Mrjdk的博客

import paddle import matplotlib.pyplot as plt import numpy as np from PIL import Image import paddle.nn.functional as F class MNIST(paddle.nn.Layer): def __init__(self): super(MNIST, self).__init__() self.fc = paddle.nn.Linear(in_fea

样本的协方差： 协方差矩阵是一个对角矩阵，对角线上的元素是各维度上随机变量的方差。 我们定义协方差为Σ, 协方差矩阵为: Σ=E[(X−E(X))(X−E(X))T] 对于二维的LDA 要实现 1）两类数据的中心点的投影之间的距离最大 2）两类数据投影距离中心点的距离尽可能小，即协方差尽量小 对于1）：用μ0，μ1分别表示两个中心点。 对于2）：用Σ0，Σ1表示两类数据投影的协方差。 ...

神经网络学习算法 本次神经网络学习算法旨在完成对加法器的模拟： 真值表： 通过学习训练使得神经网络能够对给出的输入做出正确的输出。 训练函数： 这里，σ作为启动函数 由于此处只有两个自变量，因此训练函数即为 和监督学习算法类似，只是在求和符号外多了一启动函数σ import numpy as np import math x1 = np.array([0, 0, 1, 1]) x2 = np.array([0, 1, 0, 1]) t = np.array([0, 0, 0, 1]) th0 =

监督学习算法 通过讲解学习了监督学习算法，并将其应用到一个实例中。 算法内容 该算法实现了对数据的拟合于后续的发展可能的预测。 对于该问题： 我们使用函数： 进行学习拟合。 这里theta为需要学习拟合出的系数。 L为误差分析函数，我们以L小于1*e-4为满足条件。 下降梯度： import random import numpy as np import matplotlib.pyplot as plt x1 = np.array([2104,1600,2400,1416,3000]) x2 =

改进欧拉算法，使用两个点的斜率对下一个点进行预测： 求出两个点的斜率使用二分之一 的斜率和乘以步长加上之前的y值进行预测 import numpy as np import matplotlib.pyplot as plt t = 0.1 x = 0 y = 1 y1 = np.zeros(100) x1 = np.ones(100) a = np.zeros(100) for i in range(99): y = 1.1 * y - 0.2 * x / y # 对y进行迭代。 x +

import numpy as np x = np.array([2.5, 0.5, 2.2, 1.9, 3.1, 2.3, 2, 1, 1.5, 1.1]) y = np.array([2.4, 0.7, 2.9, 2.2, 3.0, 2.7, 1.6, 1.1, 1.6, 0.9]) #x,y 平均值 ax = np.average(x) ay = np.average(y) #x,y 调整后的值 xc = x-ax yc = y-ay #调整后的矩阵 D = np.array([xc, yc])

对于全连神经网络的隐藏层和输出层的权值的推算：

python 多行语句 python通常一行写完一条语句，如果太长的话，一般使用 " \ " 来换行。 例如： sum = data1+\ data2+\ data3 但是在有括号时则不需要使用 " \ " 。 例如： sum = ['data1', 'data2', 'data3'] 数字类型 python有四种数字类型：整数型，浮点数，布尔数和复数。 int（整数形） 普通定义的整数 bool（布尔数）true...

对于该问题，我们的思路是： 根据已有的第一个坐标点（x0，y0）通过计算斜率和步长h得出 delta Y 用 delta Y 加上Y得到第二个点的纵坐标 Y1 即：y(n+1) = y(n) + delta(Y) … … 以此类推得到一百个点的坐标 以下是程序 import numpy as np import matplotlib.pyplot as plt x = 0 y = 1 y1 = np.zeros(100) x1 = np.ones(100) for i in range(100): .

#第一天的概率 P = {'s': 0.4, 'r': 0.6, } #前一天的天气条件下，今天的各种天气的概率 CP = {'ss': 0.6, 'rr': 0.7, 'sr': 0.4, 'rs': 0.3} #不同天气下，各种行为的概率 MP = {'rw': 0.1, 'rs': 0.4, 'rc': 0.5, 'sw': 0.6, 'ss': 0.3,'sc': 0.1} #第一天 p11 = 1 * P['s'] * MP['sw'] p12 = 1 * P['r']

import numpy as np data = np.array([1, 2, 3]) print(data.max()) print(data.min()) print(data.sum()) 3 1 6 import numpy as np print(np.ones(3)) print(np.zeros(3)) print(np.random.random(3)) [1. 1. 1.] [0. 0. 0.] [0.27003621 0.87720018 0.90411969] import

在夏季，某公园男性穿凉鞋的概率为 1/2 ，女性穿凉鞋的概率为 2/3 ，并且该公园中男女比例通常为 2:1 ，问题：若你在公园中随机遇到一个穿凉鞋的人，请问他的性别为男性或女性的概率分别为多少？ 在这里，我们设事件 Y(y=men)为性别为男， Y(y=women)为，性别为女； X(x=1)为穿凉鞋， X(x=0)为不穿凉鞋； 由题易知X和Y为独立事件，互不干扰。 首先我们先来求 P(X(x=1)) 和 P(X(x=0)) : 由全概率公式： 可知， 穿拖鞋的概率为 人 是 男性且穿拖鞋 的概率加上 人

import numpy as np import math #三行为三组数据 x = np.array([[1, 4, 3, 3, 2, 2, 3], [85, 76, 89, 64, 55, 98, 73], [2, 2, 3, 3, 1, 2, 3]]) #x2 = np.array([100, 76, 89, 64,

随机梯度下降法： import numpy as np import random def gen_line_data(sample_num=100): x1 = np.linspace(0, 9, sample_num) x2 = np.linspace(1, 10, sample_num) x3 = np.linspace(2, 11, sample_num) x = np.concatenate(([x1], [x2], [x3]), axis=0).T

import gym, os from itertools import count import paddle import paddle.nn as nn import paddle.optimizer as optim import paddle.nn.functional as F from paddle.distribution import Categorical device = paddle.get_device() env = gym.make("CartPole-v0") ### 或