- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI异构
一看就懂的Tensorflow实战（最近邻）
example, we limit mnist data Xtr, Ytr = mnist.train.next_batch(5000) #5000 for training (nn candidates) Xte mnist.test.next_batch(10) #10 for testing # tf Graph Input xtr = tf.placeholder("float", [None, 784]) xte nearest neighbor # 5000个样本点分别和10个测试点计算距离 nn_index = sess.run(pred, feed_dict={xtr: Xtr, xte : Xte[i, :]}) print(nn_index) # Get nearest neighbor class label and compare it to its /len(Xte) print ("Done!")
45750发布于 2020-07-29 - 来自专栏大猪的笔记
xbindkeys配置
vi ~/.xbindkeysrc # 把滚轮上/下滑设为workspace切换 "xte 'keydown Super_L' 'key Right' 'keyup Super_L'" b:6 "xte 'keydown Super_L' 'key Left' 'keyup Super_L'" b:7 # Back "xte 'keydown Alt_L' 'key Left' 'keyup Alt_L'" b:8 # Forward "xte 'keydown Alt_L' 'key Right' 'keyup Alt_L'" b:9 大功告成
95960发布于 2019-11-22 - 来自专栏科学计算
12 Julia科学计算
= convert(Array,(iris[2:2:end,1:4]))' Xte_labels = convert(Array,(iris[2:2:end,5])) # suppose Xtr and Xte are training and testing data matrix, # with each observation in a column # train a PCA model, to 3 dimensions M = fit(PCA, Xtr; maxoutdim=3) # apply PCA model to testing set Yte = transform(M, Xte =="setosa"] versicolor = Yte[:,Xte_labels.=="versicolor"] virginica = Yte[:,Xte_labels. =="virginica"] size(Xte) >>(4, 75) size(Yte) >>(3, 75) 把降维后的数据画出来 using Plots p = scatter(setosa[1,
2.6K20发布于 2020-06-30 - 来自专栏机器学习从入门到成神
Python3读取深度学习CIFAR-10数据集出现的若干问题解决
(X) ys.append(Y) Xtr = np.concatenate(xs) Ytr = np.concatenate(ys) del X, Y Xte , Yte = load_CIFAR_batch(os.path.join(ROOT, 'test_batch')) return Xtr, Ytr, Xte, Yte 错误代码如下： 'gbk = np.concatenate(xs) #使变成行向量,最终Xtr的尺寸为(50000,32,32,3) Ytr = np.concatenate(ys) del X, Y Xte , Yte = load_CIFAR_batch(os.path.join(ROOT, 'test_batch')) return Xtr, Ytr, Xte, Yte import numpy
98320发布于 2018-09-14 - 来自专栏机器学习炼丹之旅
CS231n：1 图像分类问题介绍
Xtr, Ytr, Xte, Yte = load_CIFAR10('data/cifar10/') Xtr_rows = Xtr.reshape(Xtr.shape[0], 32 * 32 * 3) # Xtr_rows becomes 50000 x 3072 Xte_rows = Xte.reshape(Xte.shape[0], 32 * 32 * 3) # Xte_rows becomes nn.train(Xtr_rows, Ytr) # train the classifier on the training images and labels Yte_predict = nn.predict(Xte_rows 下面是选择超参数 k 的过程： # assume we have Xtr_rows, Ytr, Xte_rows, Yte as before # recall Xtr_rows is 50,000 x
50910编辑于 2022-08-08 - 来自专栏全栈程序员必看
加载本地cifar10 数据集
(X) ys.append(Y) Xtr = np.concatenate(xs) Ytr = np.concatenate(ys) del X, Y Xte , Yte = load_CIFAR_batch(os.path.join(ROOT, 'test_batch')) return Xtr, Ytr, Xte, Yte def get_CIFAR10
1K20编辑于 2022-06-25 - 来自专栏计算机视觉战队
干货——图像分类（上）
在下面的代码中，Xtr（大小是50000x32x32x3）存有训练集中所有的图像，Ytr是对应的长度为50000的1维数组，存有图像对应的分类标签（从0到9）： Xtr, Ytr, Xte, Yte = be one-dimensionalXtr_rows = Xtr.reshape(Xtr.shape[0], 32 * 32 * 3) # Xtr_rows becomes 50000 x 3072Xte_rows = Xte.reshape(Xte.shape[0], 32 * 32 * 3) # Xte_rows becomes 10000 x 3072 现在我们得到所有的图像数据，并且把他们拉长成为行向量了 classnn.train(Xtr_rows, Ytr) # train the classifier on the training images and labelsYte_predict = nn.predict(Xte_rows
73330发布于 2018-09-21 - 来自专栏机器学习算法与Python学习
CS231n课程笔记翻译：图像分类笔记（上）
在下面的代码中，Xtr（大小是50000x32x32x3）存有训练集中所有的图像，Ytr是对应的长度为50000的1维数组，存有图像对应的分类标签（从0到9）： Xtr, Ytr, Xte, Yte = load_CIFAR10('data/cifar10/') Xtr_rows = Xtr.reshape(Xtr.shape[0], 32 * 32 * 3) Xte_rows = Xte.reshape (Xte.shape[0], 32 * 32 * 3) 现在我们得到所有的图像数据，并且把他们拉长成为行向量了。 接下来展示如何训练并评价一个分类器： nn = NearestNeighbor() nn.train(Xtr_rows, Ytr) Yte_predict = nn.predict(Xte_rows)
1K60发布于 2018-04-08 - 来自专栏AngelNI
KNN图像分类
ys.append(Y) Xtr = np.concatenate(xs) Ytr = np.concatenate(ys) del X, Y Xte C-and-Python-Algorithn\python\Tensorflow\data', 'cifar-10-batches-py', 'test_batch')) return Xtr, Ytr, Xte
75410发布于 2020-04-16 - 来自专栏机器学习AI算法工程
银行风控案例：Logistics模型预测银行贷款违约
=te.iloc[:, :8].as_matrix() # 第九列 结果标签 yte= te.iloc[:, 8].as_matrix() #筛选特征 xte1 = te[te.columns [rlr.get_support()]].as_matrix() #预测 pte=lr.predict(xte1) Print pte ? sklearn.cross_validation import train_test_split, cross_val_score precisions = cross_val_score(lr,xte1 , scoring='precision') print(u"精确率：", np.mean(precisions), precisions) recalls = cross_val_score(lr,xte1 f1s = cross_val_score(lr,xte1,yte, cv=5) print('综合评价指标：', np.mean(f1s), f1s) 综合评价指标：0.76060150375939839
5K120发布于 2018-03-14 - 来自专栏风口上的猪的文章
机器学习（2） - KNN识别MNIST
TFOutput trainingInput = graph.Placeholder(TFDataType.Float, new TFShape(-1, 784)); //xte 表示一张用来测试的图片 TFOutput xte = graph.Placeholder(TFDataType.Float, new TFShape(784)); 然后取绝对值，最后加起来变成一个总和 var distance = graph.ReduceSum(graph.Abs(graph.Sub(trainingInput, xte trainingImages) //testCount张测试图（数据是从testImages中拿出来的） .AddInput(xte
72720发布于 2018-09-14 - 来自专栏大数据文摘
斯坦福CS231N深度学习与计算机视觉第二弹:图像分类与KNN
把32*32*3的多维数组展平 Xtr_rows = X_train.reshape(X_train.shape[0], 32 * 32 * 3) # Xtr_rows : 50000 x 3072 Xte_rows = X_test.reshape(X_test.shape[0], 32 * 32 * 3) # Xte_rows : 10000 x 3072 下面我们实现最近邻的思路： class NearestNeighbor NearestNeighbor() # 初始化一个最近邻对象 nn.train(Xtr_rows, Y_train) # 训练...其实就是读取训练集 Yte_predict = nn.predict(Xte_rows # 假定已经有Xtr_rows, Ytr, Xte_rows, Yte了，其中Xtr_rows为50000*3072 矩阵 Xval_rows = Xtr_rows[:1000, :] # 构建1000
67140发布于 2018-05-22 - 来自专栏人工智能头条
使用GPU和Theano加速深度学习
幸运的是，这些数据属于 pickled格式，所以我们可以使用辅助函数来加载数据，将每个文件加载到NumPy数组中并返回训练集（Xtr），训练集标签（Ytr），测试集（Xte）以及测试集标签（Yte）。 xs.append(X) ys.append(Y) Xtr = np.concatenate(xs) Ytr = np.concatenate(ys) Xte , Yte = load_CIFAR_file(os.path.join(directory, 'test_batch')) return Xtr, Ytr, Xte, Yte 多层感知器 多层感知器是一种最简单的神经网络模型
1.3K40发布于 2018-06-05 - 来自专栏ShowMeAI研究中心
深度学习与CV教程(2) | 图像分类与机器学习基础
Xtr, Ytr, Xte, Yte = load_CIFAR10('data/cifar10/') # 这个函数可以加载CIFAR10的数据 # Xtr是一个50000x32x32x3的数组，一共50000 # Xte是一个10000x32x32x3的数组； # Ytr是一个长度为50000的一维数组，Yte是一个长度为10000的一维数组。 Xte_rows = Xte.reshape(Xte.shape[0], 32 * 32 * 3) # Xte_rows是10000x3072的数组 ''' shape会返回数组的行和列数元组：（行数 50000，3072)会将Xtr 重构成50000x3072数组，等于 np.reshape(Xtr, (50000,3072))''' Xtr（大小是50000x32x32x3）存有训练集中所有的图像 Xte [图像分类; 超参数调优; 设置验证集; 2-9] 代码如下： # 假设 Xtr_rows, Ytr, Xte_rows, Yte 还是和之前一样 # Xtr_rows 是 50,000 x 3072
1.8K52编辑于 2022-05-27 - 来自专栏科技记者
Nanopore-16S数据分析学习笔记2
2.http://blog.sina.com.cn/s/blog_83f77c940102xte9.html 一个前辈的新浪博客，总结了Nanopore-16S数据分析的策略，并列出了篇文献,使用blasr
1.3K30发布于 2020-03-03 - 来自专栏彩铅的随笔博客
Image Classification
Xtr, Ytr, Xte, Yte = load_CIFAR10('data/cifar10/') # a magic function we provide # flatten out all images be one-dimensional Xtr_rows = Xtr.reshape(Xtr.shape[0], 32 * 32 * 3) # Xtr_rows becomes 50000 x 3072 Xte_rows = Xte.reshape(Xte.shape[0], 32 * 32 * 3) # Xte_rows becomes 10000 x 3072 现在我们已经将所有的图片拉升成行向量，下面将展示如何训练和评估模型 nn.train(Xtr_rows, Ytr) # train the classifier on the training images and labels Yte_predict = nn.predict(Xte_rows 下方是以CIFAR-10为例子的超参调优代码： # assume we have Xtr_rows, Ytr, Xte_rows, Yte as before # recall Xtr_rows is
2.4K40编辑于 2022-09-20 - 来自专栏我还不懂对话
A Survey of Zero-Shot Learning: Settings, Methods, and Applications-阅读笔记
e X^{te} Xte e X^{te} Xte
73530编辑于 2022-01-04 - 来自专栏信数据得永生
数据科学 IPython 笔记本 一、TensorFlow
= mnist.test.next_batch(200) # 测试集 200 个 # 将图像的形状变为一维 Xtr = np.reshape(Xtr, newshape=(-1, 28*28)) Xte = np.reshape(Xte, newshape=(-1, 28*28)) # TF 图输入 xtr = tf.placeholder("float", [None, 784]) xte = tf.placeholder ("float", [784]) # 使用 L1 距离计算最近邻 distance = tf.reduce_sum(tf.abs(tf.add(xtr, tf.neg(xte))), reduction_indices )): # 获取最近邻 nn_index = sess.run(pred, feed_dict={xtr: Xtr, xte: Xte[i,:]}) # /len(Xte) print "Done!"
56830编辑于 2022-05-07 - 来自专栏CSDNToQQCode
腾讯向量数据库——Embedding
SearchParams # create a database client object client = tcvectordb.VectorDBClient(url='http://lb-300ztsfi-xte6p7uk92b8q3ls.clb.ap-guangzhou.tencentclb.com ReadConsistency # create a database client object client = tcvectordb.VectorDBClient(url='http://lb-300ztsfi-xte6p7uk92b8q3ls.clb.ap-guangzhou.tencentclb.com
2K60编辑于 2023-11-19 - 来自专栏Python七号
OpenCV 教程 01：简介与安装，图片与视频的基本操作
也可以传入视频文件的路径 cap = cv.VideoCapture(0) # cap = cv.VideoCapture("/Users/aaron/Downloads/0__xhfux2NnE3xtE_e.mp4
1.3K10编辑于 2022-10-25
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号