跳到主要内容

Python进行doctest

· 阅读需 1 分钟

doctest简介​

在doc注释部分使用形如Python交互式命令行的代码，可以进行doctest。

def add(a, b):
    """
    >>> add(1, 2)
    3
    """
    return a + b

TensorFlow之MNIST入门

· 阅读需 6 分钟

MNIST手写数字识别是机器学习中非常经典的问题，相当于编程语言界的“Hello World“。关于神经网络解决MNIST手写数字识别问题，可以参考这个视频：深度学习之神经网络的结构 Part 1 ver 2.0

视频中使用的是多层神经网络，为了简化问题，这里我们使用单层的网络结构。

参考之前的MNIST数据集解析，先对MNIST数据集进行解析：

awk命令学习笔记

· 阅读需 2 分钟

执行流程​

awk命令基本结构：

awk 'BEGIN{ commands } pattern { commands } END{ commands }' file

【选项】

-F：输入域分隔符

-v：自定义变量

-f：调用awk脚本

MNIST数据集解析

· 阅读需 4 分钟

从MNIST数据集官网可以下载MNIST数据集。

MNIST数据集以.gz格式压缩，Python可以直接读取而不需要解压缩：

import gzip

with gzip.open('t10k-images-idx3-ubyte.gz') as f:
    buf = f.read()

MNIST数据集使用二进制文件，而不是常规的图片文件格式。以t10k-images-idx3-ubyte为例，在官网有其结构说明：

[offset] [type]          [value]          [description]
0000     32 bit integer  0x00000803(2051) magic number
0004     32 bit integer  10000            number of images
0008     32 bit integer  28               number of rows
0012     32 bit integer  28               number of columns
0016     unsigned byte   ??               pixel
0017     unsigned byte   ??               pixel
........
xxxx     unsigned byte   ??               pixel

使用TensorFlow进行线性回归

· 阅读需 2 分钟

我们先随机生成一些数据：

import numpy as np

train_X = 20 * np.random.rand(100).astype(np.float32)
train_Y = (30 * train_X + 100 + 10 * np.random.randn(100)).astype(np.float32)