当前位置：首页 > news >正文

物流公司网站模板form e哪个网站做

news 2025/11/8 21:36:55

物流公司网站模板,form e哪个网站做,阿里巴巴做网站找谁,wordpress所有标签目录 1 目的 2 方法 3 源代码 4 结果 1 目的 ①熟悉 Python 的输入输出流; ②学会使用 matplotlib进行图像可视化; ③掌握神经网络的基本原理，学会使用 sklearn 库中的 MLPClassifier 函数构建基础的多层感知机神经网络分类器; ④学会使用网格查找进行超参数优…

1 目的

2 方法

3 源代码

4 结果

1 目的

①熟悉 Python 的输入输出流;
②学会使用 matplotlib进行图像可视化;
③掌握神经网络的基本原理，学会使用 sklearn 库中的 MLPClassifier 函数构建基础的多层感知机神经网络分类器;
④学会使用网格查找进行超参数优化。

2 方法

①读取并解压 mnist.gz文件，并区分好训练集与测试集;
②查看数据结构，对手写字符进行可视化展示;
③构建多层感知机神经网络模型，并使用网格查找出最优参数;
④输出模型的最优参数以及模型的预测精度。

3 源代码

①启动 Spyder，新建.py 文件，加载试验所需模块

# 导入相关模块
from sklearn.neural_network import MLPClassifier
from sklearn.model_selection import GridSearchCV
import numpy as np
import pickle
import gzip
import matplotlib. pyplot as plt

②加载数据，数据文件保存在 mnist.gz 安装包中，因此需要对文件进行解压后对文件进行读取，且区分训练集、测试集与验证集

#解压数据并进行读取
with gzip.open(r"D:\大二下\数据挖掘\神经网络\mnist.gz") as fp:training_data, valid_data, test_data= pickle.load(fp,encoding='bytes') 
#区分训练集与测试集
X_training_data,y_training_data= training_data
X_valid_data,y_valid_data= valid_data
X_test_data, y_test_data= test_data

③查看数据的结构，为后续建模做准备:

#定义函数show_data_struct 用于展示数据的结构
def show_data_struct():print(X_training_data.shape,y_training_data.shape)print(X_valid_data.shape,y_valid_data.shape)print(X_test_data.shape,y_test_data.shape)print(X_training_data[0])print(y_training_data[0])
#使用show_data_struct 函数进行数据展示
show_data_struct()

④为了更好地了解数据的形态，对手写字符进行可视化展示

#定义函数用于可视化字符的原有图像
def show_image():plt.figure(1)for i in range(10):image=X_training_data[i]pixels=image.reshape((28,28))plt.subplot(5,2,i+1)plt.imshow(pixels,cmap='gray')plt.title(y_training_data[i])plt.axis('off')plt.subplots_adjust(top=0.92,bottom=0.08,left=0.10,right=0.95, hspace=0.45,wspace=0.85)plt.show()
#使用show_image函数进行图像展示
show_image()

⑤构建参数字典，用于后续使用网格查找进行超参数优化

#字典中用于存放的 MLPClassifier 函数的参数列表
mlp_clf__tuned_parameters= {"hidden_layer_sizes":[(100,),(100,30)],"solver":[' adam', 'sgd', 'bfgs'],"max_iter":[20],"verbose":[True]}

⑥使用MLPClassifier 丽数构建多层感知机神经网络，并使用GridSearchCV 网格查找进行超参数优化，找出最合适的参数

#构建多层感知机分类器
mlp=MLPClassifier()
#通过网格查找出最优参数
estimator= GridSearchCV(mlp,mlp_clf__tuned_parameters,n_jobs=6)
#拟合模型
estimator.fit(X_training_data, y_training_data)
#输出最优参数
print(estimator.best_params_)
#输出模型的预测精度
print(estimator.score(X_test_data, y_test_data))

4 结果

(50000, 784) (50000,)

(10000, 784) (10000,)

[0. 0. 0. 0. 0. 0.

0. 0. 0. 0. 0. 0.

0. 0. 0.01171875 0.0703125 0.0703125 0.0703125

0.4921875 0.53125 0.68359375 0.1015625 0.6484375 0.99609375

0.96484375 0.49609375 0. 0. 0. 0.

0. 0. 0. 0. 0. 0.

0. 0. 0.1171875 0.140625 0.3671875 0.6015625

0.6640625 0.98828125 0.98828125 0.98828125 0.98828125 0.98828125

0.87890625 0.671875 0.98828125 0.9453125 0.76171875 0.25

0. 0. 0. 0. 0. 0.

0. 0. 0. 0. 0. 0.19140625

0.9296875 0.98828125 0.98828125 0.98828125 0.98828125 0.98828125

0.98828125 0.98828125 0.98828125 0.98046875 0.36328125 0.3203125

0.3203125 0.21875 0.15234375 0. 0. 0.

0. 0. 0. 0. 0. 0.

0. 0. 0. 0.0703125 0.85546875 0.98828125

0.98828125 0.98828125 0.98828125 0.98828125 0.7734375 0.7109375

0.96484375 0.94140625 0. 0. 0. 0.

0. 0. 0. 0. 0. 0.

0. 0. 0.3125 0.609375 0.41796875 0.98828125

0.98828125 0.80078125 0.04296875 0. 0.16796875 0.6015625

0. 0. 0. 0. 0. 0.

0. 0.0546875 0.00390625 0.6015625 0.98828125 0.3515625

0. 0. 0. 0. 0. 0.

0. 0.54296875 0.98828125 0.7421875 0.0078125 0.

0. 0. 0. 0. 0. 0.

0. 0. 0. 0. 0. 0.04296875

0.7421875 0.98828125 0.2734375 0. 0. 0.

0. 0. 0. 0. 0. 0.

0. 0. 0. 0. 0.13671875 0.94140625

0.87890625 0.625 0.421875 0.00390625 0. 0.

0. 0. 0. 0. 0. 0.

0. 0. 0. 0.31640625 0.9375 0.98828125

0.98828125 0.46484375 0.09765625 0. 0. 0.

0. 0. 0. 0. 0. 0.

0. 0. 0.17578125 0.7265625 0.98828125 0.98828125

0.5859375 0.10546875 0. 0. 0. 0.

0. 0. 0. 0. 0. 0.

0. 0.0625 0.36328125 0.984375 0.98828125 0.73046875

0. 0. 0. 0. 0. 0.

0. 0.97265625 0.98828125 0.97265625 0.25 0.

0. 0. 0. 0. 0. 0.

0. 0. 0.1796875 0.5078125 0.71484375 0.98828125

0.98828125 0.80859375 0.0078125 0. 0. 0.

0. 0. 0. 0. 0. 0.

0. 0. 0. 0. 0.15234375 0.578125

0.89453125 0.98828125 0.98828125 0.98828125 0.9765625 0.7109375

0. 0. 0. 0. 0. 0.

0.09375 0.4453125 0.86328125 0.98828125 0.98828125 0.98828125

0.98828125 0.78515625 0.3046875 0. 0. 0.

0. 0. 0. 0. 0. 0.

0. 0. 0.08984375 0.2578125 0.83203125 0.98828125

0.98828125 0.98828125 0.98828125 0.7734375 0.31640625 0.0078125

0. 0. 0. 0. 0. 0.

0. 0. 0. 0. 0.0703125 0.66796875

0.85546875 0.98828125 0.98828125 0.98828125 0.98828125 0.76171875

0.3125 0.03515625 0. 0. 0. 0.

0. 0. 0. 0. 0. 0.

0.21484375 0.671875 0.8828125 0.98828125 0.98828125 0.98828125

0.98828125 0.953125 0.51953125 0.04296875 0. 0.

0. 0. 0. 0. 0. 0.

0. 0. 0. 0. 0.53125 0.98828125

0.98828125 0.98828125 0.828125 0.52734375 0.515625 0.0625

0. 0. 0. 0. 0. 0.

0. 0. 0. 0. ]

通过观察数据结构可知，数据由 10000个样本组成，其中每一个样本是由784(28*28)个像素组成的图像，像素黑白用 0/1 进行表示，对应的label目标变量的每个字符图像的真实标签。

由图可知，MNIST数据由手写字符图像和标签组成。

通过对 MLP分类器的学习可见，模型经过 20次迭代，loss 不断减少0.2320587后达到拟合状态。

由输出结果可见，通过 GridSearchCV 网格查到的最优参数为:隐藏层数为(100，30)，最大池化层为 20，激活函数为sgd;且此时多层感知机神经网络MNIST手写字符识别的准确率达到了 0.9347。

查看全文

http://www.yayakq.cn/news/673810/

陕西省高速公路建设集团公司网站影视视频网站怎么做

百度关键词推广网站做网站设计师的原因

关于动漫的网站建设wordpress 代码高亮

ftp建网站太原网站建设方案策划

cms网站开发网站模板广州网站建设第一公司

如何免费做网站的教程深圳市交易建设中心网站

中国工程建设造价信息网站厦门思明区建设局网站

济南做网站的好公司有哪些怎样在网站上做推广

宝丰县精神文明建设的门户网站制作公司网页价钱

网站建设的宣传词wordpress+显示异常

win10最强优化软件展示型网站一样做seo优化

开发公司工程部奖励规定windows优化大师有必要安装吗

网站优化总结报告广州网站建设商城

如何做网站漂浮广告河南建设监理协会官方网站

aso安卓优化seo是什么意思为什么要做seo

广西工程建设质量安全管理协会网站欢迎访问中国建设银行网站个人客户

哪些网站可以做装修建立网站费用怎么做会计分录

1 目的

2 方法

3 源代码

4 结果

相关文章：