案例分析：重构“策略”模式 经典的“策略”模式电商领域有个功能明显可以使用“策略”模式，即根据客户的属性或订单中的商品计算折扣。假如一个网店制定了下述折扣规则。有 1000 或以上积分的顾客，每个订单享 5% 折扣。 同一订单中，单个商品的数量达到 20 个或以上，享 10% 折扣。 订单中的不同商品达到 10 个或以上，享 7% 折扣。简单起见，我们假定一个订单一次只能享用一个折扣。 上下文 把一些计算委托给实现不同算法的...
人类使用文本,计算机使用字节序列. 一个字符串是一个字符序列.bytes字面量以b开头: b’caf\xc3\xa9’ bytes在python3中是不可变类型,bytrarrary是可变类型,bytes或bytearrary对象的各个元素是介于0-255之间的整数. bytes对象的切片还是bytes对象,即使只有一个字节的切片. 二进制序列其实是整数序列,但是他们的字面量表示法表名其中有ASCII文本,因此,各个字节的值可能会使用下列三种不同的方式显示 1 可打印的ASCII范围内的字符(从空...
!pip install gym import random import numpy as np import matplotlib.pyplot as plt from keras.layers import Dense, Dropout, Activation from keras.models import Sequential from keras.optimizers import Adam from keras import backend as K from collections import deque import gym#选取互动环境 env = gym.make(CartPole-v1) state = env.reset()#0或1表示让小车向不同方向移动 action = 0 #step(action)表示想环...
import numpy as np import tensorflow as tf import matplotlib.pyplot as plt# 定义RNN的参数。 HIDDEN_SIZE = 30 # LSTM中隐藏节点的个数。 NUM_LAYERS = 2 # LSTM的层数。 TIMESTEPS = 10 # 循环神经网络的训练序列长度。 TRAINING_STEPS = 10000 # 训练轮数。 BATCH_SIZE = 32 # ba...
我试图用神经网络(Keras)近似正弦函数. 是的,我看了相关的帖子:) > Link 1> Link 2> Link 3 使用具有S形的四个隐藏神经元和具有线性激活的输出层工作正常. 但也有一些设置可以提供对我来说很奇怪的结果. 由于我刚刚开始工作,我对事情发生的原因和原因感兴趣,但到目前为止我无法理解这一点.# -*- coding: utf-8 -*-import numpy as np np.random.seed(7)from keras.models import Sequential from keras.layers import Dense import...
首先,我从方法论的角度意识到为什么你的损失函数必须依赖于神经网络的输出.这个问题来自于我在尝试更好地理解Keras和Tensorflow时所做的实验.考虑以下：input_1 = Input((5,)) hidden_a = Dense(2)(input_1) output = Dense(1)(hidden_a)m3 = Model(input_1, output)def myLoss (y_true, y_pred):return K.sum(hidden_a) # (A)#return K.sum(hidden_a) + 0*K.sum(y_pred) # (B)m3.compile(optimizer='adam', lo...
import numpy as np import tensorflow as tf import matplotlib.pyplot as pltimage_raw_data = tf.gfile.FastGFile("F:\\TensorFlowGoogle\\201806-github\\datasets\\cat.jpg",rb).read()with tf.Session() as sess:img_data = tf.image.decode_jpeg(image_raw_data)# 输出解码之后的三维矩阵。print(img_data.eval())img_data.set_shape([1797, 2673, 3])print(img_data.get_shape())with tf.Session() as sess:plt.imshow(im...
基于Coursera Course for Machine Learning,我正在尝试在python中实现神经网络的成本函数.有一个类似于这个的question – 有一个可接受的答案 – 但答案中的代码是用八度写的.不要懒惰,我试图根据我的情况调整答案的相关概念,据我所知,我正在正确实现这个功能.然而,我输出的成本与预期成本不同,所以我做错了. 这是一个可重复的小例子： 以下链接指向.npz文件,可以加载(如下所示)以获取相关数据.如果您使用它,请重命名文件“arrays...
我是机器学习的新手.我已经读过,由于梯度消失,ReLU函数优于sigmoid函数用于递归神经网络. 我正在尝试实现一个非常基本的递归神经网络,包含3个输入节点,10个隐藏节点和3个输出节点. 输入节点和隐藏节点都有ReLU功能,输出节点有softmax功能. 然而,当我在几个纪元(小于10)之后使用ReLU功能时,误差变为0或误差变为无穷大,具体取决于是否从原始权重中增加或减去了权重变化.weight = weight + gradient_decent #weights hits infinity we...
本篇文章主要介绍了关于Tensorflow中的tf.train.batch函数的使用，现在分享给大家，也给大家做个参考。一起过来看看吧这两天一直在看tensorflow中的读取数据的队列，说实话，真的是很难懂。也可能我之前没这方面的经验吧，最早我都使用的theano，什么都是自己写。经过这两天的文档以及相关资料，并且请教了国内的师弟。今天算是有点小感受了。简单的说，就是计算图是从一个管道中读取数据的，录入管道是用的现成的方法，读取也是。...
numpy和tensorflow执行的数学函数之间是否有任何真正的区别.例如,指数函数,还是最大函数？ 我注意到的唯一区别是tensorflow需要输入张量,而不是numpy数组.这是唯一的区别,功能结果与价值没有区别吗？解决方法:如前所述,存在性能差异. TensorFlow的优势在于它可以在CPU或GPU上运行,因此如果你有一个支持CUDA的GPU,TensorFlow可能会快得多.您可以在网上找到几个不同比较的基准测试,以及其他软件包,如Numba或Theano. 但是,我认为你在谈...
我有两个排名第二的张量,在第二维度上具有相同的大小,但在第一维度上是不相等的.例如,形状[a,n]的张量A和形状[b,n]的张量B.它们可以被视为包含长度为n的向量的两个数组. 我有一个函数f,它接受两个输入,每个输入都是一个形状[n]的张量,并返回一个标量.我想将此函数应用于A和B中的每对向量,其结果是形状[a,b]的张量C,使得对于C中的每个位置(i,j),C [i,j] = f(A [i],B [j]). 如果这些只是常规的Numpy数组,我可以使用以下代码完成此操作...
在Tensorflow中是否有任何卷积方法将Sobel滤波器应用于图像img(float32和rank 2类型的张量)？sobel_x = tf.constant([[-1, 0, 1], [-2, 0, 2], [-1, 0, 1]], 'float32') result = tf.convolution(img, sobel_x) # <== TO DO THIS我已经看过tf.nn.conv2d,但我看不出如何将它用于此操作.有没有办法使用tf.nn.conv2d来解决我的问题？解决方法:也许我在这里错过了一个微妙之处,但似乎你可以使用tf.expand_dims()和tf.nn.conv2d()将Sobe...
我想编写一个接受单参数函数f和整数k的函数,并返回一个与f相同的函数,除非它缓存f的最后k个结果. 例如,如果memoize是我们追求的函数,让mem_f = memoize(f,2),那么：mem_f(arg1) -> f(arg1) is computed and cached mem_f(arg1) -> f(arg1) is returned from cache mem_f(arg2) -> f(arg2) is computed and cached mem_f(arg3) -> f(arg3) is computed and cached, and f(arg1) is evicted我所做的是：def memoize(f,k):cache = ...
python开发中，需要经常用到日志模块，这一块怎么写会比较好呢，下面是该模块的比较规范的写法 import logging LOG_LEVEL = logging.INFO LOG_DIR = "log" LOG_FILE = "info.log"def get_logger(name, log_file=LOG_FILE, level=LOG_LEVEL):logger = logging.getLogger(name)logger.setLevel(level)logsh = logging.StreamHandler()logsh.setLevel(level)formatter = logging.Formatter('[%(asctime)s] [%(name)s] [%(levelname)s]...