当前位置: 首页 > news >正文

男女做吃动态网站关键词怎样做优化排名

男女做吃动态网站,关键词怎样做优化排名,个人网站注册费用,wordpress日志模板文章目录 数据转换和数据生成存取数据数据变形和合并算数计算广播机制使用Numpy实现回归实例 numpy的重要性不言而喻,一般不涉及到GPU/TPU计算,都是用numpy,常见的np就是这个玩意。其特点就是快!其实如果不涉及到深度学习&#xf…

文章目录

        • 数据转换和数据生成
        • 存取数据
        • 数据变形和合并
        • 算数计算
        • 广播机制
        • 使用Numpy实现回归实例

numpy的重要性不言而喻,一般不涉及到GPU/TPU计算,都是用numpy,常见的np就是这个玩意。其特点就是快!其实如果不涉及到深度学习,还有一个库是很重要的,scipy,集成了很多的东西。

安装和导入如下:

# pip 安装方式
pip install numpy# conda 安装方式
conda install numpy# 导入
import numpy as np

numpy对象一般有三个属性:ndarray.ndim、ndarray.shape、ndarray.dtype。分别表示数据维度,数据形状,数据类型

数据转换和数据生成

将已有数据转化为numpy类型很简单,一般来说直接numpy.array一下就好

lst = [0.30406244, 0.06466714, 0.44950621]  
array = np.array(lst)

这里无论是字符串什么东西的都可以直接丢进去,这里提一下读取图片文件,需要涉及到其他的库,常见的有PIL、OpenCV

# PIL
from PIL import Image
import numpy as npim = np.array(Image.open('图片路径'))# OpenCV
import cv2
im = cv2.imread('图片路径')

这两种方式都可以读取图片文件,cv2可以直接的转化为numpy类型数据

然后就是数据生成,分为随机生成和有序生成,分为random模块以及arange、linspace模块

这里先介绍一下random

# 设置随机种子
np.random.seed(42)# 生成矩阵形状为4*4,值在0-1之间的随机数
np.random.random(size=(4,4))# 生成矩阵形状为4*4,值在low和high之间的随机整数
np.random.randint(low=0, high=1, size=(4,4))# 生成矩阵形状为4*4,值在low和high之间满足均匀分布的随机数
np.random.uniform(low=0, high=1, size=(4,4))# 生成矩阵形状为4*4,值在low和high之间满足正态分布的随机数
np.random.normal(loc=0, scale=1, size=(4,4))

这里要注意:正态分布的loc表示的是 μ \mu μ , scale表示的是 σ \sigma σ

接下来是arange和linspace

np.arange(start, stop, step)np.linspace(start, stop, num)

arange和linspace的区别就是step和num的区别,其中step是步长,num是数量,分别表示根据步长生成有序数据和数量生成有序数据。

存取数据

numpy和list一样,可以指定行和列来对数据进行切片,但是不同的是可以利用True和False来对数据进行筛选

mu, sigma = 0, 0.1
s = np.random.normal(mu, sigma, 1000)  
res = s[(s>0) & (s<1)]

这样可以提取在0-1范围上的所有数据,这里要注意的是,条件必须要带上括号

数据变形和合并

首先是数据形状的修改

arr = np.arange(10)## reshape 修改np对象维度,不修改矩阵本身
arr = arr.reshape(2,5)## resize 修改np对象维度,同时修改矩阵本身
arr.resize(2,5)## T 转置
arr.T## ravel 把np对象展平,变成一维 C表示行优先,F表示列优先
arr.ravel('C')## flatten 把np对象展平,变成一维 C表示行优先,F表示列优先
arr.flatten(order="C")## squeeze 对维数为1的维度进行降维,即清除掉维数为1的维度
arr.squeeze()## 拓展维度
np.expand_dims(arr, axis=-1)
arr[:, np.newaxis]## transpose 对高维矩阵进行轴对换
arr.transpose(1,2,0)

数据合并

lst = [1, 2, 3]
lst_ = [3, 4, 5]## append 拼接数组,维度不能发生变化
res = np.append(lst,lst_)## concatenate 拼接数组,维度不能发生变化,内存占用要比append低, 推荐使用
lst = np.array([1, 2, 3])  
lst_ = np.array([3, 4, 5])  
res = np.concatenate((lst, lst_), axis=0)## stack hstack vstack dstack 堆叠数组
lst = np.array([1, 2, 3])  
lst_ = np.array([3, 4, 5])  
res = np.stack((lst, lst_), axis=1) # 对应dstack 沿着第三维
res = np.stack((lst, lst_), axis=0) # 对应vstack 沿着列堆叠
res = np.hstack((lst, lst_)) # 沿着行堆叠
算数计算

numpy的算术计算相比与math速度大大提升

sqrtsin,cosabsdotlog,log10,log2expcumsum, cumproductsummeanmedianstdvarcorrcoef

广播机制
  • 让所有输入数组都向其中shape最长的数组看起,shape中不足的部分都通过在前面加1补齐;
  • 输出数组的shape是输入数组shape的各个轴上的最大值;
  • 如果输入数组的某个轴和输出数组的对应轴的长度相同或者长度为1时,则可以调整,否则将会出错;
  • 当输入数组的某个轴长度为1时,沿着此轴运算时都用(或复制)此轴上的第一组值;
使用Numpy实现回归实例

假设目标函数如下:

y = 3 x 2 + 2 x + 1 y=3x^2+2x+1 y=3x2+2x+1

图像如下:
![[Pasted image 20240505194741.png]]

假设知道最高项为3,设函数为: y = a x 2 + b x + c y=ax^2+bx+c y=ax2+bx+c

import numpy as np  
import matplotlib.pyplot as plt  np.random.seed(42)  x = np.linspace(-10, 10, 50)  
y = 3 * np.power(x, 2) + 2 * x + 1  a = np.random.random(size=(1, 1))  
b = np.random.random(size=(1, 1))  
c = np.random.random(size=(1, 1))  def get_predict(x):  global a, b, c  res = (a * np.power(x, 2) + b * x + c).flatten()  return res  def get_loss(y, y_pred):  return np.mean(np.square(y - y_pred))  def grad_param(y, y_pred, lr=1e-4):  global a, b, c  a_grad = 2 * np.mean((y_pred - y) * np.power(x, 2))  b_grad = 2 * np.mean((y_pred - y) * np.power(x, 1))  c_grad = 2 * np.mean(y_pred - y)  a -= lr * a_grad  b -= lr * b_grad  b -= lr * c_grad  return None  def train_one_peoch(x, y):  y_pred = get_predict(x)  loss = np.mean(get_loss(y, y_pred))  grad_param(y, y_pred)  return loss  def main():  loss_lst = []  for i in range(100):  loss = train_one_peoch(x, y)  loss_lst.append(loss)  print("第", i + 1, "次", "训练loss:", loss)  plt.plot(loss_lst)  plt.show()  if __name__ == "__main__":  main()

得到训练后的损失如下:

![[Pasted image 20240505201747.png]]

http://www.ritt.cn/news/19464.html

相关文章:

  • 道滘做网站web设计一个简单网页
  • 音乐网站如何建立排名推广网站
  • 郸城网站建设拉新推广怎么做代理
  • 织梦做网站详细教程百度在线客服系统
  • 太原做网站页面的站长之家素材网
  • 潍坊做网站潍坊做网站b2b免费外链发布
  • 无法打开服务器上的网站茂名网络推广
  • shopex网站 css乱了广告网址
  • 怎么建立微网站?北京seo关键词优化收费
  • 政府网站哪家公司做的百度知道合伙人官网
  • 个人网站主页模板广州百度竞价开户
  • 原创先锋 北京网站建设抖音seo推广
  • 阿里云突发性能适用于做网站吗热点事件营销案例
  • 站长工具查询入口个人网站制作模板主页
  • 网站开发设计方案书网络推广软文
  • 一台独立服务器如何做多个网站seo软件安卓版
  • 安阳区号电话关键词优化的原则
  • 深圳公司网站建设案例昆明seo排名外包
  • wap网站和app的区别湛江今日头条
  • 新企业在哪里做网站好杭州网站seo外包
  • 虹口做网站价格长沙推广公司
  • 江华网站建设冯站长之家
  • 国内做家具外贸的网站江苏搜索引擎优化
  • 北京哪里有教怎么做网站的磁力链最佳的搜索引擎
  • 医疗号网站开发镇江seo公司
  • 地税网站如何做税种确认搜索引擎营销的主要模式有哪些
  • 网站url如何做优化5118关键词挖掘工具
  • 网站建设了解品牌全案营销策划
  • 武汉做企业网站西安百度推广开户运营
  • 长安公司网站建设百度搜索网址