Jetson Nano学习笔记
前言JetsonNano是Nvidia的一个嵌入式开发板，具备Maxwell128核心的GPU和4核心 ARM A57的CPU，可运行Ubuntu(Linux for Tegra，L4T)，浮点运算能力为472GFLOPS(FP16)，官方给出的功率为10W。JetsonNano可以用来搞些机器学习
...
docker + TensorFlow2.0 + jupyter lab
发表于
|
更新于
|
分类于
docker
服务器为 Ubuntu
首先当然需要有Docker
安装docker tensorflow jupyter参考tensorflow安装教程
输入一下命令：
123456789101112131415161718192021222324252627282930313233343536373839404
...
Keras学习笔记
发表于
|
更新于
|
分类于
tensorflow2
123import tensorflow as tffrom tensorflow import kerasfrom tensorflow.keras import layers
使用Sequential模型一个Sequential模型适用于简单的层堆叠， 其中每一层正好有一个输入张量和一个输出张
...
保存与加载Tensorflow模型
发表于
|
更新于
|
分类于
tensorflow2
保存与加载模型安装tensorflow-datasets，导入依赖项：
1%pip install tensorflow-datasets
1234import tensorflow_datasets as tfdsimport tensorflow as tftfds.disable_progre
...
机器学习实战（十四）
发表于
|
更新于
|
分类于
机器学习实战
利用SVD简化数据奇异值分解（singular value decomposition，SVD）
SVD的应用奇异值分解
优点：简化数据，去除噪声，提高算法的结果
缺点：数据的转换可能难以理解
适用数据类型：数值型数据
利用SVD实现，我们能够用小得多的数据集来表示原始数据集。这样做，实际上是去除噪
...
机器学习实战（十三）
发表于
|
更新于
|
分类于
机器学习实战
利用PCA来简化数据降维（dimensionality reduction），数据在低纬度时更容易处理。
降维技术数据进行简化的原因：
使得数据集更容易使用
降低很多算法的计算开销
去除噪声
使得结果易懂
降维方法，主成分分析（Principal Component Analysis，PCA），数据
...
机器学习实战（十二）
发表于
|
更新于
|
分类于
机器学习实战
使用FP-growth算法来高效发现频繁项集FP-growth算法只会对数据库进行两次扫描，而Apriori算法对于每个潜在的频繁项集都会扫描数据集判断给定模式是否频繁，因此FP-growth算法的速度要比Apriori算法快。
FP树：用于编码数据集的有效方式FP-growth算法
优点：一般要快
...
机器学习实战（十一）
发表于
|
更新于
|
分类于
机器学习实战
使用Apriori算法进行关联分析在大规模数据集中寻找物品的隐含关系被称作关联分析(association analysis)或者关联规则学习(association rule learning)，例如商品的定向推荐。
关联分析Aprior算法
优点：易编码事先
缺点：在大数据集上可能较慢
适用数据
...