代码拉取完成,页面将自动刷新
同步操作将从 飞行器智能感知与控制/machinelearning_homework 强制同步,此操作会覆盖自 Fork 仓库以来所做的任何修改,且无法恢复!!!
确定后同步将在后台操作,完成时将刷新页面,请耐心等待。
自己编程实现两层或多层全连接神经网络,可以使用moons
、circles
、或者digits
数据集来测试、验证算法。
dataset_moons:
dataset_circles:
dataset_digits:
加载数据的方式是:
# moon dataset
% matplotlib inline
import numpy as np
from sklearn import datasets
import matplotlib.pyplot as plt
# generate sample data
np.random.seed(0)
X, y = datasets.make_moons(200, noise=0.20)
# plot data
plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.Spectral)
plt.show()
dataset_circles的数据文件是dataset_circles.csv
dataset_digits的加载方式:
import matplotlib.pyplot as plt
from sklearn.datasets import load_digits
# load data
digits = load_digits()
# copied from notebook 02_sklearn_data.ipynb
fig = plt.figure(figsize=(6, 6)) # figure size in inches
fig.subplots_adjust(left=0, right=1, bottom=0, top=1, hspace=0.05, wspace=0.05)
# plot the digits: each image is 8x8 pixels
for i in range(64):
ax = fig.add_subplot(8, 8, i + 1, xticks=[], yticks=[])
ax.imshow(digits.images[i], cmap=plt.cm.binary)
# label the image with the target value
ax.text(0, 7, str(digits.target[i]))
要求:
dataset_digits
)。softmax
和cross entropy
的方法,并实现类别所属概率的输出。此处可能存在不合适展示的内容,页面不予展示。您可通过相关编辑功能自查并修改。
如您确认内容无涉及 不当用语 / 纯广告导流 / 暴力 / 低俗色情 / 侵权 / 盗版 / 虚假 / 无价值内容或违法国家有关法律法规的内容,可点击提交进行申诉,我们将尽快为您处理。