import warnings
warnings.filterwarnings("ignore")
import numpy as np
import tensorflow as tf
import matplotlib.pyplot as pltnp.random.seed(999)
raw_data = np.random.standard_normal((1000, 2)) # 产生 0 均值的 正态分布
plt.figure(figsize=(8,6)) # 设置当前图像的长和宽
plt.scatter(raw_data[:,0],raw_data[:,1],marker='o')
plt.grid()
plt.xlabel('x1')
plt.ylabel('x2')
plt.show()
def pre(x):
return -2.5 * x - 0.5
# 横轴是 x1 纵轴是 x2
x1 = np.linspace(-2, 2, 500) # 在 -2 到 2 之间，取出 500 个数
plt.figure(figsize=(8,6))
plt.plot(x1, pre(x1),'salmon')
plt.scatter(raw_data[:,0],raw_data[:,1],marker='o')
plt.grid()
plt.xlabel('x1')
plt.ylabel('x2')
plt.show()
new_raw_data_0 = []
new_raw_data_1 = []
for one_data in raw_data:
x1 = one_data[0]
x2 = one_data[1]
if x2 > pre(x1):
tag = 1
new_raw_data_1.append([x1,x2,tag])
else:
tag = 0
new_raw_data_0.append([x1,x2,tag])def add_noise(x):
x = x + np.random.random(1)[0] - 0.5
return x
new_raw_data_0 = [[add_noise(i[0]),add_noise(i[1]),i[2]] for i in new_raw_data_0]
new_raw_data_1 = [[add_noise(i[0]),add_noise(i[1]),i[2]] for i in new_raw_data_1]
new_raw_data_0 = np.array(new_raw_data_0)
new_raw_data_1 = np.array(new_raw_data_1)
# 列表生成式的方式添加噪声，然后变成 numpy 的数据格式x1 = np.linspace(-2, 2, 500)
plt.figure(figsize=(8,6))
plt.plot(x1, pre(x1),'salmon')
plt.scatter(new_raw_data_0[:,0],new_raw_data_0[:,1],marker='o')
plt.scatter(new_raw_data_1[:,0],new_raw_data_1[:,1],marker='o')
plt.grid()
plt.xlabel('x1')
plt.ylabel('x2')
plt.show()
# all data
all_data = np.concatenate([new_raw_data_0,new_raw_data_1]) # 拼接时，默认 axis = 0
# 现在，这样的数据是不可以放到神经网络中进行训练的
# 前面全是 0，后面全是 1，这样 loss 波动非常大，是不合理的
# 所以需要打乱顺序，使用 np.random.shuffle 将数据打乱，将数据丢进去，不需要返回值，all_data 会被修改，直接内部打乱
np.random.shuffle(all_data)
# 然后将数据分出 训练集 和 测试集
train_data = all_data[:-64]
test_data = all_data[-64:]# 生成器
def gen_batch(data):
np.random.shuffle(data)
for i in range(len(data) // 64):
cursor = 64 * i
batch_data = data[cursor : cursor + 64]
# 切块时，第一个 维度全要，第二个维度 有 3 个 数，取出前 2 个数
x = batch_data[:, 0:2]
# y 只取 标签，0 或者 1
y = batch_data[:, 2]
yield x,y.reshape(-1,1)for x_,y_ in gen_batch(train_data):
print(x_.shape)
print(y_.shape)
print('-------')
break-->learing_rate = 0.01 # 梯度下降的学习率，一般都会传 0.01
num_train_epochs = 500 # 训练 500 次
display_per_step = 100graph = tf.Graph() # 定义一个图
with graph.as_default(): # 默认图
# None 代表第一维度不论是多少，都可以接收；分 64 块就是64，分 128 块就是128
x = tf.placeholder(shape=[None,2], dtype=tf.float32, name='x')
y = tf.placeholder(shape=[None,1], dtype=tf.float32, name='y')
# w 设置了全 0，形状是(2,1)，因为 x1 x2 分别乘以 2 个 w
# 当然，不建议全 0 初始化，全 0 初始化存在问题，
# 因为这里的权重数量比较少，所以全0初始化问题不大
w = tf.Variable(tf.ones(shape=[2,1]), dtype=tf.float32)
b = tf.Variable(0, dtype=tf.float32)
logits = tf.matmul(x, w) + b # 矩阵运算，x乘以w, logits 是线性输出的结果
# 逻辑回归，就是线性输出，套一个非线性函数，因为非线性函数可以把这些值映射到 0-1 之间
# 可以以 0.5 作为边界，判断 0 或者 1
y_pred = tf.sigmoid(logits) # 将线性输出结果 logits 传进 非线性函数 sigmoid
# 下一步，对y的真实值和预测值，做交叉熵
# 定义loss，这里调用了 TensorFlow 的交叉熵函数，这里使用的是 sigmoid 交叉熵函数
# tf.nn.sigmoid_cross_entropy_with_logits，传入了两个数，一个是标签，一个是 logits 线性输出结果
# 当前的sigmoid交叉熵 会 自动进行 sigmoid 非线性变换，不需要 把已经变换完的 y_pred 传进来
# 一定要传入 线性输出结果 logits，得到的交叉熵是 64 个结果，所以需要 reduce_mean，做平均
loss = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(labels=y, logits=logits), name="calculate_loss")
# 定义优化器
optimizer = tf.train.GradientDescentOptimizer(learing_rate)
train_step = optimizer.minimize(loss)with tf.Session(graph=graph) as sess:
init = tf.global_variables_initializer()
sess.run(init)
step = 0
for epoch in range(num_train_epochs):
for x_, y_ in gen_batch(train_data):
step += 1
_, l = sess.run([train_step, loss], feed_dict={x: x_, y: y_})
if step % display_per_step == 0:
print("step: {:>4}, loss: {:.4}".format(step, l))
print('training over')
# 下面的是 测试集上的 loss
x_test,y_test = next(gen_batch(test_data))
loss_test = sess.run(loss,feed_dict={x: x_test, y: y_test})
print("test loss is {:.4}".format(loss_test))
res_weights = sess.run([w, b])
print(res_weights)-->graph = tf.Graph()
with graph.as_default():
x = tf.placeholder(shape=[None,2], dtype=tf.float32, name='x')
y = tf.placeholder(shape=[None,1], dtype=tf.float32, name='y')
w = tf.Variable(tf.ones(shape=[2,1]), dtype=tf.float32)
b = tf.Variable(0, dtype=tf.float32)
logits = tf.matmul(x, w) + b
y_pred = tf.sigmoid(logits)
# 命名空间，目的是收集权重；
# 把某一块放到命名空间下，操作比较方便，计算图看起来更结构化一些
# 定义loss
with tf.name_scope("loss"):
loss = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(labels=y, logits=logits), name="calculate_loss")
# 定义优化器
with tf.name_scope("SGD"):
optimizer = tf.train.GradientDescentOptimizer(learing_rate)
train_step = optimizer.minimize(loss)
# 定义正确率
with tf.name_scope("calculate_accuracy"):
res_pred = tf.cast(tf.greater_equal(y_pred, 0.5), dtype=tf.float32)
# 判断序列中的值 是否大于等于 0.5，是 返回 True，否 返回 False；tf.cast 强制转换成 0 1
# 所以 res_pred 是一堆 0 1 值
acc = tf.reduce_mean(tf.cast(tf.equal(res_pred, y), dtype=tf.float32))
# 对应位置 一一判断 是否相等，对应下标的每一个 1 0 是否相等
with tf.Session(graph=graph) as sess:
init = tf.global_variables_initializer()
sess.run(init)
step = 0
for epoch in range(num_train_epochs):
for x_, y_ in gen_batch(train_data):
step += 1
_, l, acc_ = sess.run([train_step, loss, acc], feed_dict={x: x_, y: y_})
if step % display_per_step == 0:
print("step: {:>4}, loss: {:.4}, acc: {:.4%}".format(step, l, acc_))
print('training over')
x_test,y_test = next(gen_batch(test_data))
loss_test, acc_test = sess.run([loss, acc],feed_dict={x: x_test, y: y_test})
print("test loss is {:.4}, acc is {:.4%}".format(loss_test, acc_test))
res_weights = sess.run([w, b])
print(res_weights)-->def formula(x1, w1, w2, b):
x2 = (-w1*x1-b)/w2
return x2
plt.figure(figsize=(8,6))
line_space = np.linspace(-2, 2, 1024)
plt.scatter(new_raw_data_0[:,0],new_raw_data_0[:,1],marker='o')
plt.scatter(new_raw_data_1[:,0],new_raw_data_1[:,1],marker='o')
w1 = res_weights[0][0][0]
w2 = res_weights[0][1][0]
b = res_weights[1]
plt.plot(line_space, formula(line_space, w1, w2, b))
plt.grid()
plt.show()
我有一个用户工厂。我希望默认情况下确认用户。但是鉴于unconfirmed特征，我不希望它们被确认。虽然我有一个基于实现细节而不是抽象的工作实现，但我想知道如何正确地做到这一点。factory:userdoafter(:create)do|user,evaluator|#unwantedimplementationdetailshereunlessFactoryGirl.factories[:user].defined_traits.map(&:name).include?(:unconfirmed)user.confirm!endendtrait:unconfirmeddoenden
华为OD机试题本篇题目：明明的随机数题目输入描述输出描述：示例1输入输出说明代码编写思路最近更新的博客华为od2023|什么是华为od，od薪资待遇，od机试题清单华为OD机试真题大全，用Python解华为机试题|机试宝典【华为OD机试】全流程解析+经验分享,题型分享,防作弊指南华为o
C#实现简易绘图工具一.引言实验目的:通过制作窗体应用程序(C#画图软件),熟悉基本的窗体设计过程以及控件设计,事件处理等,熟悉使用C#的winform窗体进行绘图的基本步骤,对于面向对象编程有更加深刻的体会.Tutorial任务设计一个具有基本功能的画图软件**·包括简单的新建文件,保存,重新绘图等功能**·实现一些基本图形的绘制,包括铅笔和基本形状等,学习橡皮工具的创建**·设计一个合理舒适的UI界面**注明:你可能需要先了解一些关于winform窗体应用程序绘图的基本知识,以及关于GDI+类和结构的知识二.实验环境Windows系统下的visualstudio2017C#窗体应用程序三.
MIMO技术的优缺点优点通过下面三个增益来总体概括：阵列增益。阵列增益是指由于接收机通过对接收信号的相干合并而活得的平均SNR的提高。在发射机不知道信道信息的情况下，MIMO系统可以获得的阵列增益与接收天线数成正比复用增益。在采用空间复用方案的MIMO系统中，可以获得复用增益，即信道容量成倍增加。信道容量的增加与min(Nt,Nr)成正比分集增益。在采用空间分集方案的MIMO系统中，可以获得分集增益，即可靠性性能的改善。分集增益用独立衰落支路数来描述，即分集指数。在使用了空时编码的MIMO系统中，由于接收天线或发射天线之间的间距较远，可认为它们各自的大尺度衰落是相互独立的，因此分布式MIMO
遍历文件夹我们通常是使用递归进行操作，这种方式比较简单，也比较容易理解。本文为大家介绍另一种不使用递归的方式，由于没有使用递归，只用到了循环和集合，所以效率更高一些！一、使用递归遍历文件夹整体思路1、使用File封装初始目录，2、打印这个目录3、获取这个目录下所有的子文件和子目录的数组。4、遍历这个数组，取出每个File对象4-1、如果File是否是一个文件，打印4-2、否则就是一个目录，递归调用代码实现publicclassSearchFile{publicstaticvoidmain(String[]args){//初始目录Filedir=newFile("d:/Dev");Datebeg
通常，数组被实现为内存块，集合被实现为HashMap，有序集合被实现为跳跃列表。在Ruby中也是如此吗？我正在尝试从性能和内存占用方面评估Ruby中不同容器的使用情况 最佳答案 数组是Ruby核心库的一部分。每个Ruby实现都有自己的数组实现。Ruby语言规范只规定了Ruby数组的行为，并没有规定任何特定的实现策略。它甚至没有指定任何会强制或至少建议特定实现策略的性能约束。然而，大多数Rubyist对数组的性能特征有一些期望，这会迫使不符合它们的实现变得默默无闻，因为实际上没有人会使用它:插入、前置或追加以及删除元素的最坏情况步骤复
在ruby中，你可以这样做:classThingpublicdeff1puts"f1"endprivatedeff2puts"f2"endpublicdeff3puts"f3"endprivatedeff4puts"f4"endend现在f1和f3是公共(public)的，f2和f4是私有(private)的。内部发生了什么，允许您调用一个类方法，然后更改方法定义？我怎样才能实现相同的功能(表面上是创建我自己的java之类的注释)例如...classThingfundeff1puts"hey"endnotfundeff2puts"hey"endendfun和notfun将更改以下函数定
我目前有一个reddit克隆类型的网站。我正在尝试根据我的用户之前喜欢的帖子推荐帖子。看起来K最近邻或k均值是执行此操作的最佳方法。我似乎无法理解如何实际实现它。我看过一些数学公式(例如k表示维基百科页面)，但它们对我来说并没有真正意义。有人可以推荐一些伪代码，或者可以查看的地方，以便我更好地了解如何执行此操作吗？ 最佳答案 K最近邻(又名KNN)是一种分类算法。基本上，您采用包含N个项目的训练组并对它们进行分类。如何对它们进行分类完全取决于您的数据，以及您认为该数据的重要分类特征是什么。在您的示例中，这可能是帖子类别、谁发布了该项
我查看了Stripedocumentationonerrors，但我仍然无法正确处理/重定向这些错误。基本上无论发生什么，我都希望他们返回到edit操作(通过edit_profile_path)并向他们显示一条消息(无论成功与否)。我在edit操作上有一个表单，它可以POST到update操作。使用有效的信用卡可以正常工作(费用在Stripe仪表板中)。我正在使用Stripe.js。classExtrasController5000,#amountincents:currency=>"usd",:card=>token,:description=>current_user.email)
虽然1.8.7的构建我似乎有一个向后移植的Shellwords::shellescape版本，但我知道该方法是1.9的一个特性，在1.8的早期版本中绝对不支持.有谁知道我在哪里可以找到(以Gem形式或仅作为片段)针对Ruby转义的Bourne-shell命令的强大独立实现？ 最佳答案 您也可以从shellwords.rb中复制您想要的内容。在Ruby的颠覆存储库的主干中(即GPLv2'd):defshellescape(str)#Anemptyargumentwillbeskipped,soreturnemptyquotes.ret