.9297
Epoch 00092: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 14ms/step - loss: 0.2582 - accuracy: 0.9044 - val_loss: 0.3015 - val_accuracy: 0.8710
Epoch 93/100
1/3 [=========>....................] - ETA: 0s - loss: 0.2578 - accuracy: 0.9219
Epoch 00093: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 12ms/step - loss: 0.2529 - accuracy: 0.9044 - val_loss: 0.3063 - val_accuracy: 0.9032
Epoch 94/100
1/3 [=========>....................] - ETA: 0s - loss: 0.3013 - accuracy: 0.8828
Epoch 00094: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 24ms/step - loss: 0.2591 - accuracy: 0.8971 - val_loss: 0.3128 - val_accuracy: 0.9032
Epoch 95/100
1/3 [=========>....................] - ETA: 0s - loss: 0.2438 - accuracy: 0.8906
Epoch 00095: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 23ms/step - loss: 0.2644 - accuracy: 0.8897 - val_loss: 0.3059 - val_accuracy: 0.9032
Epoch 96/100
1/3 [=========>....................] - ETA: 0s - loss: 0.2465 - accuracy: 0.8984
Epoch 00096: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 24ms/step - loss: 0.2578 - accuracy: 0.8971 - val_loss: 0.2959 - val_accuracy: 0.9032
Epoch 97/100
1/3 [=========>....................] - ETA: 0s - loss: 0.2461 - accuracy: 0.8984
Epoch 00097: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 23ms/step - loss: 0.2490 - accuracy: 0.9044 - val_loss: 0.2884 - val_accuracy: 0.9032
Epoch 98/100
1/3 [=========>....................] - ETA: 0s - loss: 0.2629 - accuracy: 0.8828
Epoch 00098: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 21ms/step - loss: 0.2462 - accuracy: 0.9044 - val_loss: 0.2819 - val_accuracy: 0.8710
Epoch 99/100
1/3 [=========>....................] - ETA: 0s - loss: 0.2490 - accuracy: 0.8906
Epoch 00099: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 19ms/step - loss: 0.2474 - accuracy: 0.9007 - val_loss: 0.2801 - val_accuracy: 0.8710
Epoch 100/100
1/3 [=========>....................] - ETA: 0s - loss: 0.3287 - accuracy: 0.8516
Epoch 00100: val_accuracy did not improve from 0.90323
3/3 [==============================] - 0s 15ms/step - loss: 0.2475 - accuracy: 0.8971 - val_loss: 0.2837 - val_accuracy: 0.8710

六.模型评估

import matplotlib.pyplot as plt

acc = history.history['accuracy']
val_acc = history.history['val_accuracy']

loss = history.history['loss']
val_loss = history.history['val_loss']

epochs_range = range(epochs)

plt.figure(figsize=(14, 4))
plt.subplot(1, 2, 1)

plt.plot(epochs_range, acc, label='Training Accuracy')
plt.plot(epochs_range, val_acc, label='Validation Accuracy')
plt.legend(loc='lower right')
plt.title('Training and Validation Accuracy')

plt.subplot(1, 2, 2)
plt.plot(epochs_range, loss, label='Training Loss')
plt.plot(epochs_range, val_loss, label='Validation Loss')
plt.legend(loc='upper right')
plt.title('Training and Validation Loss')
plt.show()

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-v0VQR8TX-1665626635982)(output_26_0.png)]

# 加载效果最好的模型权重
model.load_weights('best_model.h5')

scores = model.evaluate(X_test, y_test, verbose=0)
print("%s: %.2f%%" % (model.metrics_names[1], scores[1]*100))

accuracy: 90.32%

你可能感兴趣的:(深度学习记录,rnn,python,人工智能)

  • 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 ipythonlinux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
  • 回溯 Leetcode 332 重新安排行程 mmaerd Leetcode刷题学习记录leetcode算法职场和发展
    重新安排行程Leetcode332学习记录自代码随想录给你一份航线列表tickets，其中tickets[i]=[fromi,toi]表示飞机出发和降落的机场地点。请你对该行程进行重新规划排序。所有这些机票都属于一个从JFK（肯尼迪国际机场）出发的先生，所以该行程必须从JFK开始。如果存在多种有效的行程，请你按字典排序返回最小的行程组合。例如，行程[“JFK”,“LGA”]与[“JFK”,“LGB
  • Python数据分析与可视化实战指南 William数据分析 pythonpython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 #Pythonpython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
  • 腾讯云技术深度探索：构建高效云原生微服务架构 我的运维人生 云原生架构腾讯云运维开发技术共享
    腾讯云技术深度探索：构建高效云原生微服务架构在当今快速发展的技术环境中，云原生技术已成为企业数字化转型的关键驱动力。腾讯云作为行业领先的云服务提供商，不断推出创新的产品和技术，助力企业构建高效、可扩展的云原生微服务架构。本文将深入探讨腾讯云在微服务领域的最新进展，并通过一个实际案例展示如何在腾讯云平台上构建云原生应用。腾讯云微服务架构概览腾讯云微服务架构基于云原生理念，旨在帮助企业快速实现应用的容
  • 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 pythonos.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 Windowscmdwindow
    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 langchaineasyui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 faisspython
    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~ Pythonpython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pythonjava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 NoSQLnosql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
  • 4招写出高价值文章 zhiliner
    文章写得泛泛是因为思考得不够深，思考得越深文章会越有价值。拿到一个主题一定要去深入挖掘事件背后的东西，比如人物困境以及趋势性的东西。写作过程中有几个深度思考的方法一、解剖，让旧素材焕发新意作为一个写作者，我们能够做的最大贡献，就是给出自己看世界的角度。解剖其实就是把这个话题相关的信息都列出来，详细的列出来，看清楚它的内部。我们看到一个老话题或者一段旧素材的时候，不要只看这个素材或者话题本身，一定要
  • tomcat基础与部署发布 暗黑小菠萝 Tomcat java web
    从51cto搬家了，以后会更新在这里方便自己查看。 做项目一直用tomcat，都是配置到eclipse中使用，这几天有时间整理一下使用心得，有一些自己配置遇到的细节问题。 Tomcat：一个Servlets和JSP页面的容器，以提供网站服务。 一、Tomcat安装     安装方式：①运行.exe安装包      &n
  • 网站架构发展的过程 ayaoxinchao 数据库应用服务器网站架构
    1.初始阶段网站架构：应用程序、数据库、文件等资源在同一个服务器上 2.应用服务和数据服务分离：应用服务器、数据库服务器、文件服务器 3.使用缓存改善网站性能：为应用服务器提供本地缓存，但受限于应用服务器的内存容量，可以使用专门的缓存服务器，提供分布式缓存服务器架构 4.使用应用服务器集群改善网站的并发处理能力：使用负载均衡调度服务器，将来自客户端浏览器的访问请求分发到应用服务器集群中的任何
  • [信息与安全]数据库的备份问题 comsci 数据库
          如果你们建设的信息系统是采用中心-分支的模式,那么这里有一个问题   如果你的数据来自中心数据库,那么中心数据库如果出现故障,你的分支机构的数据如何保证安全呢?    是否应该在这种信息系统结构的基础上进行改造,容许分支机构的信息系统也备份一个中心数据库的文件呢?  &n
  • 使用maven tomcat plugin插件debug关联源代码 商人shang mavendebug查看源码tomcat-plugin
    *首先需要配置好'''maven-tomcat7-plugin'''，参见[[Maven开发Web项目]]的'''Tomcat'''部分。 *配置好后，在[[Eclipse]]中打开'''Debug Configurations'''界面，在'''Maven Build'''项下新建当前工程的调试。在'''Main'''选项卡中点击'''Browse Workspace...'''选择需要开发的
  • 大访问量高并发 oloz 大访问量高并发
    大访问量高并发的网站主要压力还是在于数据库的操作上，尽量避免频繁的请求数据库。下面简 要列出几点解决方案： 01、优化你的代码和查询语句，合理使用索引 02、使用缓存技术例如memcache、ecache将不经常变化的数据放入缓存之中 03、采用服务器集群、负载均衡分担大访问量高并发压力 04、数据读写分离 05、合理选用框架，合理架构(推荐分布式架构)。
  • cache 服务器 小猪猪08 cache
    Cache   即高速缓存.那么cache是怎么样提高系统性能与运行速度呢？是不是在任何情况下用cache都能提高性能？是不是cache用的越多就越好呢？我在近期开发的项目中有所体会，写下来当作总结也希望能跟大家一起探讨探讨，有错误的地方希望大家批评指正。 　　1.Cache   是怎么样工作的? 　　Cache   是分配在服务器上
  • mysql存储过程 香水浓 mysql
    Description:插入大量测试数据 use xmpl; drop procedure if exists mockup_test_data_sp; create procedure mockup_test_data_sp( in number_of_records int ) begin declare cnt int; declare name varch
  • CSS的class、id、css文件名的常用命名规则 agevs JavaScriptUI框架Ajaxcss
      CSS的class、id、css文件名的常用命名规则     (一)常用的CSS命名规则 　　头：header 　　内容：content/container 　　尾：footer 　　导航：nav 　　侧栏：sidebar 　　栏目：column 　　页面外围控制整体布局宽度：wrapper 　　左右中：left right
  • 全局数据源 AILIKES javatomcatmysqljdbcJNDI
    实验目的：为了研究两个项目同时访问一个全局数据源的时候是创建了一个数据源对象，还是创建了两个数据源对象。 1：将diuid和mysql驱动包（druid-1.0.2.jar和mysql-connector-java-5.1.15.jar）copy至%TOMCAT_HOME%/lib下；2：配置数据源，将JNDI在%TOMCAT_HOME%/conf/context.xml中配置好,格式如下：&l
  • MYSQL的随机查询的实现方法 baalwolf mysql
    MYSQL的随机抽取实现方法。举个例子，要从tablename表中随机提取一条记录，大家一般的写法就是：SELECT * FROM tablename ORDER BY RAND() LIMIT 1。但是，后来我查了一下MYSQL的官方手册，里面针对RAND()的提示大概意思就是，在ORDER BY从句里面不能使用RAND()函数，因为这样会导致数据列被多次扫描。但是在MYSQL 3.23版本中，
  • JAVA的getBytes()方法 bijian1013 javaeclipseunixOS
        在Java中，String的getBytes()方法是得到一个操作系统默认的编码格式的字节数组。这个表示在不同OS下，返回的东西不一样！      String.getBytes(String decode)方法会根据指定的decode编码返回某字符串在该编码下的byte数组表示，如： byte[] b_gbk = "
  • AngularJS中操作Cookies bijian1013 JavaScriptAngularJSCookies
            如果你的应用足够大、足够复杂，那么你很快就会遇到这样一咱种情况：你需要在客户端存储一些状态信息，这些状态信息是跨session(会话)的。你可能还记得利用document.cookie接口直接操作纯文本cookie的痛苦经历。         幸运的是，这种方式已经一去不复返了，在所有现代浏览器中几乎
  • [Maven学习笔记五]Maven聚合和继承特性 bit1129 maven
    Maven聚合   在实际的项目中，一个项目通常会划分为多个模块，为了说明问题，以用户登陆这个小web应用为例。通常一个web应用分为三个模块： 1. 模型和数据持久化层user-core, 2. 业务逻辑层user-service以 3. web展现层user-web， user-service依赖于user-core user-web依赖于user-core和use
  • 【JVM七】JVM知识点总结 bit1129 jvm
      1. JVM运行模式 1.1 JVM运行时分为-server和-client两种模式，在32位机器上只有client模式的JVM。通常，64位的JVM默认都是使用server模式，因为server模式的JVM虽然启动慢点，但是，在运行过程，JVM会尽可能的进行优化 1.2 JVM分为三种字节码解释执行方式：mixed mode, interpret mode以及compiler
  • linux下查看nginx、apache、mysql、php的编译参数 ronin47
    在linux平台下的应用，最流行的莫过于nginx、apache、mysql、php几个。而这几个常用的应用，在手工编译完以后，在其他一些情况下（如：新增模块），往往想要查看当初都使用了那些参数进行的编译。这时候就可以利用以下方法查看。 1、nginx [root@361way ~]# /App/nginx/sbin/nginx -V nginx: nginx version: nginx/
  • unity中运用Resources.Load的方法？ brotherlamp unity视频unity资料unity自学unityunity教程
    问：unity中运用Resources.Load的方法？ 答：Resources.Load是unity本地动态加载资本所用的方法,也即是你想动态加载的时分才用到它,比方枪弹,特效,某些实时替换的图像什么的,主张此文件夹不要放太多东西,在打包的时分,它会独自把里边的一切东西都会集打包到一同,不论里边有没有你用的东西,所以大多数资本应该是自个建文件放置 1、unity实时替换的物体即是依据环境条件
  • 线段树-入门 bylijinnan java算法线段树
    /** * 线段树入门 * 问题：已知线段[2,5] [4,6] [0,7]；求点2,4,7分别出现了多少次 * 以下代码建立的线段树用链表来保存，且树的叶子结点类似[i,i] * * 参考链接：http://hi.baidu.com/semluhiigubbqvq/item/be736a33a8864789f4e4ad18 * @author lijinna
  • 全选与反选 chicony 全选
      <!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN" "http://www.w3.org/TR/html4/loose.dtd"> <html> <head> <title>全选与反选</title>
  • vim一些简单记录 chenchao051 vim
    mac在/usr/share/vim/vimrc linux在/etc/vimrc   1、问：后退键不能删除数据，不能往后退怎么办？       答：在vimrc中加入set backspace=2   2、问：如何控制tab键的缩进？       答：在vimrc中加入set tabstop=4 (任何
  • Sublime Text 快捷键 daizj 快捷键sublime
    [size=large][/size]Sublime Text快捷键：Ctrl+Shift+P：打开命令面板Ctrl+P：搜索项目中的文件Ctrl+G：跳转到第几行Ctrl+W：关闭当前打开文件Ctrl+Shift+W：关闭所有打开文件Ctrl+Shift+V：粘贴并格式化Ctrl+D：选择单词，重复可增加选择下一个相同的单词Ctrl+L：选择行，重复可依次增加选择下一行Ctrl+Shift+L：
  • php 引用(&)详解 dcj3sjt126com PHP
    在PHP 中引用的意思是：不同的名字访问同一个变量内容. 与Ｃ语言中的指针是有差别的．Ｃ语言中的指针里面存储的是变量的内容在内存中存放的地址 变量的引用 PHP 的引用允许你用两个变量来指向同一个内容  复制代码代码如下: <?  $a="ABC";  $b =&$a;  echo
  • SVN中trunk,branches,tags用法详解 dcj3sjt126com SVN
    Subversion有一个很标准的目录结构，是这样的。比如项目是proj，svn地址为svn://proj/，那么标准的svn布局是svn://proj/|+-trunk+-branches+-tags这是一个标准的布局，trunk为主开发目录，branches为分支开发目录，tags为tag存档目录（不允许修改）。但是具体这几个目录应该如何使用，svn并没有明确的规范，更多的还是用户自己的习惯。
  • 对软件设计的思考 e200702084 设计模式数据结构算法ssh活动
    软件设计的宏观与微观    软件开发是一种高智商的开发活动。一个优秀的软件设计人员不仅要从宏观上把握软件之间的开发，也要从微观上把握软件之间的开发。宏观上，可以应用面向对象设计，采用流行的SSH架构，采用web层，业务逻辑层，持久层分层架构。采用设计模式提供系统的健壮性和可维护性。微观上，对于一个类，甚至方法的调用，从计算机的角度模拟程序的运行情况。了解内存分配，参数传
  • 同步、异步、阻塞、非阻塞 geeksun 非阻塞
    同步、异步、阻塞、非阻塞这几个概念有时有点混淆，在此文试图解释一下。   同步：发出方法调用后，当没有返回结果，当前线程会一直在等待（阻塞）状态。 场景：打电话，营业厅窗口办业务、B/S架构的http请求-响应模式。   异步：方法调用后不立即返回结果，调用结果通过状态、通知或回调通知方法调用者或接收者。异步方法调用后，当前线程不会阻塞，会继续执行其他任务。 实现：
  • Reverse SSH Tunnel 反向打洞實錄 hongtoushizi ssh
    實際的操作步驟： # 首先，在客戶那理的機器下指令連回我們自己的 Server，並設定自己 Server 上的 12345 port 會對應到幾器上的 SSH port ssh -NfR 12345:localhost:22 [email protected] # 然後在 myhost 的機器上連自己的 12345 port，就可以連回在客戶那的機器 ssh localhost -p 1
  • Hibernate中的缓存 Josh_Persistence 一级缓存Hiberante缓存查询缓存二级缓存
    Hibernate中的缓存   一、Hiberante中常见的三大缓存：一级缓存，二级缓存和查询缓存。 Hibernate中提供了两级Cache，第一级别的缓存是Session级别的缓存，它是属于事务范围的缓存。这一级别的缓存是由hibernate管理的，一般情况下无需进行干预；第二级别的缓存是SessionFactory级别的缓存，它是属于进程范围或群集范围的缓存。这一级别的缓存
  • 对象关系行为模式之延迟加载 home198979 PHP架构延迟加载
    形象化设计模式实战     HELLO!架构   一、概念 Lazy Load：一个对象，它虽然不包含所需要的所有数据，但是知道怎么获取这些数据。 延迟加载貌似很简单，就是在数据需要时再从数据库获取，减少数据库的消耗。但这其中还是有不少技巧的。     二、实现延迟加载 实现Lazy Load主要有四种方法：延迟初始化、虚
  • xml 验证 pengfeicao521 xmlxml解析
    有些字符，xml不能识别，用jdom或者dom4j解析的时候就报错 public static void testPattern() { // 含有非法字符的串 String str =       "Jamey&#52828;&#01;&#02;&#209;&#1282
  • div设置半透明效果 spjich css半透明
    为div设置如下样式：   div{filter:alpha(Opacity=80);-moz-opacity:0.5;opacity: 0.5;}        说明： 1、filter：对win IE设置半透明滤镜效果，filter:alpha(Opacity=80)代表该对象80%半透明，火狐浏览器不认2、-moz-opaci
  • 你真的了解单例模式么？ w574240966 java单例设计模式jvm
        单例模式，很多初学者认为单例模式很简单，并且认为自己已经掌握了这种设计模式。但事实上，你真的了解单例模式了么。   一，单例模式的5中写法。（回字的四种写法，哈哈。）     1，懒汉式           （1）线程不安全的懒汉式 public cla
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他