机器学习——归一化的目的、作用和场景1）首先，数据标准化是为了将不同数量级的数据变成同一数量级，消除数量级的影响，比如：在K近邻算法中，如果不对解释变量进行标准化，那么具有小数量级的解释变量的影响就微乎其微了。再者，使用神经网络这种对数据比较敏感的算法时，数量级的差别会导致模型出现异常等等其次，数据标准化，也是无量纲化的一种方法，便于理解即说明。作者：rac

在卷积神经网络中，为了避免因为卷积运算导致输出图像缩小和图像边缘信息丢失，常常采用图像边缘填充技术，即在图像四周边缘填充0，使得卷积运算后图像大小不会缩小，同时也不会丢失边缘和角落的信息。在Python的numpy库中，常常采用numpy.pad()进行填充操作，具体分析如下：1.np.pad()函数1）语法结构pad(array, pad_width, mode, **kwargs)

机器学习——归一化的目的、作用和场景1）首先，数据标准化是为了将不同数量级的数据变成同一数量级，消除数量级的影响，比如：在K近邻算法中，如果不对解释变量进行标准化，那么具有小数量级的解释变量的影响就微乎其微了。再者，使用神经网络这种对数据比较敏感的算法时，数量级的差别会导致模型出现异常等等其次，数据标准化，也是无量纲化的一种方法，便于理解即说明。作者：rac

Numpy库学习——向量表示在机器学习和深度学习的编程过程中，为了提高程序的运行速度，通常将模型表达式转换为向量表达式（向量化），即利用矩阵运算思想提高运行效率。那么，在Python中究竟如何利用Numpy库定义一个向量，以及如何判断否为向量呢？（一）Python中向量的特征通常情况下，Python中向量和数组之间界限比较模糊，很多时候是通用的，但是在有时候数组不一定能够表示向量，比如，利用Num

在机器学习和神经网络中，常常会利用Numpy库中的随机函数来生产随机数，比如随机初始化神经网络中的参数权重W（备注：W是不能全部初始化为0的，这样会引起symmetry breaking problem，这样隐藏层设置多个神经元就没有任何意义了）。在Numpy库中，常用使用np.random.rand()、np.random.randn()和np.random.randint()随机函数。这

机器学习——归一化的目的、作用和场景1）首先，数据标准化是为了将不同数量级的数据变成同一数量级，消除数量级的影响，比如：在K近邻算法中，如果不对解释变量进行标准化，那么具有小数量级的解释变量的影响就微乎其微了。再者，使用神经网络这种对数据比较敏感的算法时，数量级的差别会导致模型出现异常等等其次，数据标准化，也是无量纲化的一种方法，便于理解即说明。作者：rac

numpy.squeeze()函数语法：numpy.squeeze(a,axis = None) 1）a表示输入的数组；2）axis用于指定需要删除的维度，但是指定的维度必须为单维度，否则将会报错；3）axis的取值可为None 或 int 或 tuple of ints, 可选。若axis为空，则删除所有单维度的条目；4）返回值：数组5) 不会修改原数组；作用：从数组的形状中删除

Numpy库学习——向量表示在机器学习和深度学习的编程过程中，为了提高程序的运行速度，通常将模型表达式转换为向量表达式（向量化），即利用矩阵运算思想提高运行效率。那么，在Python中究竟如何利用Numpy库定义一个向量，以及如何判断否为向量呢？（一）Python中向量的特征通常情况下，Python中向量和数组之间界限比较模糊，很多时候是通用的，但是在有时候数组不一定能够表示向量，比如，利用Num

机器学习——归一化的目的、作用和场景1）首先，数据标准化是为了将不同数量级的数据变成同一数量级，消除数量级的影响，比如：在K近邻算法中，如果不对解释变量进行标准化，那么具有小数量级的解释变量的影响就微乎其微了。再者，使用神经网络这种对数据比较敏感的算法时，数量级的差别会导致模型出现异常等等其次，数据标准化，也是无量纲化的一种方法，便于理解即说明。作者：rac

机器学习——归一化的目的、作用和场景1）首先，数据标准化是为了将不同数量级的数据变成同一数量级，消除数量级的影响，比如：在K近邻算法中，如果不对解释变量进行标准化，那么具有小数量级的解释变量的影响就微乎其微了。再者，使用神经网络这种对数据比较敏感的算法时，数量级的差别会导致模型出现异常等等其次，数据标准化，也是无量纲化的一种方法，便于理解即说明。作者：rac