分类目录归档：机器学习
from keras.preprocessing.image import load_img, img_to_array
#from scipy.misc import imsave # 最新版本的imsvae方法被弃用了
# from imageio import imwrite,imread
from imageio import imwrite as imsave
import numpy as np
from scipy.optimize import fmin_l_bfgs_b
import time
import matplotlib.pyplot as plt
pip install pydot
下载 graphviz.msi 安装并且添加环境变量
from keras.utils.vis_utils import plot_model
import matplotlib.pyplot as plt
# TB：从上往下 LR：左右
plot_model(model,to_file="model.png",show_shapes=True,show_layer_names=True,rankdir='TB')
plt.figure(figsize=(30,30))
img = plt.imread(&q构建模型
# 构建一个线性模型
d = tf.Variable(np.random.rand(1)) # 截距
k = tf.Variable(np.random.rand(1)) #斜率
y = k*x_data + d # 映射函数
网络设置
# 二次代价函数
loss = tf.losses.mean_squared_error(y_data, y)
# 定义一个梯度下降法优化器
optimizer = tf.train.GradientDescentOptimizer(0.4) # 经测试0.3~0.7之间较合适
# 最小化代价函数
trainimport keras
import numpy as np
import matplotlib.pyplot as plt
from keras.models import Sequential
from keras.layers import Dense
# 生成随机点
x_data = np.random.rand(100)
noise = np.random.normal(0,0.01,x_data.shape)
y_data = x_data*0.1+0.5+noise
# 显示
plt.scatter(x_data,y_data)
plt.show()
# 构建序使用GPU运行大型神经网络比CPU快非常多
安装前先确认你的GPU是不是能支持，用谷歌搜索“你的GPU型号+SPECIFICATION”，在官网查它是否支持CUDA
ANACONDA打开时可能比较卡，创建虚拟环境时可能失败。建议使用Anaconda Prompt命令行窗口
conda create -n my_env python=3.6
activate my_env
pip install -i https://pypi.douban.com/simple jupyter
pip install -i https://pypi.douban.com/基本运算
octave:3> 5+6
ans = 11
octave:4> 3-2
ans = 1
octave:5> 8*9
ans = 72
octave:6> 8/4
ans = 2
octave:7> 6/4
ans = 1.5000
octave:8> 2^6
ans = 64
octave:9>注释：% 表示注释符号
octave:9> 1 == 2 %false
ans = 0
octave:10> 1~=2
ans = 1
octave:11> 1 && 0 % AND
ans = 0
o常用操作命令：
一、环境操作
1.查看环境管理的全部命令帮助：
conda env -h
2.查看当前系统下的环境：
conda info -e
3.创建环境：
conda create env_name (env_name)是环境名称,这条命令将会给Biopython创建一个新的环境，位置在Anaconda安装文件的/envs/snowflakes
创建指定python版本的环境：
conda create env_name python=3.6 (3.6为python的版本，根据自己的需要更改)
创建包含某些包的环境：
conda crea