-
向量的點乘 矩陣的轉置查看全部
-
import numpy as np class Perceptron(object): """ eta:學習率 n_iter:權重向量的訓練次數 w_:神經分叉權重向量 errors_:用于記錄神經元判斷出錯次數 """ def __init__(self,eta=0.01,n_iter=10): self.eta=eta; self.n_iter=n_iter pass def fit(self,x,y): """ 輸入訓練數據，培訓神經元，x輸入樣本向量，y對應樣本分類 x：shapep[n_samples,n_features] x:[[1,2,3],[4,5,6]] n_samples:2 n_features:3 y:[1,-1] """ """ 初始化權重向量為0 加一是因為前面算法提到的w0，也就是步調函數閾值 """ self.w_=np.zero(1+x.shape[1]); self.errors_=[]; pass查看全部
-
課程大綱查看全部
-
一般的神經網絡查看全部
-
課程大綱查看全部
-
一維變二維：np.arrange(x1_min,x1_max,resolution) 二維變一維：np.array([xx1.rave1(), xx2.ravel()]).T查看全部
-
算法步驟查看全部
-
權重更新算法事例查看全部
-
權重的更新算法查看全部
-
步調函數與閥值查看全部
-
激活函數查看全部
-
三個步驟查看全部
-
權重更新算法查看全部
-
步調函數與閾值查看全部
-
和方差求偏導數(梯度下降算法?)查看全部
舉報
0/150
提交
取消