速度优化

• Hexo博客优化，如何加快你的博客访问速度

主题优化

• 参考next主题优化

next主题外观优化

侧边栏社交小图标设置

• 实现效果图
  阅读全文 »

想法

• 看到人家的博客界面很漂亮，最近学习压力又大，就想自己写一个啦 看到是用node.js的一个框架Hexo，简单又漂亮，还可以放在github上直接打开博客，那就直接上手吧。
• hexo文档链接

安装

首先安装依赖环境

• 搭建个人博客-hexo+github详细完整步骤
• hexo安装失败(地址被“墙”)请参考-零基础免费搭建个人博客-hexo+github
• 注：如用淘宝安装请改为cnpm install
  阅读全文 »

一、Numpy索引

1. 一维索引

   1 2 3 4 5

   import numpy as np A = np.arange(3,15) # array([3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14]) print(A[3]) # 6

2. 二维索引

   1 2 3 4 5 6 7 8

   A = np.arange(3,15).reshape((3,4)) """ array([[ 3, 4, 5, 6] [ 7, 8, 9, 10] [11, 12, 13, 14]]) """ print(A[2]) # [11 12 13 14]

一、基本运算

1. 基础加法、减、乘

   1 2 3 4 5 6

   import numpy as np a=np.array([10,20,30,40]) # array([10, 20, 30, 40]) b=np.arange(4) # array([0, 1, 2, 3]) c=a+b # array([10, 21, 32, 43]) c=a-b # array([10, 19, 28, 37]) c=a*b # array([ 0, 20, 60, 120])

• 矩阵的乘法，针对的是第一个矩阵的行与第二个矩阵的列
  
• umpy中，想要求出矩阵中各个元素的乘方需要依赖双星符号 **，以二次方举例

  1	c=b**2 # array([0, 1, 4, 9])

2. 逻辑判断

• 在脚本中对print函数进行一些修改可以进行逻辑判断：

  1 2	print(b<3) # array([ True, True, True, False], dtype=bool)

常用函数

• mat( ): 将数组转化为矩阵
• np.I 操作符: 实现了矩阵求逆的运算
• np.log:是计算对数函数
• np.abss:是计算数据的绝对值
• np.max imum:计算元素 y 中的最大值，你也可以 np.max imum(v,0)

数据类型和形状

• NumPy 中处理数字的最常见方式是通过ndarray对象。它们与 Python 列表相似，但是可以有任意数量的维度。而且，ndarray支持快速的数学运算，这正是我们想要的。
• 由于它可以存储任意数量的维度，你可以使用ndarray来表示我们之前提到的任意数据类型：标量、向量、矩阵或张量。

1
2

#为了方便使用numpy 采用np简写
import numpy as np

概论

逻辑回归

首先你需要输入特征 x，参数W 和b ，通过\(z = w^T x + b\)你就可以计算 出 z ，接下来使用\(a=σ(z)\)就可以计算出a。

我们将a的符号换为表示输出的 \(\hat{y}\)，然后可以计算出损失函数\(ℒ(a,y)\)，进而不断采用梯度下降法找到参数w和b的最优解。

采用这种算法编写的猫识别器最终的准确率只有70%，想要进一步提高识别的精准度，就需要建立起一个多层的神经网络来训练样本。

numpy常用函数

• mat( ): 将数组转化为矩阵
• np.I 操作符: 实现了矩阵求逆的运算
• np.log:是计算对数函数
• np.abss:是计算数据的绝对值
• np.max imum:计算元素 y 中的最大值，你也可以 np.max imum(v,0)

1. np.exp()

• 使用np.exp（）

  1 2 3 4 5

  import numpy as np # example of np.exp x = np.array([1, 2, 3]) print(np.exp(x)) # result is (exp(1), exp(2), exp(3))

1

[2.71828183  7.3890561  20.08553692]

2.1 二分分类

• 计算机保存一张图片，要保存三个独立矩阵，分别对应红、绿、蓝三个颜色通道 举例：图为一张猫图，像素为 64x64， 就有三个 64x64 的矩阵
• 用特征向量 x 来表示图片 则图片的维度n = nx = 64 * 64 * 3 = 12 288
• 在二分类问题中，目标是训练出一个分类器（x 作为输入，预测输出的结果标签为 y）
• 上图表现的是x是nx维的特征向量
• 训练集由m个训练样本构成
• X矩阵式m列 高为nx （训练样本作为列向量堆叠）（约定格式） 注： 也有(训练样本作为行向量堆叠）的矩阵形式，但在神经网络中一般用约定格式
  阅读全文 »

* NumPy 是Python语言的一个扩充程序库。支持高级大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。

二、单层神经元

1. 问题描述

问题

• 假设在一群人中，我们只能获得每个人的三个特征：

1. 特征1：长发（1）还是短发（0）
2. 特征2：衣服颜色是红色（1）还是不是红色（0）
3. 特征3：身高大于178cm（1）还是不超过178（0）

• 假设我们只知道其中四个人的性别（男：0，女：1），我们需要依据这四个人的三个特征以及性别训练一个神经网络，用于预测一个人的性别。
• 因此该问题有三个输入，一个输出。
  阅读全文 »

参考文章

1. 学习路线

• 机器学习系列_机器学习路线图(附资料)
• 【重磅干货整理】机器学习(Machine Learning)与深度学习(Deep Learning)资料汇总：真的是超多干货

零.算法概念

1. 监督学习：需要用已知结果的数据做训练
2. 无监督学习：不需要已知标签
3. 连续型数据和离散型数据

1.算法分类

1. 监督学习的用途

分类

• k-邻近算法
• 朴素贝叶斯算法
• 支持向量机
• 决策树

回归

• 线性回归
• 逻辑回归
• 局部加权线性回归
• Ridge回归
• Lasso 最小回归系数估计
  阅读全文 »