XData

程序所用文件：https://files.cnblogs.com/files/henuliulei/%E5%9B%9E%E5%BD%92%E5%88%86%E7%B1%BB%E6%95%B0%E6%8D%AE.zip 线性回归 决定系数越接近一那么预测效果越好 对于多元线性回归和一元线性回归推导理论是一致的，只不过参数是多个参数而已 梯度下降 梯度下降法存在局部最小值 太小迭代次数多，太大将无法迭代到最优质 梯度下降发容易到达局部最小值 凸函数使用局部下降法一定可以到全部最小值，所以不存在局部最小值才可以 下面两个demo是一元函数的拟合 1使用梯度下降法的数学公式进行的机器学习代码 1 import numpy as np 2 from matplotlib import pyplot as plt 3 #读取数据 4 data = np.genfromtxt( ' data.csv ' ,delimiter= ' , ' ) 5 x_data = data[:, 0 ] 6 y_data = data[:, 1 ] 7 #plt.scatter(x_data, y_data) 8 #plt.show() 9 lr = 0.0001 10 k = 0 11 b = 0 12 epochs = 500 13 def compute_loss(x_data, y_data, b, k

用pycharm跑的没有出现动态线条的话： 1、点击setting，输入关键字 Scien... 搜索出 Python Scientific ， 在右侧去掉对勾（默认是勾选的），然后右下角 Apply--OK ，即可完美解决。 2、这是在网上找的代码(原来是有问题的，我稍微修改了下，可以直接运行)： import tensorflow as tf import numpy as np import matplotlib.pyplot as plt def add_layer(inputs, in_size, out_size, activation_funiction=None): Weights = tf.Variable(tf.random_normal([in_size, out_size])) biases = tf.Variable(tf.zeros([1, out_size]) + 0.1) Wx_plus_b = tf.matmul(inputs, Weights) + biases if activation_funiction is None: outputs = Wx_plus_b else: outputs = activation_funiction(Wx_plus_b) return outputs x_data = np.linspace(-1, 1,

【推荐阅读】微服务还能火多久？>>> # 效果 # css * { margin: 0; padding: 0; } .content { width: 500px; height: 400px; border: 1px solid red; margin: 100px auto; } #main { width: 100%; height: 100%; } # html <div class="content"> <div id="main"> </div> </div> # js <script src="js/echarts.min.js"></script> let data = []; let myChart = null myChart = echarts.init(document.getElementById('main')); // 创建数据 createData(); let series = data.map(item => { let yAxis = item.yAxis.map(item => { return item; }) return { name: item.seriesName, data: yAxis, type: 'line', legendHoverLink: false, symbolSize: 0, // itemStyle: { /

概述 以房价预测为例，使用numpy实现深度学习网络--线性回归代码。 数据链接： https://pan.baidu.com/s/1pY5gc3g8p-IK3AutjSUUMA 提取码：l3oo 导入库 import numpy as np import matplotlib.pyplot as plt 加载数据 def LoadData(): #读取数据 data = np.fromfile( './housing.data', sep=' ' ) #变换数据形状 feature_names = ['CRIM', 'ZN', 'INDUS', 'CHAS', 'NOX', 'RM', 'AGE', 'DIS', 'RAD', 'TAX', 'PTRATIO', 'B', 'LSTAT', 'MEDV'] feature_num = len( feature_names ) data = data.reshape( [-1, feature_num] ) #计算数据最大值、最小值、平均值 data_max = data.max( axis=0 ) data_min = data.min( axis=0 ) data_avg = data.sum( axis=0 ) / data.shape[0] #对数据进行归一化处理 for i in range( feature_num ):

本例子包括两部分内容：logging的使用和tf的整体流程训练。 经常用print，感觉很方便，但是没有一下输出自己想要输出的内容，所以想到用logging代替print。 首先是logging的配置文件logger.conf，前面有了解过日志系统。 # logging.basicConfig函数各参数: # filename: 指定日志文件名 # filemode: 和file函数意义相同，指定日志文件的打开模式，'w'或'a' # format: 指定输出的格式和内容，format可以输出很多有用信息，如上例所示: # %(levelno)s: 打印日志级别的数值 # %(levelname)s: 打印日志级别名称 # %(pathname)s: 打印当前执行程序的路径，其实就是sys.argv[0] # %(filename)s: 打印当前执行程序名 # %(funcName)s: 打印日志的当前函数 # %(lineno)d: 打印日志的当前行号 # %(asctime)s: 打印日志的时间 # %(thread)d: 打印线程ID # %(threadName)s: 打印线程名称 # %(process)d: 打印进程ID # %(message)s: 打印日志信息 # datefmt: 指定时间格式，同time.strftime() # level: 设置日志级别

【推荐】2019 Java 开发者跳槽指南.pdf(吐血整理) >>> 标识符和关键字 (一)标识符 标识符是用来表示源程序中自定义对象名称的符号。其中的自定义对象可以是常量、变量、数组、结构、语句标号以及函数等。 在C51语言中，标识符可以由字母(a～z，A～Z)、数字(0～9)和下划线“_”组成，最多可支持32个字符。 C51标识符的定义不是随意的，应遵循“简洁”和“见名知意”的原则，并需要符合一定的规则： ➢ 标识符的第一个字符必须是字母或者下划线，不能为数字。由于有些编译系统专用的标识符以下划线开头，所以用户在定义标识符时一般不要以下划线开头。 ➢ C51的标识符区分大小写，例如“ch1”和“Ch1”表示两个不同的标识符。 ➢ 用户自定义的标识符不能与系统保留的关键字重复。 (二)关键字 关键字是C51编译器保留的一些特殊标识符，具有特定的含义和用法。单片机C51程序语言继承了ANSI C标准定义的32个关键字，如表3-1所示。 表3-1　C51的关键字 同时C51又结合单片机硬件的特点扩展了19个关键字： _at_　idata　sfr16　alien　interrupt　small　bdata　large　_task_　code　bit　pdata　using　reentrant　xdata　compact　sbit　data　sfr C51数据类型 表3

【推荐】2019 Java 开发者跳槽指南.pdf(吐血整理) >>> import matplotlib.pyplot as plt import numpy as np import tensorflow as tf sess = tf.Session() tf.set_random_seed(5) np.random.seed(42) batch_size = 50 a1 = tf.Variable(tf.random_normal(shape=[1,1])) b1 = tf.Variable(tf.random_uniform(shape=[1,1])) a2 = tf.Variable(tf.random_normal(shape=[1,1])) b2 = tf.Variable(tf.random_uniform(shape=[1,1])) x = np.random.normal(2,0.1,500) x_data = tf.placeholder(shape=[None,1],dtype=tf.float32) sigmoid_activation = tf.sigmoid(tf.add(tf.matmul(x_data,a1),b1)) relu_activation = tf.nn.relu(tf.add(tf.matmul(x_data,a2),b2))

小米中台建设实践 01 小米的三大中台建设：业务+数据+技术 业务中台--从业务说起 在中台建设中，需要规范化的服务接口、一致整合化的数据、容器化的技术组件以及弹性的基础设施。并结合业务情况，判定是否真的需要中台。 小米参考了业界优秀的案例包括移动中台、数据中台、业务中台、技术中台等，再结合其业务发展历程及业务现状，整理了中台架构的核心方法论，一是企业如何共享服务，二是如何为业务提供便利。 通过中台架构方法论和规划方法论，小米信息部提出了小米业务中台建设三年战略，包含了持续优化、构建中以及待新建的系统，纵向分为企业战略、业务执行、业务支撑、数据治理四部分。在2018年成立时，系统还是比较分散的；在2019年，主要围绕中台的架构调整、技术体系下沉，强化运营配置中心三方面，实现绝大多数的共享服务，让小米复杂的业态共享一套体系，更好的支持业务；在2020年，期望整体完善，不断的持续优化。 数据中台--数字化转型的核心 今天大家都在谈数字化转型，数字化转型是转什么？从企业内部来讲，是想如何把一切都数字化，大企业讲数字化转型是很难的一件事情，但现在有些小企业已经做得非常好。系统很简单，但是可以把企业的百十家或者几百家店铺的每一个动作、每一次上下架，甚至是每次的价格变更，每个操作人员的动作，都放到系统里面做记录。 数字化转型，业务是基础，核心是数据。在数据分析及使用过程中，小米主要面临3大问题

小米中台建设实践 01 小米的三大中台建设：业务+数据+技术 业务中台--从业务说起 在中台建设中，需要规范化的服务接口、一致整合化的数据、容器化的技术组件以及弹性的基础设施。并结合业务情况，判定是否真的需要中台。 小米参考了业界优秀的案例包括移动中台、数据中台、业务中台、技术中台等，再结合其业务发展历程及业务现状，整理了中台架构的核心方法论，一是企业如何共享服务，二是如何为业务提供便利。 通过中台架构方法论和规划方法论，小米信息部提出了小米业务中台建设三年战略，包含了持续优化、构建中以及待新建的系统，纵向分为企业战略、业务执行、业务支撑、数据治理四部分。在2018年成立时，系统还是比较分散的；在2019年，主要围绕中台的架构调整、技术体系下沉，强化运营配置中心三方面，实现绝大多数的共享服务，让小米复杂的业态共享一套体系，更好的支持业务；在2020年，期望整体完善，不断的持续优化。 数据中台--数字化转型的核心 今天大家都在谈数字化转型，数字化转型是转什么？从企业内部来讲，是想如何把一切都数字化，大企业讲数字化转型是很难的一件事情，但现在有些小企业已经做得非常好。系统很简单，但是可以把企业的百十家或者几百家店铺的每一个动作、每一次上下架，甚至是每次的价格变更，每个操作人员的动作，都放到系统里面做记录。 数字化转型，业务是基础，核心是数据。在数据分析及使用过程中，小米主要面临3大问题