北京王府井美食/seo网站推广是什么意思

北京王府井美食,seo网站推广是什么意思,勘察设计人才网,长沙小升初有什么做试卷的网站1.参考Python实战:BP神经网络_bp神经网络实战python-CSDN博客 2.实践 (1)运行环境 anocanda Powershell Prompt(anocanda3) (2)创建虚拟环境,解决安装包的版本问题 *打开终端&a…

1.参考Python实战:BP神经网络_bp神经网络实战python-CSDN博客

2.实践

(1)运行环境

anocanda Powershell Prompt(anocanda3)

(2)创建虚拟环境,解决安装包的版本问题

*打开终端(Terminal)或命令提示符(Command Prompt):

    在Windows上,可以通过搜索“cmd”来打开命令提示符。

*创建新的虚拟环境:
使用conda命令来创建虚拟环境。下面是一个基本的例子,其中myenv是你的环境名称,而python=3.8指定了你希望在这个环境中使用的Python版本。

conda create --name myenv python=3.8

*激活虚拟环境:
创建完成后,你需要通过以下命令激活这个环境:

    对于Windows用户:

conda activate myenv

*安装所需要的包

(3)运行代码:

import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']  # 使用黑体字体
plt.rcParams['axes.unicode_minus'] = False  # 解决负号 '-' 显示为方块的问题
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
from sklearn.model_selection import train_test_split# 定义学生成绩数据集,这里为方便演示,手动创建示例数据
data = np.array([[80, 75],[85, 80],[70, 65],[90, 88],[75, 70],[88, 82],[65, 60],[92, 90]
])
final_scores = np.array([82, 88, 72, 92, 76, 86, 68, 95])# 划分训练集和测试集,按照8:2的比例划分,设置随机种子以保证每次划分结果可重复
X_train, X_test, y_train, y_test = train_test_split(data, final_scores, test_size=0.2, random_state=42)# 构建BP神经网络模型
model = Sequential()
# 输入层,有2个神经元,对应2个输入特征(作业成绩和小测验成绩),激活函数为ReLU
model.add(Dense(16, input_dim=2, activation='relu'))
# 隐藏层,16个神经元,激活函数为ReLU
model.add(Dense(16, activation='relu'))
# 输出层,1个神经元,对应期末考试成绩,激活函数为线性(因为是回归任务)
model.add(Dense(1, activation='linear'))# 编译模型,指定优化器、损失函数和评估指标
model.compile(optimizer='adam',loss='mean_squared_error',metrics=['mae'])  # 平均绝对误差(MAE)作为评估指标# 训练模型,指定训练轮数、批量大小等参数
epochs = 100
batch_size = 2
history = model.fit(X_train, y_train, epochs=epochs, batch_size=batch_size,validation_data=(X_test, y_test), verbose=0)# 获取训练过程中的损失和验证损失历史数据
loss_history = history.history['loss']
val_loss_history = history.history['val_loss']# 可视化训练损失和验证损失曲线
plt.figure(figsize=(10, 6))
plt.plot(range(1, epochs + 1), loss_history, label='训练损失')
plt.plot(range(1, epochs + 1), val_loss_history, label='验证损失')
plt.xlabel('轮数')
plt.ylabel('损失值')
plt.title('BP神经网络训练损失曲线')
plt.legend()
plt.show()# 使用训练好的模型对测试集进行预测
y_pred = model.predict(X_test).flatten()  # 将二维数组展平为一维数组# 可视化预测结果与实际结果(简单示例,以测试集为例)
plt.figure(figsize=(10, 6))
plt.scatter(range(len(y_test)), y_test, label='实际成绩', color='blue')
plt.scatter(range(len(y_pred)), y_pred, label='预测成绩', color='red')
plt.xlabel('样本索引')
plt.ylabel('期末考试成绩')
plt.title('BP神经网络预测学生成绩结果')
plt.legend()
plt.show()# 调试信息
print("y_test shape:", y_test.shape)
print("y_pred shape:", y_pred.shape)
print("y_test type:", type(y_test))
print("y_pred type:", type(y_pred))

(4)结果截图:

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/web/72310.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

深度学习多模态人脸情绪识别:从理论到实践

前些天发现了一个巨牛的人工智能学习网站,通俗易懂,风趣幽默,忍不住分享一下给大家。点击跳转到网站。https://www.captainbed.cn/north 文章目录 1. 引言2. 技术框架与流程图3. 核心算法解析3.1 视觉特征提取(CNN)3.2…

Docker封装镜像、分发、部署实践:nginx

在实际生产工作中,通常是没法直接访问公网的,但是有经常需要使用Docker部署应用,本文将介绍使用Docker从拉取nginx、打包、分发到加载部署nginx的全流程! 1 准备工作 1.1 安装docker 请参考:Docker入门指南&#xff…

Ollama+OpenWebUI本地部署大模型

OllamaOpenWebUI本地部署大模型 前言Ollama使用Ollama安装Ollama修改配置Ollama 拉取远程大模型Ollama 构建本地大模型Ollama 运行本地模型:命令行交互Api调用Web 端调用 总结 前言 Ollama是一个开源项目,用于在本地计算机上运行大型语言模型&#xff0…

【机器学习】基于t-SNE的MNIST数据集可视化探索

一、前言 在机器学习和数据科学领域,高维数据的可视化是一个极具挑战但又至关重要的问题。高维数据难以直观地理解和分析,而有效的可视化方法能够帮助我们发现数据中的潜在结构、模式和关系。本文以经典的MNIST手写数字数据集为例,探讨如何利…

K8S学习之基础二十三:k8s的持久化存储之nfs

K8S持久化存储之nfs ​ 在 Kubernetes (k8s) 中使用 NFS(Network File System)作为存储解决方案是一种常见的方式,特别是在需要共享存储的场景中。以下是关于如何在 Kubernetes 中使用 NFS 存储的详细说明: 1. 准备 NFS 服务器 …

《C++ Primer》学习笔记(二)

第二部分:C标准库 1.为了支持不同种类的IO处理操作,标准库定义了以下类型的IO,分别定义在三个独立的文件中:iostream文件中定义了用于读写流的基本类型;fstream文件中定义了读写命名文件的类型;sstream文件…

MATLAB风光柴储微网粒子群算法

本程序实现了风光柴储微网中的粒子群优化(PSO)算法,用于优化微网的能源调度问题。具体来说,程序考虑了光伏发电、风力发电、柴油机发电(柴储),并使用粒子群算法来优化这些能源的调度&#xff0c…

解决Windows版Redis无法远程连接的问题

🌟 解决Windows版Redis无法远程连接的问题 在Windows系统下使用Redis时,很多用户会遇到无法远程连接的问题。尤其是在配置了Redis并尝试通过工具如RedisDesktopManager连接时,可能会报错“Cannot connect to ‘redisconnection’”。今天&am…

基于NXP+FPGA永磁同步电机牵引控制单元(单板结构/机箱结构)

永磁同步电机牵引控制单元(单板结构/机箱结构) 永磁同步电机牵引控制单元(TCU-PMSM)用于牵引逆变器-永磁同步电机构成的牵引电传动系统,采用轴控方式。执行高性能永磁同步电机复矢量控制策略,具有响应迅速…

MySQL 衍生表(Derived Tables)

在SQL的查询语句select …. from …中,跟在from子句后面的通常是一张拥有定义的实体表,而有的时候我们会用子查询来扮演实体表的角色,这个在from子句中的子查询会返回一个结果集,这个结果集可以像普通的实体表一样查询、连接&…

STM32配套程序接线图

1 工程模板 2 LED闪烁 3LED流水灯 4蜂鸣器 5按键控制LED 6光敏传感器控制蜂鸣器 7OLED显示屏 8对射式红外传感器计次 9旋转编码器计次 10 定时器定时中断 11定时器外部时钟 12PWM驱动LED呼吸灯 13 PWM驱动舵机 14 PWM驱动直流电机 15输入捕获模式测频率 16PWMI模式测频率占空…

鸿蒙初级考试备忘

Module类型 Module按照使用场景可以分为两种类型: Ability类型的Module: 用于实现应用的功能和特性。每一个Ability类型的Module编译后,会生成一个以.hap为后缀的文件,我们称其为HAP(Harmony Ability Package&#x…

SpringCloud 学习笔记1(Spring概述、工程搭建、注册中心、负载均衡、 SpringCloud LoadBalancer)

文章目录 SpringCloudSpringCloud 概述集群和分布式集群和分布式的区别和联系 微服务什么是微服务?分布式架构和微服务架构的区别微服务的优缺点?拆分微服务原则 什么是 SpringCloud ?核心功能与组件 工程搭建父项目的 pom 文件 注册中心Rest…

计算机网络-网络规划与设计

基本流程 需求分析—》通信规范分析—》逻辑网络设计—》物理网络设计—》实施阶段 需求分析: 确定需求,包括:业务需求、用户需求、应用需求、计算机平台需求、网络通信需求等。 产物:需求规范 通信规范分析: 现有…

《AI浪潮中的璀璨新星:Meta Llama、Ollama与DeepSeek的深度剖析》:此文为AI自动生成

《AI浪潮中的璀璨新星:Meta Llama、Ollama与DeepSeek的深度剖析》:此文为AI自动生成 引言:AI 大模型的群雄逐鹿时代 在科技飞速发展的当下,AI 大模型领域已成为全球瞩目的焦点,竞争激烈程度堪称白热化。从 OpenAI 推出…

DeepSeek linux服务器(CentOS)部署命令笔记

Linux(CentOS)FinalShellOllama远程访问,本地部署deepseek 自备CentOS服务器,并且已经使用FinalShell连接到服务器 一、准备工作 1.更新服务器 apt-get update-y 2.下载Ollama curl -fsSL https://ollama.com/install.sh | …

C#通过API接口返回流式响应内容---分块编码方式

1、背景 上一篇文章《C#通过API接口返回流式响应内容—SSE方式》阐述了通过SSE(Server Send Event)方式,由服务器端推送数据到浏览器。本篇是通过分块编码的方式实现 2、效果 3、具体代码 3.1 API端实现 [HttpGet] public async Task Chu…

SSL 原理及实验

引言 为了实现远程办公或者远程客户访问内网的资源 (1)回顾历史: 起初先出现SSL(Secure Sockets Layer)-安全套接层协议。 美国网景Netscape公司1994年研发,介于传输层TCP协议和应用层协议之间的一种协议…

UE5.5 Niagara发射器更新属性

发射器属性 在 Niagara 里,Emitter 负责控制粒子生成的规则和行为。不同的 Emitter 属性决定了如何发射粒子、粒子如何模拟、计算方式等。 发射器 本地空间(Local Space) 控制粒子是否跟随发射器(Emitter)移动。 ✅…

各省水资源平台 水资源遥测终端机都用什么协议

各个省水资源平台 水资源遥测终端机 的建设大部分从2012年开始启动,经过多年建设,基本都已经形成了稳定的通讯要求;河北瑾航科技 遥测终端机,兼容了大部分省市的通讯协议,如果需要,可以咨询和互相学习&…