数据集下载百度网盘：链接：https://pan.baidu.com/s/10Mjq7K7hHfPS322_w86gGg提取码：3hqf这是kaggle上面的一个数据集，有能力的同学也可以去原网址下载效果SGD:其实在20轮左右的时候拟合效果就非常好了，没有必要训练80epoch,这里训练80主要是和Adam作比较。Adam：注意：下图loss算错了，所以看起来飘忽不定的，你们就当不存在（写成最后

天池数据分析学习赛https://tianchi.aliyun.com/notebook-ai/detail?spm=5176.12586969.1002.6.ca32e276PmUnaV&postId=254030百度网盘：链接：https://pan.baidu.com/s/1ZcpzpkNqfFvLT3TAK24NHw提取码：1igo参考资料：1，https://tianchi.al

一先看下数据的样子import pandas as pdimport matplotlib.pyplot as pltfrom scipy.io import loadmatfrom sklearn import svmraw_data = loadmat('data/ex6data1.mat')data = pd.DataFrame(raw_data['X'], columns=['X1', '

一，必做部分import pandas as pdimport numpy as npimport scipy.optimize as optimport matplotlib.pyplot as pltfrom sklearn.metrics import classification_report#这个包是评价报告def get_X(df):#读取特征ones = pd.DataFrame({

必做部分：（主要参考了黄海广老师的文档）import numpy as npimport matplotlib.pyplot as pltimport pandas as pddf = pd.read_csv('ex1data1.txt', names=['population', 'profit'])data = df#def normalize_feature(df):#return df.a

输入一个域的图片转换为另一个域的图片（白天照片转成黑夜）如下图，输入标记图片，输出真实图片缺点就是训练集两个域的图片要一一对应，所以叫pixtopix，网络结构有点复杂，用到了语义分割的UNET网络结构数据集：地址忘了，也是官方的，想起来补代码：这里是建筑物labels to facade的例子给动漫素描自动上色的（AI上色）移步我的kagglehttps://www.kaggle.com/cod

天池数据分析学习赛https://tianchi.aliyun.com/notebook-ai/detail?spm=5176.12586969.1002.6.ca32e276PmUnaV&postId=254030百度网盘：链接：https://pan.baidu.com/s/1ZcpzpkNqfFvLT3TAK24NHw提取码：1igo参考资料：1，https://tianchi.al

C语言贪吃蛇小游戏个人小白，后期也做了一些改进，附原视频地址（点击即可）废话在后面直接上程序该程序在VS2019上可完美运行。#include<stdio.h>#include<stdlib.h>#include<Windows.h>#include<time.h>#include<conio.h>constexpr auto maphi

反色变换用于增强暗背景下的图像，使人眼能够观看到更多细节。假设原始图像的灰度范围是[0,L],L表示该图像最大的灰度值，则反色变换为output = L - inputimport numpy as npfrom PIL import Imageimport matplotlib.pyplot as plt# 1,反色变换# 假设原始图像的灰度范围是[0,L],L表示该图像最大的灰度值# 则反色变

线性回归先复习一下线性回归的损失函数：我们的目标是使该函数最小，用矩阵表示为：对参数w求导得：令上式等于0可估计出回归系数w得最优解：但线性回归往往容易欠拟合，除了使用更复杂得函数拟合，还可以使用局部加权线性回归(locally weighted linear regression)局部加权线性回归(LWLR)在该算法中我们给待预测点附件得每个点赋予一定的权重，即在计算时我们更关注附近的数据，离的