缘起性空、
缘起性空、

实战Keras3.0：回归神经网络模型

 

# 导入所需库
import numpy as np
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.datasets import make_regression
from keras.models import Sequential
from keras.layers import Dense

# 生成模拟数据
# 使用make_regression函数生成100个样本，每个样本有1个特征，噪声为0.1
X, y = make_regression(n_samples=100, n_features=1, noise=0.1)

#将y的形状调整为(100, 1)
y = y.reshape(-1, 1)

# train_test_split函数，用于划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 定义神经网络模型
model = Sequential()

# 添加输入层，设置输入维度为1，输出维度为64的全连接层
model.add(Dense(64, input_dim=1, activation='relu'))

# 添加隐藏层，设置输出维度为32的全连接层
model.add(Dense(32, activation='relu'))

# 添加输出层，设置输出维度为1的全连接层，激活函数为线性
model.add(Dense(1, activation='linear'))

#打印模型
model.summary()

# 编译模型，设置损失函数为均方误差，优化器为随机梯度下降，评估指标为均方误差
model.compile(loss='mean_squared_error', optimizer='sgd', metrics=['mean_squared_error'])

# 训练模型，设置迭代次数为100，批量大小为32
model.fit(X_train, y_train, epochs=100, batch_size=32)

# 预测测试集
y_pred = model.predict(X_test)

# 绘制真实值与预测值的散点图
plt.scatter(X_test, y_test, color='blue', label='True')
plt.scatter(X_test, y_pred, color='red', label='Predicted')
plt.xlabel('X')
plt.ylabel('y')
plt.legend()
plt.show()

 

 模型结构

Model: "sequential"
_________________________________________________________________
 Layer (type)                Output Shape              Param #   
=================================================================
 dense (Dense)               (None, 64)                128       
                                                                 
 dense_1 (Dense)             (None, 32)                2080      
                                                                 
 dense_2 (Dense)             (None, 1)                 33        
                                                                 
=================================================================
Total params: 2,241
Trainable params: 2,241
Non-trainable params: 0
_________________________________________________________________

 

 训练过程

Epoch 1/100
3/3 [==============================] - 0s 4ms/step - loss: 214.8241 - mean_squared_error: 214.8241
Epoch 2/100
3/3 [==============================] - 0s 2ms/step - loss: 195.0716 - mean_squared_error: 195.0716
Epoch 3/100
3/3 [==============================] - 0s 2ms/step - loss: 123.4095 - mean_squared_error: 123.4095
Epoch 4/100
3/3 [==============================] - 0s 3ms/step - loss: 24.0782 - mean_squared_error: 24.0782
Epoch 5/100
3/3 [==============================] - 0s 2ms/step - loss: 12.7566 - mean_squared_error: 12.7566
Epoch 6/100
3/3 [==============================] - 0s 3ms/step - loss: 7.9639 - mean_squared_error: 7.9639
Epoch 7/100
3/3 [==============================] - 0s 2ms/step - loss: 34.8655 - mean_squared_error: 34.8655
Epoch 8/100
3/3 [==============================] - 0s 3ms/step - loss: 9.1391 - mean_squared_error: 9.1391
Epoch 9/100
3/3 [==============================] - 0s 2ms/step - loss: 5.0033 - mean_squared_error: 5.0033
Epoch 10/100
3/3 [==============================] - 0s 3ms/step - loss: 3.7178 - mean_squared_error: 3.7178
Epoch 11/100
3/3 [==============================] - 0s 2ms/step - loss: 8.3191 - mean_squared_error: 8.3191
Epoch 12/100
3/3 [==============================] - 0s 3ms/step - loss: 15.9171 - mean_squared_error: 15.9171
Epoch 13/100
3/3 [==============================] - 0s 2ms/step - loss: 2.6201 - mean_squared_error: 2.6201
Epoch 14/100
3/3 [==============================] - 0s 3ms/step - loss: 1.9299 - mean_squared_error: 1.9299
Epoch 15/100
3/3 [==============================] - 0s 2ms/step - loss: 1.4617 - mean_squared_error: 1.4617
Epoch 16/100
3/3 [==============================] - 0s 3ms/step - loss: 4.1653 - mean_squared_error: 4.1653
Epoch 17/100
3/3 [==============================] - 0s 2ms/step - loss: 0.9672 - mean_squared_error: 0.9672
Epoch 18/100
3/3 [==============================] - 0s 2ms/step - loss: 0.5275 - mean_squared_error: 0.5275
Epoch 19/100
3/3 [==============================] - 0s 2ms/step - loss: 0.4061 - mean_squared_error: 0.4061
Epoch 20/100
3/3 [==============================] - 0s 2ms/step - loss: 0.5154 - mean_squared_error: 0.5154
Epoch 21/100
3/3 [==============================] - 0s 2ms/step - loss: 0.1824 - mean_squared_error: 0.1824
Epoch 22/100
3/3 [==============================] - 0s 2ms/step - loss: 0.1629 - mean_squared_error: 0.1629
Epoch 23/100
3/3 [==============================] - 0s 3ms/step - loss: 0.2634 - mean_squared_error: 0.2634
Epoch 24/100
3/3 [==============================] - 0s 2ms/step - loss: 0.1077 - mean_squared_error: 0.1077
Epoch 25/100
3/3 [==============================] - 0s 3ms/step - loss: 0.1250 - mean_squared_error: 0.1250
Epoch 26/100
3/3 [==============================] - 0s 2ms/step - loss: 0.1474 - mean_squared_error: 0.1474
Epoch 27/100
3/3 [==============================] - 0s 3ms/step - loss: 0.1953 - mean_squared_error: 0.1953
Epoch 28/100
3/3 [==============================] - 0s 2ms/step - loss: 0.0625 - mean_squared_error: 0.0625
Epoch 29/100
3/3 [==============================] - 0s 2ms/step - loss: 0.0814 - mean_squared_error: 0.0814
Epoch 30/100
3/3 [==============================] - 0s 2ms/step - loss: 0.1829 - mean_squared_error: 0.1829
Epoch 31/100
3/3 [==============================] - 0s 2ms/step - loss: 0.1177 - mean_squared_error: 0.1177
Epoch 32/100
3/3 [==============================] - 0s 2ms/step - loss: 0.0517 - mean_squared_error: 0.0517
Epoch 33/100
3/3 [==============================] - 0s 2ms/step - loss: 0.0456 - mean_squared_error: 0.0456
Epoch 34/100
3/3 [==============================] - 0s 2ms/step - loss: 0.1010 - mean_squared_error: 0.1010
Epoch 35/100
3/3 [==============================] - 0s 2ms/step - loss: 0.0919 - mean_squared_error: 0.0919
Epoch 36/100
3/3 [==============================] - 0s 3ms/step - loss: 0.0734 - mean_squared_error: 0.0734
Epoch 37/100
3/3 [==============================] - 0s 2ms/step - loss: 0.0617 - mean_squared_error: 0.0617
Epoch 38/100
3/3 [==============================] - 0s 3ms/step - loss: 0.0574 - mean_squared_error: 0.0574
Epoch 39/100
3/3 [==============================] - 0s 2ms/step - loss: 0.0338 - mean_squared_error: 0.0338
Epoch 40/100
3/3 [==============================] - 0s 3ms/step - loss: 0.0297 - mean_squared_error: 0.0297
Epoch 41/100
3/3 [==============================] - 0s 2ms/step - loss: 0.0404 - mean_squared_error: 0.0404
Epoch 42/100
3/3 [==============================] - 0s 2ms/step - loss: 0.0288 - mean_squared_error: 0.0288
Epoch 43/100
3/3 [==============================] - 0s 2ms/step - loss: 0.0686 - mean_squared_error: 0.0686
Epoch 44/100
3/3 [==============================] - 0s 2ms/step - loss: 0.0294 - mean_squared_error: 0.0294
Epoch 45/100
3/3 [==============================] - 0s 2ms/step - loss: 0.0372 - mean_squared_error: 0.0372
Epoch 46/100
3/3 [==============================] - 0s 2ms/step - loss: 0.0195 - mean_squared_error: 0.0195
Epoch 47/100
3/3 [==============================] - 0s 3ms/step - loss: 0.0550 - mean_squared_error: 0.0550
Epoch 48/100
3/3 [==============================] - 0s 2ms/step - loss: 0.0309 - mean_squared_error: 0.0309
Epoch 49/100
3/3 [==============================] - 0s 2ms/step - loss: 0.0160 - mean_squared_error: 0.0160
Epoch 50/100
3/3 [==============================] - 0s 2ms/step - loss: 0.0185 - mean_squared_error: 0.0185
Epoch 51/100
3/3 [==============================] - 0s 2ms/step - loss: 0.0313 - mean_squared_error: 0.0313
Epoch 52/100
3/3 [==============================] - 0s 2ms/step - loss: 0.0154 - mean_squared_error: 0.0154
Epoch 53/100
3/3 [==============================] - 0s 2ms/step - loss: 0.0139 - mean_squared_error: 0.0139
Epoch 54/100
3/3 [==============================] - 0s 3ms/step - loss: 0.0136 - mean_squared_error: 0.0136
Epoch 55/100
3/3 [==============================] - 0s 2ms/step - loss: 0.0127 - mean_squared_error: 0.0127
Epoch 56/100
3/3 [==============================] - 0s 3ms/step - loss: 0.0159 - mean_squared_error: 0.0159
Epoch 57/100
3/3 [==============================] - 0s 2ms/step - loss: 0.0416 - mean_squared_error: 0.0416
Epoch 58/100
3/3 [==============================] - 0s 3ms/step - loss: 0.0164 - mean_squared_error: 0.0164
Epoch 59/100
3/3 [==============================] - 0s 2ms/step - loss: 0.0161 - mean_squared_error: 0.0161
Epoch 60/100
3/3 [==============================] - 0s 2ms/step - loss: 0.0164 - mean_squared_error: 0.0164
Epoch 61/100
3/3 [==============================] - 0s 2ms/step - loss: 0.0120 - mean_squared_error: 0.0120
Epoch 62/100
3/3 [==============================] - 0s 2ms/step - loss: 0.0125 - mean_squared_error: 0.0125
Epoch 63/100
3/3 [==============================] - 0s 2ms/step - loss: 0.0137 - mean_squared_error: 0.0137
Epoch 64/100
3/3 [==============================] - 0s 2ms/step - loss: 0.0104 - mean_squared_error: 0.0104
Epoch 65/100
3/3 [==============================] - 0s 3ms/step - loss: 0.0102 - mean_squared_error: 0.0102
Epoch 66/100
3/3 [==============================] - 0s 2ms/step - loss: 0.0151 - mean_squared_error: 0.0151
Epoch 67/100
3/3 [==============================] - 0s 3ms/step - loss: 0.0155 - mean_squared_error: 0.0155
Epoch 68/100
3/3 [==============================] - 0s 2ms/step - loss: 0.0111 - mean_squared_error: 0.0111
Epoch 69/100
3/3 [==============================] - 0s 2ms/step - loss: 0.0099 - mean_squared_error: 0.0099
Epoch 70/100
3/3 [==============================] - 0s 3ms/step - loss: 0.0105 - mean_squared_error: 0.0105
Epoch 71/100
3/3 [==============================] - 0s 2ms/step - loss: 0.0091 - mean_squared_error: 0.0091
Epoch 72/100
3/3 [==============================] - 0s 2ms/step - loss: 0.0097 - mean_squared_error: 0.0097
Epoch 73/100
3/3 [==============================] - 0s 2ms/step - loss: 0.0242 - mean_squared_error: 0.0242
Epoch 74/100
3/3 [==============================] - 0s 2ms/step - loss: 0.0192 - mean_squared_error: 0.0192
Epoch 75/100
3/3 [==============================] - 0s 2ms/step - loss: 0.0099 - mean_squared_error: 0.0099
Epoch 76/100
3/3 [==============================] - 0s 3ms/step - loss: 0.0085 - mean_squared_error: 0.0085
Epoch 77/100
3/3 [==============================] - 0s 2ms/step - loss: 0.0100 - mean_squared_error: 0.0100
Epoch 78/100
3/3 [==============================] - 0s 3ms/step - loss: 0.0092 - mean_squared_error: 0.0092
Epoch 79/100
3/3 [==============================] - 0s 2ms/step - loss: 0.0090 - mean_squared_error: 0.0090
Epoch 80/100
3/3 [==============================] - 0s 2ms/step - loss: 0.0098 - mean_squared_error: 0.0098
Epoch 81/100
3/3 [==============================] - 0s 2ms/step - loss: 0.0085 - mean_squared_error: 0.0085
Epoch 82/100
3/3 [==============================] - 0s 2ms/step - loss: 0.0087 - mean_squared_error: 0.0087
Epoch 83/100
3/3 [==============================] - 0s 2ms/step - loss: 0.0099 - mean_squared_error: 0.0099
Epoch 84/100
3/3 [==============================] - 0s 2ms/step - loss: 0.0128 - mean_squared_error: 0.0128
Epoch 85/100
3/3 [==============================] - 0s 3ms/step - loss: 0.0092 - mean_squared_error: 0.0092
Epoch 86/100
3/3 [==============================] - 0s 2ms/step - loss: 0.0118 - mean_squared_error: 0.0118
Epoch 87/100
3/3 [==============================] - 0s 3ms/step - loss: 0.0097 - mean_squared_error: 0.0097
Epoch 88/100
3/3 [==============================] - 0s 2ms/step - loss: 0.0097 - mean_squared_error: 0.0097
Epoch 89/100
3/3 [==============================] - 0s 3ms/step - loss: 0.0084 - mean_squared_error: 0.0084
Epoch 90/100
3/3 [==============================] - 0s 2ms/step - loss: 0.0084 - mean_squared_error: 0.0084
Epoch 91/100
3/3 [==============================] - 0s 2ms/step - loss: 0.0117 - mean_squared_error: 0.0117
Epoch 92/100
3/3 [==============================] - 0s 2ms/step - loss: 0.0109 - mean_squared_error: 0.0109
Epoch 93/100
3/3 [==============================] - 0s 2ms/step - loss: 0.0094 - mean_squared_error: 0.0094
Epoch 94/100
3/3 [==============================] - 0s 3ms/step - loss: 0.0083 - mean_squared_error: 0.0083
Epoch 95/100
3/3 [==============================] - 0s 2ms/step - loss: 0.0104 - mean_squared_error: 0.0104
Epoch 96/100
3/3 [==============================] - 0s 3ms/step - loss: 0.0100 - mean_squared_error: 0.0100
Epoch 97/100
3/3 [==============================] - 0s 2ms/step - loss: 0.0086 - mean_squared_error: 0.0086
Epoch 98/100
3/3 [==============================] - 0s 3ms/step - loss: 0.0087 - mean_squared_error: 0.0087
Epoch 99/100
3/3 [==============================] - 0s 2ms/step - loss: 0.0075 - mean_squared_error: 0.0075
Epoch 100/100
3/3 [==============================] - 0s 2ms/step - loss: 0.0101 - mean_squared_error: 0.0101
1/1 [==============================] - 0s 90ms/step

 

 真实值(True)与预测值(Predicted)的散点图 

 

实战Keras3.0：回归神经网络模型_第1张图片

 

你可能感兴趣的:(回归,神经网络,keras)

  • keras.optimizers优化器中文文档 地上悬河 python开发语言后端
    优化器optimizers优化器是编译Keras模型必要的两个参数之一model=Sequential()model.add(Dense(64,init='uniform',input_dim=10))model.add(Activation('tanh'))model.add(Activation('softmax'))sgd=SGD(lr=0.01,decay=1e-6,momentum=0.
  • “姜子牙”回归神位，告别老艺术家蓝天野 喵十一呀
    根据央视新闻报道，今天下午，2022年6月8日，著名的人民艺术家，“七一勋章”获得者蓝天野，因病在北京离世，享年95岁。蓝老先生，原名王润森，出生于河北省。从上个世纪四十年代就投身于话剧事业，曾在经典话剧《北京人》《茶馆》《蔡文姬》中扮演重要角色。对于我们父母那一辈人来说，这段记忆比较深刻。而对于七八零后的朋友来说，蓝老先生最让人熟悉的角色便是《封神榜》中的姜子牙。在那个年代，剧组人员硬是用五毛钱
  • VGG16滤镜可视化和类激活图 LIjin_1006 人工智能神经网络深度学习cnn
    这个用keras2.2.4+tensorflow1.15.0importkeraskeras.__version__fromkeras.applicationsimportVGG16fromkerasimportbackendasKimportnumpyasnpfromkerasimportmodelsimportmatplotlib.pyplotaspltimporttensorflowastf
  • 2021-11-07 Mango_Mili_88
    平时努力打拼，到了周末不妨卸下肩上的重担，泡一杯清茶，读一本好书，做做喜欢的运动，听听舒缓的音乐，让心情回归轻松平静，让身体重新积蓄能量。劳逸结合，张弛有度，才能更加游刃有余。周日，早安！开心就好(✪✪加油(ง•̀_•́)ง
  • PaperWeekly sapienst PapersPaperwithCodeGeneralML
    1.Python软件包解决DL在未见过的数据分布下性能差的问题：（1）神经网络和损失分离的模块化设计（2）强大便捷的基准测试能力（3）易于使用但难以修改（4）github:https://github.com/marrlab/domainlabTrainer和Models之间是什么关系Trainer和Models是DomainLab中的两个核心概念。Trainer是一个用于指导数据流向模型并计算S
  • ChatGPT技巧大揭秘：AI写代码新境界 2401_83550420 chatgpt4.0chatgptchatgpt人工智能AI写作
    ChatGPT无限次数:点击直达ChatGPT技巧大揭秘：AI写代码新境界随着人工智能技术的不断进步，开发人员现在有了更多有趣的工具来提高他们的工作效率。其中，ChatGPT作为一种基于深度学习的自然语言处理模型，已经成为许多开发者的新宠。在本文中，我们将揭秘使用ChatGPT来帮助编写代码的技巧，探索AI在编程领域的新境界。ChatGPT简介ChatGPT是一种基于大型神经网络的对话生成模型，它
  • AI大模型学习：开启智能时代的新篇章 游向大厂的咸鱼 人工智能学习
    随着人工智能技术的不断发展，AI大模型已经成为当今领先的技术之一，引领着智能时代的发展。这些大型神经网络模型，如OpenAI的GPT系列、Google的BERT等，在自然语言处理、图像识别、智能推荐等领域展现出了令人瞩目的能力。然而，这些模型的背后是一系列复杂的学习过程，深度学习技术的不断演进推动了AI大模型学习的发展。首先，AI大模型学习的基础是深度学习技术。深度学习是一种模仿人类大脑结构的机器
  • 情感如果没有在澎湃中消亡，都终将回归平淡。那么，怎么才能维持情感保鲜呢？ Life研究生
    爱情的本质，简要来说，就是陪伴…大部分的人都向往着轰轰烈烈的爱情，希望从爱情中不断获得惊喜，满足。然而爱情不论怎么波涛汹涌，除非在澎湃中消亡。否则…都将归于平淡…跟大家分享一下在情感中增加新鲜感的方法。1：幼稚。人会随着年龄的增长，渐渐失去童真。为了去适应这个世界，而变得成熟。幼稚，则是为了找回童真…因为在童真的年代，是最开心快乐。对方在向你展示幼稚的时候，你切不可以直接怒斥，或者严肃点明。“都多
  • 【循环神经网络rnn】一篇文章讲透 CX330的烟花 rnn人工智能深度学习算法python机器学习数据结构
    目录引言二、RNN的基本原理代码事例三、RNN的优化方法1长短期记忆网络（LSTM）2门控循环单元（GRU）四、更多优化方法1选择合适的RNN结构2使用并行化技术3优化超参数4使用梯度裁剪5使用混合精度训练6利用分布式训练7使用预训练模型五、RNN的应用场景1自然语言处理2语音识别3时间序列预测六、RNN的未来发展七、结论引言众所周知，CNN与循环神经网络（RNN）或生成对抗网络（GAN）等算法结
  • 零基础机器学习(5)之线性回归模型的性能评估 一只特立独行猪 机器学习机器学习线性回归人工智能
    文章目录线性回归模型的性能评估1.举例1-单一特征2.举例2-多特征线性回归模型的性能评估评估线性回归模型时，首先要建立评估的测试数据集（测试集不能与训练集相同），然后选择合适的评估方法，实现对线性回归模型的评估。回归任务中最常用的评估方法有均方误差、均方根误差和预测准确率（确定系数）。1.举例1-单一特征分别对两个模型进行评估，输入的测试集如表所示。面积/（m2）售价/（万元）面积/（m2）售价
  • 深度学习与（复杂系统）事物的属性 科学禅道 深度学习模型专栏深度学习人工智能
    深度学习与复杂系统中事物属性的关系体现在：特征学习与表示:深度学习通过多层神经网络结构，能够自动从原始输入数据中学习和提取出丰富的特征表示。每一层神经网络都可能对应着事物属性的不同抽象层次，底层可能对应简单直观的属性，而随着网络深度的增加，顶层可以学习到更抽象、复杂的属性及其相互关系。非线性关系建模:深度学习特别擅长处理非线性关系，而在复杂系统中，事物属性间的相互作用往往表现为非线性，例如，某些属
  • 牛年第117练 和乐伯阳
    回归崭新的168，几无不适之感，今日没有借口，就是状态一般，发挥一般。连续两日与百扣柯王单打一小局，均是险胜，说明实力很接近了。今日双打成绩也很一般，与前场红王搭档对抗乔付组合一局被吐槽“太瘦”；吾乔/姬柯五局三胜，18-21，20-22，21-12，21-15，16-13，负局无非是因吾方状态不佳并配合不恰，又因百扣柯王与北规姬雄状态神勇。乔付组合对姬孙组合战绩辉煌，无疑是首医第一混双。
  • 神经网络（深度学习，计算机视觉，得分函数，损失函数，前向传播，反向传播，激活函数） MarkHD 深度学习神经网络计算机视觉
    神经网络，特别是深度学习，在计算机视觉等领域有着广泛的应用。以下是关于你提到的几个关键概念的详细解释：神经网络：神经网络是一种模拟人脑神经元结构的计算模型，用于处理复杂的数据和模式识别任务。它由多个神经元（或称为节点）组成，这些神经元通过权重和偏置进行连接，并可以学习调整这些参数以优化性能。深度学习：深度学习是神经网络的一个子领域，主要关注于构建和训练深度神经网络（即具有多个隐藏层的神经网络）。通
  • 晒一下今天的安排 yuyu545
    三八妇女节又是二月二，本来应该去老姨家吃饭，然而，今天是周五，我儿晚上有跆拳道表演班的课程。我现在在做泥灸，十一点半拉丁舞，下午一点半瑜伽课。四点约了装修人员来看房子，五点约了一个。大约8点到家，录视频，交作业。这一天是要累死我的节奏啊。很高兴这样的生活只能持续到三月底，四月以后就要全然回归扫书生涯，提高阅读的速度和质量，英语也要落到实处了。不增加了，要做减法了。
  • 《健腹轮》——浮世心境 2022-10-14 零下1度的刺猬
    在洗澡的时候不止一次看到自己日渐突出的肚子厌恶不已，总是想着什么时候可以开始对自己的肚子进行减负，让它能够回归五年之前的样子，因为那时候的肚子拥有着令人羡慕的六块腹肌。如今的它已然不再拥有曾经的风光，虽然还在我用力的时候隐约可见肌肉的轮廓，但在放松的时候似乎和一个充气的轮胎没啥两样，这真是让我郁闷了好久无法释怀。但是一直没能痛下心扉去改变现状，原因是懒惰加上得过且过的态度，使得自己总是不愿意拿出实
  • 飞桨科学计算套件PaddleScience skywalk8163 人工智能paddlepaddle人工智能飞桨
    PaddleScience是一个基于深度学习框架PaddlePaddle开发的科学计算套件，利用深度神经网络的学习能力和PaddlePaddle框架的自动(高阶)微分机制，解决物理、化学、气象等领域的问题。支持物理机理驱动、数据驱动、数理融合三种求解方式，并提供了基础API和详尽文档供用户使用与二次开发。安装当然要先安装好飞桨PaddlePaddle，再安装PaddleSciencepipinst
  • 训练时损失出现负数，正常吗？为什么 苏苏大大 机器学习深度学习人工智能
    在训练神经网络时，通常期望损失函数的值是非负的，因为损失函数是用来度量模型预测与真实值之间的差异的。然而，有时候在训练过程中，损失函数可能会出现负数的情况，这可能是正常的，也可能是因为某些原因导致了不寻常的行为。出现损失函数为负数的情况可能有以下几种原因：1.数值不稳定性：如果在计算损失函数时使用了数值不稳定的操作，比如过大或过小的数值，可能会导致损失函数出现负数。这可能是由于数值计算中的舍入误差
  • 特殊因素再升级，CBA外援难以回归，联赛重启时间待定！ 陈晖篮球
    距离后半程联赛重启还有多久？这个问题慢慢已变成联赛后半程会不会以全华班形式开启？甚至是还能重启吗？类似的不确定性越来越多，但要相信拨开云雾见天明……未来重启CBA联赛的日子马上就要来啦！这是当下最美好的期待。尽管当下困难重重，但要坚信克服艰难险阻，重启CBA联赛的各方正在不断努力着。随着特殊因素再次升级，部分CBA外援暂时没法回归，包括几位CBA外教也不能及时归队。再加上CBA后半程赛季重启时间再
  • 神经网络量化 小厂程序猿 人工智能
    神经网络量化（NeuralNetworkQuantization）是一种技术，旨在减少神经网络模型的计算和存储资源需求，同时保持其性能。在深度学习中，神经网络模型通常使用高精度的参数（例如32位浮点数）来表示权重和激活值。然而，这种表示方式可能会占用大量的内存和计算资源，特别是在部署到资源受限的设备（如移动设备或嵌入式系统）时会受到限制。神经网络量化通过将模型参数和激活值从高精度表示（例如32位浮
  • 神奇的微积分 科学的N次方 人工智能人工智能ai
    微积分在人工智能（AI）领域扮演着至关重要的角色，以下是其主要作用：优化算法：•梯度下降法：微积分中的导数被用来计算损失函数相对于模型参数的梯度，这是许多机器学习和深度学习优化算法的核心。梯度指出了函数值增加最快的方向，通过沿着负梯度方向更新权重，可以最小化损失函数并优化模型。•反向传播：在神经网络训练中，微积分的链式法则用于计算整个网络中每个参数对于最终损失函数的影响（偏导数），这一过程就是反向
  • 看见光，追逐光，成为光~ 默涵在当下
    高屋建瓴的人，散发着高贵气质，周遭牛人很多，咬紧他们~杜总，从看网知网背景出发，讲到发现流量痛点，讲到站点布局，讲到下一步机会，从而又契合到自动驾驶网络。从如何构建五级驾驶，到如何结合现状落地~研究字节跳动对神经网络的改造，注入人的干预分类，优化再到聚类，让算法匹配人的干预能力~基础操作效能提升达到90%，告警防护率达到90%，两者交叉防护有效率达到多少？99%一切皆可AI~一切皆可AI~优秀自觉
  • regression机器学习回归预测模型参考学习后自我总结 饮啦冰美式 机器学习回归学习
    简单来说，就是将样本的特征矩阵映射到样本标签空间。回归分析帮助我们理解在改变一个或多个自变量时，因变量的数值会如何变化。线性模型线性回归用于建立因变量和一个或多个自变量之间的线性关系模型。在线性回归中，假设因变量（被预测变量）与自变量（预测变量）之间存在着线性关系，也就是说，因变量的数值可以通过自变量的线性组合来预测。普通最小二乘线性回归。通过最小化实际观测值与模型预测值之间的误差平方和，可以找到
  • 线性代数在卷积神经网络（CNN）中的体现 科学的N次方 人工智能线性代数cnn人工智能
    案例：深度学习中的卷积神经网络（CNN）在图像识别领域，卷积神经网络（ConvolutionalNeuralNetworks,CNN）是一个广泛应用深度学习模型，它在人脸识别、物体识别、医学图像分析等方面取得了显著成效。CNN中的核心操作——卷积，就是一个直接体现线性代数应用的例子。假设我们正在训练一个用于识别猫和狗的图像分类器，原始输入是一幅RGB彩色图片，可以将其视为一个高度、宽度和通道数（R
  • 线性回归和逻辑回归对比学习-含代码和数据 M.D 线性回归逻辑回归学习
    线性回归和逻辑回归是两种常见的机器学习算法，它们在一些方面相似，但在其他方面则有明显的不同。以下是它们的对比以及您提供的代码示例：线性回归(LinearRegression)线性回归用于预测连续的数值。这种模型假设自变量和因变量之间存在线性关系。fromsklearn.linear_modelimportLinearRegressionimportmatplotlib.pyplotaspltimp
  • 【GO】七、架构基础与 GORM 简要介绍 清河__ Gogolang架构开发语言
    架构分析单体应用的部署架构：这种单体应用架构在少部分人开发时，不会产生太多问题，但在项目结构足够大时，就会产生多种需求同时开发的情况，多种需求的同时开发一定会产生先后与master合并的情况，后合并的需求就需要先拉取最新代码再进行回归测试，（无论是否产生代码冲突都必须进行回归测试）在这种情况下就极大的降低了开发效率另外，我们在进行各个需求开发时，操作同一个数据库，有很大的可能性出现操作同一张表导致
  • Pytorch nn.Module 霖大侠 pytorch人工智能python深度学习cnn神经网络卷积神经网络
    一、torch.nn简介torch.nn是PyTorch中用于构建神经网络的模块。它提供了一系列的类和函数，用于定义神经网络的各种层、损失函数、优化器等。torch.nn提供的类：Module:所有神经网络模型的基类，用于定义自定义神经网络模型。Linear:线性层，进行线性变换。Conv2d:二维卷积层。RNN,LSTM,GRU:循环神经网络层，分别对应简单RNN、长短时记忆网络（LSTM）、门
  • 计算机设计大赛 题目：基于卷积神经网络的手写字符识别 - 深度学习 iuerfee python
    文章目录0前言1简介2LeNet-5模型的介绍2.1结构解析2.2C1层2.3S2层S2层和C3层连接2.4F6与C5层3写数字识别算法模型的构建3.1输入层设计3.2激活函数的选取3.3卷积层设计3.4降采样层3.5输出层设计4网络模型的总体结构5部分实现代码6在线手写识别7最后0前言优质竞赛项目系列，今天要分享的是基于卷积神经网络的手写字符识别该项目较为新颖，适合作为竞赛课题方向，学长非常推荐
  • 《瓦尔登湖》 女人如酒
    《瓦尔登湖》是美国作家梭罗创作的散文集。是梭罗独居瓦尔登湖畔的记录，描绘了作者在两年多的时间里，住在瓦尔登湖畔的所见所想所思。在这部书里，梭罗提倡极简生活，他把世界上的东西分成两部分，一部分是必需品，一部分是奢侈品。他认为人的欲望维持在必需品的范围之内，就可以不用那么辛苦的劳作。剩余的时间可以去丰富自己的思想和头脑。他讽刺资产阶级，同情农夫，作者自己喜欢农耕生活，寻求本真回归自然的生活。瓦尔登湖是
  • 我和我的祖国观影有感 安_0701
    《我和我的祖国》按时间顺序上，讲述了前夜、相遇、夺冠、回归、北京你好、白昼流星、护航七个故事。前夜是开国典礼背景下，电动升旗研发的故事；相遇则是我国第一颗原子弹成功试爆背后的一段凄美爱情故事.....。在这个电影中，只讲述了7个小故事。但我们其实我们明白，其实这背后有着无数个和着电影一样的不为人知的小故事。祖国发生的每一件大事，都影响着无数个我们这种小人物的生活。同时反过来，无数个我们这种小人物背
  • 神经网络模型的保存和读取 tiny_PIkid 基于pytorch的深度学习pytorch神经网络深度学习
    保存神经网络的两种方法:(还是以我之前自建的神经网络模型Gu为例，保存这个神经网络)gu=Gu()1.torch.save(gu,"gu_module.pth")2.torch.save(gu.state_dict(),"gu_module.pth")importtorchfromtorchimportnnfromtorch.nnimportSequential,Conv2d,MaxPool2d,
  • web报表工具FineReport常见的数据集报错错误代码和解释 老A不折腾 web报表finereport代码可视化工具
    在使用finereport制作报表，若预览发生错误，很多朋友便手忙脚乱不知所措了，其实没什么，只要看懂报错代码和含义，可以很快的排除错误，这里我就分享一下finereport的数据集报错错误代码和解释，如果有说的不准确的地方，也请各位小伙伴纠正一下。   NS-war-remote=错误代码\:1117 压缩部署不支持远程设计 NS_LayerReport_MultiDs=错误代码
  • Java的WeakReference与WeakHashMap bylijinnan java弱引用
    首先看看 WeakReference wiki 上 Weak reference 的一个例子： public class ReferenceTest { public static void main(String[] args) throws InterruptedException { WeakReference r = new Wea
  • Linux——（hostname）主机名与ip的映射 eksliang linuxhostname
    一、 什么是主机名 无论在局域网还是INTERNET上，每台主机都有一个IP地址，是为了区分此台主机和彼台主机，也就是说IP地址就是主机的门牌号。但IP地址不方便记忆，所以又有了域名。域名只是在公网（INtERNET)中存在，每个域名都对应一个IP地址，但一个IP地址可有对应多个域名。域名类型 linuxsir.org 这样的； 主机名是用于什么的呢？ 答：在一个局域网中，每台机器都有一个主
  • oracle 常用技巧 18289753290
    oracle常用技巧 ①复制表结构和数据   create table  temp_clientloginUser as   select distinct userid from tbusrtloginlog ②仅复制数据 如果表结构一样 insert into  mytable  select  * &nb
  • 使用c3p0数据库连接池时出现com.mchange.v2.resourcepool.TimeoutException 酷的飞上天空 exception
    有一个线上环境使用的是c3p0数据库，为外部提供接口服务。最近访问压力增大后台tomcat的日志里面频繁出现 com.mchange.v2.resourcepool.TimeoutException: A client timed out while waiting to acquire a resource from com.mchange.v2.resourcepool.BasicResou
  • IT系统分析师如何学习大数据 蓝儿唯美 大数据
    我是一名从事大数据项目的IT系统分析师。在深入这个项目前需要了解些什么呢？学习大数据的最佳方法就是先从了解信息系统是如何工作着手，尤其是数据库和基础设施。同样在开始前还需要了解大数据工具，如Cloudera、Hadoop、Spark、Hive、Pig、Flume、Sqoop与Mesos。系 统分析师需要明白如何组织、管理和保护数据。在市面上有几十款数据管理产品可以用于管理数据。你的大数据数据库可能
  • spring学习——简介 a-john spring
    Spring是一个开源框架，是为了解决企业应用开发的复杂性而创建的。Spring使用基本的JavaBean来完成以前只能由EJB完成的事情。然而Spring的用途不仅限于服务器端的开发，从简单性，可测试性和松耦合的角度而言，任何Java应用都可以从Spring中受益。其主要特征是依赖注入、AOP、持久化、事务、SpringMVC以及Acegi Security 为了降低Java开发的复杂性，
  • 自定义颜色的xml文件 aijuans xml
    <?xml version="1.0" encoding="utf-8"?> <resources> <color name="white">#FFFFFF</color> <color name="black">#000000</color> &
  • 运营到底是做什么的？ aoyouzi 运营到底是做什么的？
    文章来源：夏叔叔（微信号：woshixiashushu），欢迎大家关注！很久没有动笔写点东西，近些日子，由于爱狗团产品上线，不断面试，经常会被问道一个问题。问：爱狗团的运营主要做什么？答：带着用户一起嗨。为什么是带着用户玩起来呢？究竟什么是运营？运营到底是做什么的？那么，我们先来回答一个更简单的问题——互联网公司对运营考核什么？以爱狗团为例，绝大部分的移动互联网公司，对运营部门的考核分为三块——用
  • js面向对象类和对象 百合不是茶 js面向对象函数创建类和对象
    接触js已经有几个月了,但是对js的面向对象的一些概念根本就是模糊的,js是一种面向对象的语言 但又不像java一样有class,js不是严格的面向对象语言 ,js在java web开发的地位和java不相上下  ,其中web的数据的反馈现在主流的使用json,json的语法和js的类和属性的创建相似   下面介绍一些js的类和对象的创建的技术   一:类和对
  • web.xml之资源管理对象配置 resource-env-ref bijian1013 javaweb.xmlservlet
    resource-env-ref元素来指定对管理对象的servlet引用的声明，该对象与servlet环境中的资源相关联 <resource-env-ref> <resource-env-ref-name>资源名</resource-env-ref-name> <resource-env-ref-type>查找资源时返回的资源类
  • Create a composite component with a custom namespace sunjing
    https://weblogs.java.net/blog/mriem/archive/2013/11/22/jsf-tip-45-create-composite-component-custom-namespace   When you developed a composite component the namespace you would be seeing would
  • 【MongoDB学习笔记十二】Mongo副本集服务器角色之Arbiter bit1129 mongodb
     一、复本集为什么要加入Arbiter这个角色 回答这个问题，要从复本集的存活条件和Aribter服务器的特性两方面来说。 什么是Artiber？ An arbiter does not have a copy of data set and cannot become a primary. Replica sets may have arbiters to add a
  • Javascript开发笔记 白糖_ JavaScript
    获取iframe内的元素 通常我们使用window.frames["frameId"].document.getElementById("divId").innerHTML这样的形式来获取iframe内的元素，这种写法在IE、safari、chrome下都是通过的，唯独在fireforx下不通过。其实jquery的contents方法提供了对if
  • Web浏览器Chrome打开一段时间后，运行alert无效 bozch Webchormealert无效
    今天在开发的时候，突然间发现alert在chrome浏览器就没法弹出了，很是怪异。 试了试其他浏览器，发现都是没有问题的。 开始想以为是chorme浏览器有啥机制导致的，就开始尝试各种代码让alert出来。尝试结果是仍然没有显示出来。 这样开发的结果，如果客户在使用的时候没有提示，那会带来致命的体验。哎，没啥办法了 就关闭浏览器重启。   结果就好了，这也太怪异了。难道是cho
  • 编程之美-高效地安排会议 图着色问题 贪心算法 bylijinnan 编程之美
    import java.util.ArrayList; import java.util.Collections; import java.util.List; import java.util.Random; public class GraphColoringProblem { /**编程之美 高效地安排会议 图着色问题 贪心算法 * 假设要用很多个教室对一组
  • 机器学习相关概念和开发工具 chenbowen00 算法matlab机器学习
    基本概念： 机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。 它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。 开发工具 M
  • [宇宙经济学]关于在太空建立永久定居点的可能性 comsci 经济
           大家都知道,地球上的房地产都比较昂贵,而且土地证经常会因为新的政府的意志而变幻文本格式........        所以,在地球议会尚不具有在太空行使法律和权力的力量之前,我们外太阳系统的友好联盟可以考虑在地月系的某些引力平衡点上面,修建规模较大的定居点
  • oracle 11g database control 证书错误 daizj oracle证书错误oracle 11G 安装
    oracle 11g database control 证书错误  win7 安装完oracle11后打开 Database control 后，会打开em管理页面，提示证书错误，点“继续浏览此网站”，还是会继续停留在证书错误页面 解决办法： 是 KB2661254 这个更新补丁引起的，它限制了 RSA 密钥位长度少于 1024 位的证书的使用。具体可以看微软官方公告：
  • Java I/O之用FilenameFilter实现根据文件扩展名删除文件 游其是你 FilenameFilter
    在Java中，你可以通过实现FilenameFilter类并重写accept(File dir, String name) 方法实现文件过滤功能。 在这个例子中，我们向你展示在“c:\\folder”路径下列出所有“.txt”格式的文件并删除。 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
  • C语言数组的简单以及一维数组的简单排序算法示例，二维数组简单示例 dcj3sjt126com carray
    # include <stdio.h> int main(void) { int a[5] = {1, 2, 3, 4, 5}; //a 是数组的名字 5是表示数组元素的个数，并且这五个元素分别用a[0], a[1]...a[4] int i; for (i=0; i<5; ++i) printf("%d\n",
  • PRIMARY, INDEX, UNIQUE 这3种是一类 PRIMARY 主键。 就是 唯一 且 不能为空。 INDEX 索引，普通的 UNIQUE 唯一索引 dcj3sjt126com primary
    PRIMARY, INDEX, UNIQUE 这3种是一类PRIMARY 主键。 就是 唯一 且 不能为空。INDEX 索引，普通的UNIQUE 唯一索引。 不允许有重复。FULLTEXT 是全文索引，用于在一篇文章中，检索文本信息的。举个例子来说，比如你在为某商场做一个会员卡的系统。这个系统有一个会员表有下列字段：会员编号   INT会员姓名  
  • java集合辅助类 Collections、Arrays shuizhaosi888 CollectionsArraysHashCode
      Arrays、Collections   1 ）数组集合之间转换 public static <T> List<T> asList(T... a) { return new ArrayList<>(a); }      a）Arrays.asL
  • Spring Security（10）——退出登录logout 234390216 logoutSpring Security退出登录logout-urlLogoutFilter
           要实现退出登录的功能我们需要在http元素下定义logout元素，这样Spring Security将自动为我们添加用于处理退出登录的过滤器LogoutFilter到FilterChain。当我们指定了http元素的auto-config属性为true时logout定义是会自动配置的，此时我们默认退出登录的URL为“/j_spring_secu
  • 透过源码学前端 之 Backbone 三 Model 逐行分析JS源代码 backbone源码分析js学习
    Backbone 分析第三部分  Model 概述： Model 提供了数据存储，将数据以JSON的形式保存在 Model的 attributes里， 但重点功能在于其提供了一套功能强大，使用简单的存、取、删、改数据方法，并在不同的操作里加了相应的监听事件， 如每次修改添加里都会触发 change，这在据模型变动来修改视图时很常用，并且与collection建立了关联。
  • SpringMVC源码总结（七）mvc:annotation-driven中的HttpMessageConverter 乒乓狂魔 springMVC
    这一篇文章主要介绍下HttpMessageConverter整个注册过程包含自定义的HttpMessageConverter，然后对一些HttpMessageConverter进行具体介绍。 HttpMessageConverter接口介绍： public interface HttpMessageConverter<T> { /** * Indicate
  • 分布式基础知识和算法理论 bluky999 算法zookeeper分布式一致性哈希paxos
      分布式基础知识和算法理论 BY [email protected] 本文永久链接：http://nodex.iteye.com/blog/2103218   在大数据的背景下，不管是做存储，做搜索，做数据分析，或者做产品或服务本身，面向互联网和移动互联网用户，已经不可避免地要面对分布式环境。笔者在此收录一些分布式相关的基础知识和算法理论介绍，在完善自我知识体系的同
  • Android Studio的.gitignore以及gitignore无效的解决 bell0901 androidgitignore
    　　github上.gitignore模板合集，里面有各种.gitignore ： https://github.com/github/gitignore 　　自己用的Android Studio下项目的.gitignore文件，对github上的android.gitignore添加了 　　　　　　# OSX files　　　　　　//mac os下　　　　　　.DS_Store
  • 成为高级程序员的10个步骤 tomcat_oracle 编程
    What 软件工程师的职业生涯要历经以下几个阶段：初级、中级，最后才是高级。这篇文章主要是讲如何通过 10 个步骤助你成为一名高级软件工程师。   Why 得到更多的报酬！因为你的薪水会随着你水平的提高而增加 提升你的职业生涯。成为了高级软件工程师之后，就可以朝着架构师、团队负责人、CTO 等职位前进 历经更大的挑战。随着你的成长，各种影响力也会提高。
  • mongdb在linux下的安装 xtuhcy mongodblinux
    一、查询linux版本号： lsb_release -a  LSB Version:    :base-4.0-amd64:base-4.0-noarch:core-4.0-amd64:core-4.0-noarch:graphics-4.0-amd64:graphics-4.0-noarch:printing-4.0-amd64:printing-4.0-noa
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他