直接划重点！ canvas.create_image中的anchor参数表示以被插入的图片哪个点为参照，可选nw，n，w，ne, e, se, s, sw, center canvas.create_arc作出一个扇形， start和extent分别表示起始和终止角 import tkinter as tk window = tk.Tk() #create window object window.title('my windo
4.1 Tensorboard 可视化好帮手 1 Event / Scalar: 展示训练过程中的统计数据（最值，均值等）变化情况 Image: 展示训练过程中记录的图像 Audio: 展示训练过程中记录的音频 Histogram: 展示训练过程中记录的数据的分布图 Graphs: 展示神经网络结构图 可视化整个神经网络的结构 代码
# Ubuntu/Linux 64-位 系统的执行代码: $ sudo apt-get install python-pip python-dev # Mac OS X 系统的执行代码: $ sudo easy_install --upgrade pip $ sudo easy_install --upgrade six CPU版本 $ pip3 install tensorflow GPU版本 先安装NVIDIA CUDA必要组件 $ sudo ap
1. Q-Learning简介 行动准则：好的行为能够获得奖励，不好的行为会获得惩罚。 假设你有两个选择：写作业和看电视。你选择连续看电视，被爸妈发现打屁股。你吸取了惨痛的教训，第二次持续认真的写作业。 举例，之前没有写过作业，所以没有任何经验。第一个状态可选择写作业也可以选择看电视
【莫烦Python】机器要说话 NLP 自然语言处理教程 W2V Transformer BERT Seq2Seq GPT 笔记 教程与代码地址P1 NLP行业大佬采访P2 NLP简介P3 1.1 课程目标P4 2.1 搜索引擎简介P5 2.2 搜索引擎算法（TF-IDF 检索）P6 2.3 Sklearn 搜索的扩展P7 3.1 词向量可以这样理解P8 3.2 训练
这次来见证神经网络是如何通过简单的形式将一群数据用一条线条来表示，或者说是如何在数据当中找到它们的关系，然后用神经网络模型来建立一个可以代表它们关系的线条。 创建一些假数据来模拟真实的情况，比如一个一元二次函数 y
3.1Regression回归 import torch import torch.nn.functional as F from torch.autograd import Variable import matplotlib.pyplot as plt """ 创建数据 """ x = torch.unsqueeze(torch.linspace(-1,1,100),dim=1) y = x.pow(2) + 0.2*torch.rand
Subplot 分格显示 1 import matplotlib.pyplot as plt 2 import matplotlib.gridspec as gridspec 3 import numpy as np 4 5 #method 1:subplot2grid 6 ############################# 7 plt.figure() 8 #分成3行3列，从0行0列开始，跨度1行 3列 9 ax1 = plt.subplot2grid
Image 图片 1 import matplotlib.pyplot as plt 2 import numpy as np 3 4 #image data 5 a = np.array([0.313,0.365,0.423, 6 0.365,0.439,0.525, 7 0.423,0.525,0.651]).reshape(3,3) 8 9 10 plt.imshow(a,interpolation='nea
scatter散点图 1 import matplotlib.pyplot as plt 2 import numpy as np 3 4 n = 1024 #1024个数据 5 X = np.random.normal(0,1,n) #正态分布 6 Y = np.random.normal(0,1,n) 7 8 9 T = np.arctan2(X,Y) #for color value 10 11 ''' 12 (X,Y)表示点的Locatio
如何在图片中添加一个注解呢？ 1 import matplotlib.pyplot as plt 2 import numpy as np 3 4 x = np.linspace(-3,3,50) 5 y = 2*x+1 6 7 plt.figure(num=1,figsize=(8,5),) 8 plt.plot(x,y) 9 10 ax = plt.gca() 11 ax.spines['right'].set_color('none'
设置legend图例 1 import matplotlib.pyplot as plt 2 import numpy as np 3 4 5 x = np.linspace(-3,3,50) 6 y1 = 2*x+1 7 y2 = x**2 8 9 plt.figure() 10 11 12 plt.xlim((-1,2)) #设置x轴的范围 13 plt.ylim((-2,3)) #设置y轴的范围 14 plt.xlabel('I am x') #
莫烦视频：https://mofanpy.com/tutorials/machine-learning/nlp/bert/ 跳过了GPT模型；但代码里面bert模型继承了GPT模型。。。本节不涉及莫烦对于bert的训练改进（trick），模型的任务改变，或者说标签不一样。改进版存在的问题莫烦在他的主页文字部分有详细解释。 所以这里只是介绍最
MNIST手写数据 import torch from torch import nn import torchvision.datasets as Data import torchvision.transforms as transforms import matplotlib.pyplot as plt torch.manual_seed(1) EPOCH = 1 BATCH_SIZE = 64 TIME_STEP = 28 #rnn时间补数/图片宽度 INPUT_S
import torchfrom torch.autograd import Variableimport torch.nn.functional as Fimport matplotlib.pyplot as plt# make fake datan_data = torch.ones(100, 2)x0 = torch.normal(2*n_data, 1) #每个元素（x,y）是从 均值=2*n_data中对应位置的取值，标准差为1的正态分布中随
保存有两种：第一种是保存整个神经网络，第二种是保存神经网络参数。 提取也是有两种：第一种是提取整个神经网络（网络大时会比较慢），第二种是提取神经网络参数。 第二种的前提是有一个要构建一个相同的神经网络。 import torch import matplotlib.pyplot as plt # torch.manual_se
用简单方式搭建神经网络 原始搭建法： class Net(torch.nn.Module): def __init__(self, n_feature, n_hidden, n_output): super(Net, self).__init__() self.hidden = torch.nn.Linear(n_feature, n_hidden) self.predict = torch.nn.Linear(n
1、机器学习分类 有监督学习 无监督学习 半监督学习 强化学习 遗传算法 2、神经网络 一种基于传统统计学的模型，由大量的神经元与其关系构成。常用来对复杂的输入和输出关系进行建模 误差反向传递：给出信号，得到经过神经网络算法之后的结果（信号正向传播），再根据结果来修改神经网络中
