神经网络做分类所遇见的一些函数
1 encoder = OneHotEncoder()
独热编码问题，例如一个长方体，具有三个属性，长宽高，长1宽2高3，如果编码为[1,2,3]及为标签编码，如果为[100][,010][001]及为独热编码，每一个单元中只能有一个1其余全是0.
2 Y = encoder.fit_transform(Y.reshape(Y.shape[0], 1))
fit(): Method calculates the parameters μ and σ and saves them as internal objects.
解释：简单来说，就是求得训练集X的均值，方差，最大值，最小值,这些训练集X固有的属性。
transform(): Method using these calculated parameters apply the transformation to a particular dataset.
解释：在fit的基础上，进行标准化，降维，归一化等操作（看具体用的是哪个工具，如PCA，StandardScaler等）。
fit_transform(): joins the fit() and transform() method for transformation of dataset.
解释：fit_transform是fit和transform的组合，既包括了训练又包含了转换。
transform()和fit_transform()二者的功能都是对数据进行某种统一处理（比如标准化~N(0,1)，将数据缩放(映射)到某个固定区间，归一化，正则化等）
fit_transform(trainData)对部分数据先拟合fit，找到该part的整体指标，如均值、方差、最大值最小值等等（根据具体转换的目的），然后对该trainData进行转换transform，从而实现数据的标准化、归一化等等。
3 Y = encoder.fit_transform(Y.reshape(Y.shape[0], 1))
Y.shape(),结果为（参数，）形式
reshape（）函数用于在不更改数据的情况下为数组赋予新形状。
形式：numpy.reshape(a, newshape, order=‘C’)
import numpy as np
import pandas as pd
c=np.array([[1,2,3],[4,5,6]])
c=c.reshape(2,-2)
pritn(c)
#结果：([1,2,3][4,5,6])
c=c.reshape(3,2)
pritn(c)
#结果：([1,2][3,4],[5,6])
如果其中一个是负数，会自动按照另一个参数进行匹配，比如c=c.reshape(2,-2)，变成2行的数组，但是总共只有6个数据，自然只能形成2行3列的矩阵数据。
4 Y = Y.toarray().T
toarray()标志转换，将列表转换为数组
A.T:将矩阵A转置
5 Y = Y.astype('uint8')
astype实现变量类型转换.
Python中与数据类型相关函数及属性有如下三个：type/dtype/astype
type() 返回参数的数据类型
dtype 返回数组中元素的数据类型
astype() 对数据类型进行转换
你可以使用 .astype() 方法在不同的数值类型之间相互转换。a.astype(int).dtype # 将 a 的数值类型从 float64 转换为 int，
在 Python 内建对象中，数组有三种形式：
-
列表：[1, 2, 3]
-
元组：(1, 2, 3, 4, 5)
-
字典：{A:1, B:2}
uint8:表示8进制无符号数
int是带符号的，表示范围是：-2147483648到2147483648，即-2^31到2^31次方。
uint则是不带符号的，表示范围是：2^32即0到4294967295。
uint可以使用十进制，二进制，十六进制。
6 start_time = datetime.datetime.now()
utcnow()：读取的时间一直都是系统的“世界标准时间”
now()：读取的时间是系统的本地时间
7 z1 = np.dot(w1, X) + b1
dot函数是np中的矩阵乘法，假设 a,b为矩阵，a.dot(b) 等价于 np.dot(a,b) 。
8 Y = iris['species'].values
返回一个字典中所有的值
9 a1 = np.tanh(z1)
numpy.tanh(x [，out])= ufunc'tanh')：此数学函数可帮助用户计算所有x(作为数组元素)的双曲正切值。
就是使用双曲正切作为激活函数使用
常见的有：
1 sigmoid
2 tanh
3 Relu
4. Leaky Relu激活函数
5. P-Relu(Parametric ReLU)激活函数
6. Elu激活函数
7. Gelu激活函数
8. Swich激活函数
9. Selu激活函数
