您好,欢迎光临本网站![请登录][注册会员]  

搜索资源列表

  1. 使用numpy提过运算效率

  2. 使用mnist数据集,分别用使用两组测试,一组使用原生代码,一组使用numpy,比较它们的用时
  3. 所属分类:Python

    • 发布日期:2017-11-22
    • 文件大小:11mb
    • 提供者:qq_37879432
  1. logistic regression源代码(含数据集)

  2. 压缩包里含有logistic regression逻辑回归的Python源代码,训练数据集和测试训练集,最后也用Python画了结构示意图。只需要有Numpy和Matplotlib两个包即可。
  3. 所属分类:机器学习

    • 发布日期:2019-04-04
    • 文件大小:12kb
    • 提供者:wzl1997
  1. kNN算法代码实例和数据集.zip

  2. 参考机器学习第二章KNN(K比邻算法),对于实例代码提供相对应的数据集 # 1:约会网站 # 2:将图像转换为测试向量,创建1x1024的Numpy数组,然后打开给定的文件,循环读出文件的前32行, # 并将每行的头32个字符值存储在NumPy数组中,最后返回数组
  3. 所属分类:算法与数据结构

    • 发布日期:2020-04-10
    • 文件大小:1mb
    • 提供者:zll_1234
  1. MNIST数据集(基于python下的Tensorflow框架)

  2. 解压即可使用,运行代码可在本人博客中找到。大多数示例使用手写数字的MNIST数据集[1]。该数据集包含60,000个用于训练的示例和10,000个用于测试的示例。这些数字已经过尺寸标准化并位于图像中心,图像是固定大小(28x28像素),其值为0到1。为简单起见,每个图像都被平展并转换为784(28 * 28)个特征的一维numpy数组。
  3. 所属分类:专业指导

    • 发布日期:2020-10-10
    • 文件大小:11mb
    • 提供者:GINISOBEAU
  1. 神经网络实现minist数据集的分类

  2. 本资源针对minist数据集的CSV文件进行神经网络的训练,由于minist数据集较大,这里数据集里面有100个训练数据,10个测试数据,此代码不使用TensorFlow和pytorch等深度框架,使用numpy进行两层全连接神经网络的设计。
  3. 所属分类:机器学习

    • 发布日期:2020-11-11
    • 文件大小:207kb
    • 提供者:qq_42036189
  1. Python sklearn KFold 生成交叉验证数据集的方法

  2. 源起: 1.我要做交叉验证,需要每个训练集和测试集都保持相同的样本分布比例,直接用sklearn提供的KFold并不能满足这个需求。 2.将生成的交叉验证数据集保存成CSV文件,而不是直接用sklearn训练分类模型。 3.在编码过程中有一的误区需要注意: 这个sklearn官方给出的文档 >>> import numpy as np >>> from sklearn.model_selection import KFold >>> X =
  3. 所属分类:其它

    • 发布日期:2020-12-25
    • 文件大小:48kb
    • 提供者:weixin_38697123
  1. 使用逻辑回归进行MNIST数据集分类

  2. MNIST数据集是机器学习领域中非常经典的一个数据集,由60000个训练样本和10000个测试样本组成,每个样本都是一张28 * 28像素的灰度手写数字图片。 import time import numpy as np import matplotlib.pyplot as plt from sklearn.model_selection import train_test_split from sklearn.linear_model import LogisticRegression f
  3. 所属分类:其它

    • 发布日期:2020-12-22
    • 文件大小:54kb
    • 提供者:weixin_38500572
  1. tiny_cnn:卷积,关联和合并是神经网络的基本单元。 该测试希望您在CC ++中编写这三部分的功能-源码

  2. tiny_CNN性能测试 卷积,Relu以及池化是卷积神经网络的基本单元,这个项目采用C ++实现了这三个基本单元的前进和后退计算。并且实现了将这三个单元组合为一体的模块以提高性能,组合后有1.2倍的性能提升。该项目采用OpenMP支持多核并行。 目录 介绍 1.项目结构 ./src原始码 ./lib开源第三方矩阵库Eigen(长期可调用MKL) ./data mnist数据集 ./python numpy实现算法demo以及Pytorch作基准 ./main.cpp测试性能代码 2.建立 m
  3. 所属分类:其它

    • 发布日期:2021-03-16
    • 文件大小:11mb
    • 提供者:weixin_42102358
  1. jupyterlab-hdf5:在JupyterLab中打开和浏览HDF5文件。 可以处理超大(TB)大小的文件以及任何维度的数据集-源码

  2. jupyterlab-hdf5 在JupyterLab中打开和浏览HDF5文件。 可以处理非常大(TB)的文件。 jlab-hdf5是v0.5.0版中的新功能,现在可以打开从0到32的任意维度的数据集。可以使用numpy样式索引语法轻松选择和显示任何数据集的任何0D,1D或2D平板。 在文件浏览器中双击.hdf5文件将在特殊的HDF浏览器中将其打开。 然后,您可以浏览这些组并在.hdf5文件中打开数据集。 所有数据集将以只读方式打开。 目前,浏览器上下文菜单不适用于.hdf5文件/组/数据
  3. 所属分类:其它

  1. a_numpy_based_implement_cnn:这是我的博客《不用框架,使用Python构建基于numpy的卷积神经网络来进行cifar-10分类的深度学习系统》的代码实现-源码

  2. a_numpy_based_implement_cnn 这是我的博客的代码实现。 训练 测试 其他:卷积层可视化 依赖: Python3.6 numpy;枕头; scipy; matplotlib 简易装置: 间谍 其中训练部分由两个Python文件和一个文件夹组成: data_utils.py cnn.py ./cifar-10-batches-py$ ls batches.meta data_batch_2 data_batch_4 test_batch data_batch_
  3. 所属分类:其它

    • 发布日期:2021-03-11
    • 文件大小:168mb
    • 提供者:weixin_42118701
  1. VisualTF:可视化tensorflow学习记录,通过可视化方式观察梯度下降以及权重,偏差等变化情况。数据挖掘入门,推荐系统入门numpy,matploytlib-源码

  2. 可视化TF numpy,matploytlib h(x)= w * x + b作为连续值w,b就是需要不断进行修正。一般都是通过梯度下降的方法将w,b进行修正。的速度一般的梯度下降方式有: 新元 最简单的方式,就是测试数据分批进行神经网络计算。 势头 传统的W参数更新为:W + =-学习率* dx动量则是加上一个惯性,即m = b1 * m学习率* dx W + = m 阿达格拉德 对学习率进行更新:v + = dx ^ 2 W + =-学习率* dx /√vv算是一种惩罚措施,逼迫朝着正
  3. 所属分类:其它

    • 发布日期:2021-03-11
    • 文件大小:720kb
    • 提供者:weixin_42108054
  1. NuRS_Python_Executable:NHS中用于测试计算机的python可执行格式的测试-源码

  2. NuRS_Python_Executable NHS中用于测试计算机的python可执行格式的测试。 该存储库包含以下实现: 结盟 争夺 结合 NHS Trusts中提取的数据集。 对于读者-核心python实现位于文件夹中。 每个python脚本里面是一个独立的程序,以产生一个数据集,使用在Implemeted一个工具子目录。 改组算法 数据改组命令是通过numpy.random.choice命令实现的。 数据集的每一列都经过详尽采样而无需替换。 如果帧太小而无法改组进行更改,即只有一
  3. 所属分类:其它

    • 发布日期:2021-03-09
    • 文件大小:180kb
    • 提供者:weixin_42099942
  1. Credit_Risk_Model_LoanDefaults:数据科学项目-源码

  2. 贷款违约的信用风险建模 项目概况 该项目旨在通过计算未偿还贷款的预期损失来衡量贷款机构(即商业银行)的信用风险。 信用风险是借款人不偿还贷款给贷方的可能性。 通过有效地衡量风险,贷方可以最大程度地降低其信用损失,同时最大程度地提高贷款借贷的收入。 对于银行而言,遵守要求其以足够的资本充足率开展业务的法规也至关重要,如果资本充足率较低,则将冒着经济体系稳定的风险。 信用风险的关键指标是预期损失(EL),它是通过将以下三个模型的结果相乘得出的结果:PD(违约概率),LGD(给定违约损失)和EAD(
  3. 所属分类:其它

    • 发布日期:2021-03-09
    • 文件大小:20mb
    • 提供者:weixin_42144366
  1. LRS3-For-Speech-Separation:LRS3数据集上的多模式语音分离任务数据生成脚本-源码

  2. 生成数据的指令 以下是生成训练和测试数据的步骤。 有几个参数可以更改以匹配不同的目的。 我们将尽快在LRS3数据集上发布语音分离基准。 我们的脚本存储库是为了使多模式语音分离任务在数据集生成方面具有统一的标准。 这样我们就可以跟进多模式语音分离任务。 我们希望LRS3数据集将为诸如WSJ0数据集之类的纯语音分离任务制定统一的生成标准。 :check_box_with_check: 我们的基准模型即将推出! 信噪比 信噪比 基准线 15.08 15.34 要求 ffmpeg 4.2.
  3. 所属分类:其它

  1. -numpy-:全连接神经网络(纯numpy实现,三层),对minist手写测试数据集可以达到87的准确率-源码

  2. -numpy- 全连接神经网络(纯numpy实现,三层),对minist手写测试数据集可以达到87的准确率。
  3. 所属分类:其它

  1. numpy测试-数据集

  2. numpy测试 heart.csv
  3. 所属分类:其它

  1. 投资组合:数据科学投资组合-源码

  2. 数据科学组合 包含数据科学和数据分析项目的存储库。 使用Python进行机器学习 解释性数据分析,特征工程,监督机器学习(逻辑回归,决策树,随机森林)。 结果:基准是Logistic回归,并且在测试数据集上产生了0.7694的AUC。 通过利用随机森林和对参数进行超调,可以达到0.8025 AUC。 因此,超调会产生更好的性能。 技术: 监督机器学习:逻辑回归,决策树,随机森林 工具 : Python :熊猫,Numpy,Sklearn,Matplotlib,Seaborn 带有Pyt
  3. 所属分类:其它

  1. Decision-Trees-Cancer-Prediction-:使用现有数据预测决策树来预测乳腺癌的示例(Scikit-learnpython)-源码

  2. 决策树癌症预测 使用现有数据通过决策树进行学习来预测乳腺癌的示例(scikit-learn / python) 加工 收集的数据样本已分为测试样本和训练样本。 使用scikit的决策树生成器和转换集,可用于基于ID3生成树。 然后可以将测试数据用于交叉验证生成的树的准确性。 这个小程序还生成pdf,以可视化生成的树。 注意 该程序仅用于演示/实验目的。 以下是依赖项 python numpy scipy scikit-学习pydotplus graphviz 使用说明 安装python版本2
  3. 所属分类:其它

  1. 多峰语音情感识别:用于语音情感识别和歧义解决的轻量级和可解释的ML模型(在IEMOCAP数据集上进行训练)-源码

  2. 多模式语音情感识别和歧义解决 总览 从语音中识别情感是一项与情感本身含糊不清的定义有关的艰巨任务。 在这项工作中,我们建立了轻量级的多模式机器学习模型,并将其与较重且难以解释的深度学习对应模型进行了比较。 对于这两种类型的模型,我们都使用来自给定音频信号的手工制作的功能。 我们的实验表明,轻量级模型可以与深度学习基准媲美,甚至在某些情况下甚至可以胜过深度学习基准,从而在IEMOCAP数据集上实现了最先进的性能。 获得的手工特征向量用于训练两种类型的模型: 基于ML:逻辑回归,SVM,随机森林
  3. 所属分类:其它

  1. Tensorflow2.0泰坦尼克数据集的python分析以及离散化数据处理(含数据集下载地址)

  2. 泰坦尼克数据集下载 训练集 测试集 导入需要的库 import matplotlib.pyplot as plt %matplotlib inline import numpy as np import pandas as pd 加载数据集 train_file = './data/titanic/train.csv' eval_file = './data/titanic/eval.csv' train_df = pd.read_csv(train_file) eval_df = pd.re
  3. 所属分类:其它

    • 发布日期:2021-01-20
    • 文件大小:96kb
    • 提供者:weixin_38594266
« 12 3 4 5 6 »