建站
咨詢
售后
建站咨詢
新聞中心
隨著技術(shù)的迅速發(fā)展，識(shí)別手寫數(shù)字的技術(shù)已經(jīng)逐步趨于成熟。其中，MNIST（Modified National Institute of Standards and Technology） 手寫數(shù)字?jǐn)?shù)據(jù)庫(kù)是目前更具代表性的案例。該數(shù)據(jù)庫(kù)已成為機(jī)器學(xué)習(xí)領(lǐng)域的經(jīng)典案例，是許多愛好者和研究者入門的必備工具。
成都創(chuàng)新互聯(lián)專注于鐵山港企業(yè)網(wǎng)站建設(shè),響應(yīng)式網(wǎng)站開發(fā),商城網(wǎng)站制作。鐵山港網(wǎng)站建設(shè)公司,為鐵山港等地區(qū)提供建站服務(wù)。全流程按需定制開發(fā)，專業(yè)設(shè)計(jì)，全程項(xiàng)目跟蹤，成都創(chuàng)新互聯(lián)專業(yè)和態(tài)度為您提供的服務(wù)
MNIST數(shù)據(jù)庫(kù)概述
MNIST數(shù)據(jù)庫(kù)包含了70,000個(gè)28×28像素大小的單通道灰度圖片，其中60,000張圖片用于訓(xùn)練模型，10,000張用于測(cè)試模型的準(zhǔn)確性。這些圖片都是由真實(shí)人類手寫的數(shù)字組成，標(biāo)簽從0到9。
這個(gè)數(shù)據(jù)集最初是為了幫助開發(fā)者設(shè)計(jì)、測(cè)試和比較圖像分類算法而創(chuàng)建的。首次發(fā)布于1998年，現(xiàn)在已經(jīng)成為機(jī)器學(xué)習(xí)界的指標(biāo)基準(zhǔn)。使用MNIST，可以進(jìn)行手寫數(shù)字識(shí)別、字體識(shí)別等各種分類任務(wù)。
MNIST的重要性
MNIST的重要性體現(xiàn)在以下三個(gè)方面：
1. 提升手寫數(shù)字識(shí)別技術(shù)
MNIST提供了一個(gè)標(biāo)準(zhǔn)的測(cè)試平臺(tái)，可以比較不同的算法的準(zhǔn)確度。在過(guò)去的20年中，對(duì)MNIST數(shù)據(jù)集的研究已經(jīng)推動(dòng)了手寫數(shù)字識(shí)別技術(shù)的快速發(fā)展。目前，手寫數(shù)字識(shí)別準(zhǔn)確率已經(jīng)達(dá)到99%以上，這種技術(shù)正在得到越來(lái)越廣泛的應(yīng)用，例如：數(shù)字簽名識(shí)別、銀行支票自動(dòng)識(shí)別等。
2. 促進(jìn)機(jī)器學(xué)習(xí)算法的發(fā)展
MNIST已經(jīng)成為機(jī)器學(xué)習(xí)算法評(píng)估的標(biāo)準(zhǔn)數(shù)據(jù)集，許多新算法的表現(xiàn)都以MNIST為基準(zhǔn)。通過(guò)MNIST的比較，可以分析算法的優(yōu)缺點(diǎn)，在此基礎(chǔ)上進(jìn)一步推進(jìn)算法的改進(jìn)。
3. 測(cè)試計(jì)算機(jī)硬件性能
對(duì)于硬件廠商來(lái)說(shuō)，MNIST也是一個(gè)重要的測(cè)試標(biāo)準(zhǔn)。在產(chǎn)業(yè)迅速發(fā)展的背景下，從CPU到GPU再到TPU，計(jì)算機(jī)硬件性能的優(yōu)化已經(jīng)成為整個(gè)行業(yè)的重要任務(wù)之一。MNIST數(shù)據(jù)集可以幫助驗(yàn)證硬件加速器的性能和速度。
常見的MNIST識(shí)別算法
MNIST識(shí)別算法有很多，以下是幾種常見的MNIST識(shí)別算法：
1. 線性分類器
線性分類器是最簡(jiǎn)單的識(shí)別算法之一，它使用線性算法將輸入圖像映射到分類的損失函數(shù)上。這種算法的優(yōu)點(diǎn)是操作簡(jiǎn)單，訓(xùn)練速度快，但它的精度相對(duì)較低。
2. K-NN算法
K-NN算法指的是K值最近鄰算法，它的原理是找出距離輸入樣本最近的K個(gè)樣本，根據(jù)K個(gè)樣本的標(biāo)簽進(jìn)行分類。K-NN算法的優(yōu)點(diǎn)是便于實(shí)現(xiàn)，分類準(zhǔn)確度較高，但不適用于大規(guī)模數(shù)據(jù)集的情況。
3. 卷積神經(jīng)網(wǎng)絡(luò)
卷積神經(jīng)網(wǎng)絡(luò)是MNIST更流行的識(shí)別算法之一，它由多個(gè)卷積層和全連接層組成。卷積神經(jīng)網(wǎng)絡(luò)利用卷積核和池化層的組合，可以有效降低特征維度并提高識(shí)別精度。但是該算法需要大量的計(jì)算功率，訓(xùn)練時(shí)間較長(zhǎng)。
4. 支持向量機(jī)
支持向量機(jī)是一種借助于核函數(shù)將數(shù)據(jù)映射到高維空間解決線性不可分問(wèn)題的算法。支持向量機(jī)可用于二分類和多分類問(wèn)題，它具有很好的魯棒性、準(zhǔn)確性和泛化能力。但是對(duì)于大規(guī)模數(shù)據(jù)集，支持向量機(jī)需要大量時(shí)間和空間復(fù)雜度。
結(jié)語(yǔ)
MNIST數(shù)據(jù)庫(kù)作為機(jī)器學(xué)習(xí)算法評(píng)估的標(biāo)準(zhǔn)數(shù)據(jù)集，對(duì)手寫數(shù)字識(shí)別技術(shù)的發(fā)展做出了巨大的貢獻(xiàn)。從線性分類器到卷積神經(jīng)網(wǎng)絡(luò)，技術(shù)和算法已經(jīng)取得了巨大的進(jìn)展。隨著硬件和軟件技術(shù)的不斷升級(jí)，我們將看到更多的應(yīng)用被廣泛應(yīng)用于各個(gè)領(lǐng)域。
相關(guān)問(wèn)題拓展閱讀：
- df1.index與df.類別
df1.index與df.類別
1、查看數(shù)據(jù)類型：type(a)
2、查看已安裝的包：
在dos命令行界面：如果你使用的是pip來(lái)作為你的python包管理器的話，可以在命令行下直接運(yùn)行$ pip freeze或者$ pip list來(lái)查看安裝包的信息，當(dāng)然其它的包管理器也有類似的功能，同時(shí)，你也可以在python交互式解釋器中導(dǎo)入pip模塊來(lái)查看包信息。
在python提示符下，用help(‘modules’)，可以顯示所有包名稱，用import sys as s >> s.modules.keys() ，可以顯示系統(tǒng)模塊；
3、在LINUX環(huán)境下安裝anaconda：
1）先找需要安裝版本的官網(wǎng)地址鏈接，如
；
2）在linux控制臺(tái)輸入：wget
3）先賦搜搭權(quán)在安裝程序：chmod +x Anaconda3-5.3.0-Linux-x86_64.sh
./Anaconda3-5.3.0-Linux-x86_64.sh
4）一直按ENTER，直到出現(xiàn)選擇yes or no，輸入yes；
5）繼續(xù)按ENTER，直到出現(xiàn)選擇yes，輸入yes，添加環(huán)境變量；
6）若上面這一步?jīng)]選擇yes，會(huì)默認(rèn)選擇no，則需要自己到安裝anaconda的路徑下，設(shè)置環(huán)境變量：
export PATH=/home/anaconda3/bin:KaTeX parse error: Expected ‘EOF’, got ‘#’ at position 36: …一句話注釋掉： #? export PATH=/u…PATH
export PATH=/root/anaconda3/bin:$PATH
8）然后，保存更改：source ~/.bashrc
9）吵漏鬧檢測(cè)是否安裝成功：
進(jìn)入自己的文件夾目錄下輸入：anaconda -V conda -V
4、在linux環(huán)境下下載并安裝mysql：
…%2522%257D&request_id=&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2blogbaidu_landing_v2~default.nonecase&utm_term=linux%E7%8E%AF%E5%A2%83%E4%B8%8B%E5%AE%89%E8%A3%85mysql&spm=1018.2226.3001.4450
1）先找安裝包網(wǎng)址鏈接：從升罩官網(wǎng)或者網(wǎng)盤下載
2）用linux命令將安裝包下載到指定文件夾下：wget
3）再安裝到指定目錄下：
cd 路徑
解壓：tar -zxvf mysql-5.7.25-linux-glibc2.12-x86_64.tar.gz
修改文件夾名稱：mv mysql-5.7.25-linux-glibc2.12-x86_64 /mysql
2）新建data目錄
命令：mkdir /mysql/data
3）新建mysql用戶組及mysql用戶
命令：groupadd mysql //新建用戶組
命令：useradd mysql -g mysql //新建用戶
4）將/usr/local/mysql的所有者及所屬組改為mysql
chown -R mysql.mysql /usr/local/mysql
5）配置
命令：/usr/local/mysql/bin/mysql_install_db –user=mysql –basedir=/usr/local/mysql/ –datadir=/usr/local/mysql/data
6）配置/etc/my.cnf
vim /etc/my.cnf
7）開啟服務(wù)
命令：cp /usr/local/mysql/support-files/mysql.server /etc/init.d/mysql //將mysql加入服務(wù)
命令：chkconfig mysql on //開機(jī)自動(dòng)啟動(dòng)
命令：service mysql start //開啟mysql服務(wù)
開啟mysql服務(wù)報(bào)錯(cuò)， 在這里插入圖片描述
8）設(shè)置密碼
命令：/usr/local/mysql/bin/mysql -u root -p //在my.cnf中配置了取消密碼驗(yàn)證，此處密碼任意輸入
命令：use mysql; //操作mysql數(shù)據(jù)庫(kù)
命令：update user set authentication_string=password(‘你的密碼’) where user=‘root’; //修改密碼
命令：flush privileges;
命令：exit; //退出
9）將/etc/my.cnf中的skip-grant-tables刪除
10）如果是本機(jī)安裝則到此步驟已經(jīng)安裝配置完成，如果是在虛擬機(jī)或者遠(yuǎn)程服務(wù)器上安裝，則需要以下步驟
允許遠(yuǎn)程連接
命令：/usr/local/mysql/bin/mysql -u root -p //登錄
命令：use mysql;
命令：update user set host=’%’ where user = ‘root’;
命令：flush privileges;
命令：exit;
Pandas
dataframe：
1、dataframe，如何查看一個(gè)DataFrame對(duì)象的所有索引，列名，以及DataFrame中具體的值？
有一個(gè)dataframe對(duì)象df1，查看索引使用使用df1.index，查看列名使用df1.columns，查看所有的值為df1.values。
2、創(chuàng)建dataframe：
df1=pd.DataFrame(np.arange(16).reshape(4,4),
index = pd.date_range(‘’, periods = 4),
columns=list(‘ABCD’))
3、使用df1.index返回的是一個(gè)索引，如果獲取具體的值的話，需要使用df1.index.values轉(zhuǎn)化為列表。
4、根據(jù)列名取dataframe的數(shù)據(jù)
基本格式：dataframe
1）取多列
列名要用中括號(hào)括起來(lái)，所以下述命令
dataframe> 沒(méi)問(wèn)題,返回pandas.core.frame.DataFrame類型的值
dataframe出錯(cuò)
2）取一列
列名可以不用中括號(hào)括起來(lái)，
dataframe 沒(méi)問(wèn)題，返回pandas.core.series.Series類型的值
列名也可以用中括號(hào)括起來(lái)，
dataframe> 也能正常運(yùn)行，但返回pandas.core.frame.DataFrame類型的值
1. 常用基本方法及屬性
df.info() 輸出總行數(shù)、各列的行數(shù)、類型、索引、占用內(nèi)存等信息；
df.index 輸出索引，為 pandas.core.indexes.range.RangeIndex 類型；
df.columns 輸出列名，為pandas.core.indexes.base.Index 類型，可使用df.columns.str ；
df.dtypes 各列的類型，輸出一個(gè)series，值是object類型；
df.values 值，輸出一個(gè) array ；
df.describe() 輸出各數(shù)值列的統(tǒng)計(jì)值，如非空個(gè)數(shù)、均值、std、極值、分位數(shù)。
2. 索引
df.set_index() 設(shè)置索引，括號(hào)內(nèi)可以填入DataFrame中某列的列名，就能使用此列作為索引；
df.loc 以label索引，可實(shí)現(xiàn)花哨的混合索引，如：df.loc100, > ；
df.iloc 以絕對(duì)位置索引，即數(shù)字；
掩碼操作，如 df > 100 > 。
3. 計(jì)算：
df.cov() 協(xié)方差，df.corr() 相關(guān)系數(shù)，df.mean(axis = 1)，df.median()，df.max()；
df.value_counts(ascending = True, bins = 5) 非nan計(jì)數(shù)(升序排列，分箱)；
pd.cut()也能實(shí)現(xiàn)連續(xù)值離散化，pandas.cut(x,bins,right=True,labels=None,retbins=False,precision=3,include_lowest=False)。
4. 增刪改查、合并、排序
使用df.copy()防止誤修改df；
df.rename(index = {‘a(chǎn)’ : ‘A’}, inplace = True) 重命名索引，注意需要inplace為True才能真正修改；
df.append(df2) 增加；
df.drop(, inplace = True) 刪除；
data.drop_duplicates()去重，subset參數(shù)可以選擇具體的列；
df3 = pd.concat(, axis = 0) 實(shí)現(xiàn)兩個(gè)DataFrame的簡(jiǎn)易合并；
pd.merge(on, left_on, right_on, left_index, right_index, how, suffixes) 數(shù)據(jù)表連接操作，on可以指定多個(gè)列作為鍵;
多列排序 data.sort_values(by=,ascending = ,inplace=True)，即在by、ascending處傳入list，會(huì)先按’group’列再按’data’列排序。
5. groupby聚合 和數(shù)據(jù)透視表pivot_table（相當(dāng)于多維的groupby操作）
df.pivot_table(index = ‘Sex’, columns=‘Pclass’, values=‘Fare’，aggfunc = ‘sum’) ，aggfunc默認(rèn)是mean；
6. 時(shí)間序列
Pandas所有關(guān)于日期與時(shí)間的處理方法全部是通過(guò)Timestamp對(duì)象實(shí)現(xiàn)的；
pd.to_datetime(‘’) 把str轉(zhuǎn)化為Timestamp對(duì)象（pd.Timestamp也可以）；
ts + pd.Timedelta(‘5 days’) 用Timedelta加上時(shí)間間隔；
pd.read_csv()方法中參數(shù)parse_dates = True，可以直接將數(shù)據(jù)中的時(shí)間作為索引；
將時(shí)間戳作為索引值取出對(duì)應(yīng)時(shí)間段內(nèi)的數(shù)據(jù)：data ，
同時(shí)也可以使用 data，data 等簡(jiǎn)便方式；
僅取1月份的數(shù)據(jù) data ；
時(shí)間重采樣，將原始數(shù)據(jù)轉(zhuǎn)化為均勻間隔的數(shù)據(jù)，
DataFrame.resample(rule, how=None, axis=0, fill_method=None, closed=None, label=None, convention=‘start’,kind
=None, loffset=None, limit=None, base=0)，如df.resample(‘3D’)方法，對(duì)3天的數(shù)據(jù)進(jìn)行重采樣。
7. apply自定義函數(shù) DataFrame.apply(func, axis=0, broadcast=False, raw=False, reduce=None, args=(), kwds)，說(shuō)明：
允許傳入0個(gè)或任意個(gè)參數(shù)，這些可變參數(shù)在函數(shù)調(diào)用時(shí)自動(dòng)組裝為一個(gè)tuple，
關(guān)鍵字參數(shù)允許傳入0個(gè)或任意個(gè)含參數(shù)名的參數(shù)，這些關(guān)鍵字參數(shù)在函數(shù)內(nèi)部自動(dòng)組裝為一個(gè)dict。
8.缺失值：DataFrame.isnull().any()，.fillna() 等。
9.字符串Series.str.lower()，str是Series的一個(gè)屬性，s.str.upper()，s.str.len()，index.str.strip()，df.columns.str.replace(’ ‘,’‘)，s.str.split(’‘)，s.str.contains(‘Ag’)，s.str.get_dummies(sep = ‘|’) 。
10、notebook顯示設(shè)置：
pd.set_option()，pd.get_option()用于使用Notebook做展示；
pd.set_option(‘display.max_columns’,30)，pd.set_option(‘display.max_colwidth’,100)，
pd.set_option(‘display.max_colwidth’,100)。
11、重復(fù)記錄處理
1）生成重復(fù)記錄
#生成重復(fù)數(shù)據(jù)
df=pd.DataFrame(np.ones(),columns=)
df=
df=
df=df.reindex(columns=) #將新增的一列排在之一列
2）判斷重復(fù)記錄
isDplicated=df.duplicated() #判斷重復(fù)數(shù)據(jù)記錄
3）刪除重復(fù)值
new_df1=df.drop_duplicates() #刪除數(shù)據(jù)記錄中所有列值相同的記錄
new_df2=df.drop_duplicates() #刪除數(shù)據(jù)記錄中col3列值相同的記錄
new_df3=df.drop_duplicates() #刪除數(shù)據(jù)記錄中col4列值相同的記錄
new_df4=df.drop_duplicates() #刪除數(shù)據(jù)記錄中(col3和col4)列值相同的記錄
4）python去重drop_duplicates后一定要reset_index()。
pandas.DataFrame.reset_index
函數(shù)作用：重置索引或其level。
重置數(shù)據(jù)幀的索引，并使用默認(rèn)索引。如果數(shù)據(jù)幀具有多重索引，則此方法可以刪除一個(gè)或多個(gè)level。
函數(shù)主要有以下幾個(gè)參數(shù)：reset_index(level=None, drop=False, inplace=False, col_level=0, col_fill=’’)
各個(gè)參數(shù)介紹：
level：可以是int, str, tuple, or list, default None等類型。作用是只從索引中刪除給定級(jí)別。默認(rèn)情況下刪除所有級(jí)別。
drop：bool, default False。不要嘗試在數(shù)據(jù)幀列中插入索引。這會(huì)將索引重置為默認(rèn)的整數(shù)索引。
inplace：bool, default False。修改數(shù)據(jù)幀（不要?jiǎng)?chuàng)建新對(duì)象）。
col_level：int or str, default=0。如果列有多個(gè)級(jí)別，則確定將標(biāo)簽插入到哪個(gè)級(jí)別。默認(rèn)情況下，它將插入到之一層。
col_fill：object, default。如果列有多個(gè)級(jí)別，則確定其他級(jí)別的命名方式。如果沒(méi)有，則復(fù)制索引名稱。
返回：
DataFrame or None。具有新索引的數(shù)據(jù)幀，如果inplace=True，則無(wú)索引。
python使用問(wèn)題集錦
1、報(bào)錯(cuò)：NameError: name ‘scipy’ is not defined
使用!pip install packages scipy，重新安裝成功后，還報(bào)錯(cuò)；在運(yùn)行前先f(wàn)rom scipy import optimize，再運(yùn)行也報(bào)錯(cuò)；
還有說(shuō)是注釋或者換行等問(wèn)題導(dǎo)致的，都無(wú)法解決，最后一個(gè)可能再試試：在安裝scipy前要先安裝numpy+mkl(非numpy)。
在如下地址下載安裝numpy：
Numpy+MKL is linked to the Intel? Math Kernel Library and includes required DLLs in the numpy.DLLs directory.
下載完成后，在cmd命令行中用pip install numpy-1.22.2+mkl-pp38-pypy38_pp73-win_amd64.whl進(jìn)行安裝，報(bào)錯(cuò)如下：
ERROR: numpy-1.22.2+mkl-pp38-pypy38_pp73-win_amd64.whl is not a supported wheel on this platform.
錯(cuò)誤原因：安裝的不是對(duì)應(yīng)python版本的庫(kù)，下載的庫(kù)名中cp27代表python2.7,其它同理。我的python是3.8版本，重新下載后，再安裝，進(jìn)入正常流程中。但是又報(bào)如下錯(cuò)誤： 在這里插入圖片描述
文章知識(shí)點(diǎn)與官方知識(shí)檔案匹配
Python入門技能樹首頁(yè)概覽
人正在系統(tǒng)學(xué)習(xí)中
點(diǎn)擊閱讀全文
打開CSDN APP，看更多技術(shù)內(nèi)容
Pandas的基本功能_笑 癮的博客_pandas作用
一、Pandas的常用32個(gè)方法和功能 DataFrame() 創(chuàng)建一個(gè)DataFrame對(duì)象 df.values 返回ndarray類型的對(duì)象 df.shape 返回行列數(shù) df.index 獲取行索引 df.set_index 設(shè)置索引 df.reset_index 重制索引 df.columns 獲取列索引 df.rename 重…
繼續(xù)訪問(wèn)
pandas教程:pandas主要功能詳解_hello-java-maker的博客_pand…
df =pd.read_csv(“Counts.csv”, header=0) df.head() 1 2 選擇/切片 df ,df 選取指定整列數(shù)據(jù) df # 選取一列,成一個(gè)series df> # 選取一列…
繼續(xù)訪問(wèn)
numpy?1.21.4+mkl?pp38?pypy38_pp73?win_amd64.whl
numpy?1.21.4+mkl?pp38?pypy38_pp73?win_amd64.whl
Python數(shù)據(jù)分析 | (17) pandas的基本功能
本篇博客中，我將介紹操作Series和DataFrame中的數(shù)據(jù)的基本手段。后續(xù)將更加深入地挖掘pandas在數(shù)據(jù)分析和處理方面的功能。這不是pandas庫(kù) 的詳盡文檔，主要關(guān)注的是最重要的功能，那些不大常用的內(nèi)容(也就是那 些更深?yuàn)W的內(nèi)容)就交給你自己去摸索吧。 目錄 1. 重新索引 2. 丟棄指定軸上的項(xiàng) 3. 索引、選取和過(guò)濾 4. 整數(shù)索引 5. 算術(shù)運(yùn)算和數(shù)據(jù)對(duì)齊 6. …
繼續(xù)訪問(wèn)
最新發(fā)布 python安裝ERROR: matplotlib-3.6.2-pp38-pypy38_pp73-win_amd64.whl is not a supported wheel on this plat
我把文件名稱改為matplotlib-3.6.2-py39-none-any.whl。2、看到支持的文件的名稱是py30-none-any。
繼續(xù)訪問(wèn)
熱門推薦 使用python經(jīng)常出現(xiàn)NameError: name ‘xxx’ is not defined
使用python經(jīng)常出現(xiàn)NameError: name ‘xxx’ is not defined感覺神之存在的Bug 用注釋居然解決了 之前k_means一直是沒(méi)定義后來(lái)加了注釋#abc就解決了from sklearn.cluster import k_means# abc如下圖所示：解決后感覺太特么奇妙了
繼續(xù)訪問(wèn)
pandas中index索引功能是什么
pandas的索引對(duì)象可以用來(lái)保存坐標(biāo)軸標(biāo)簽和其它元數(shù)據(jù)，是使用過(guò)程中必要的參與對(duì)象，那pandas中index索引功能是什么呢？pandas中index索引可以輕松的讀取數(shù)據(jù)，更方便的數(shù)據(jù)查詢，使用index查詢的時(shí)候可以獲得性能提升。 一、index索引特點(diǎn) 更方便的數(shù)據(jù)查詢，使用index查詢的時(shí)候可以獲得性能提升； 自動(dòng)的數(shù)據(jù)對(duì)齊功能； 更多更強(qiáng)大的數(shù)據(jù)結(jié)構(gòu)支持。 二、index索引用途 1、使用index讀取數(shù)據(jù) import pandas as pd df = pd.read_csv(“./.
繼續(xù)訪問(wèn)
pandas 基礎(chǔ)功能（二）
pandas 基礎(chǔ)功能（二） 1.新增 2.刪除 3.修改數(shù)據(jù) 1.新增 1)在最后新增一列(列S)： df=list ## 增加列的元素個(gè)數(shù)要跟原數(shù)據(jù)列的個(gè)數(shù)一樣 2)在指定位置新增一列(列Q): # 語(yǔ)法格式：列表.insert(index, obj) # index —>對(duì)象 obj 需要插入的索引位置。 # obj —> 要插入列表中的對(duì)象（列名） col_name=df1.columns.tolist() # 將數(shù)據(jù)框的列…
繼續(xù)訪問(wèn)
【報(bào)錯(cuò)解決】復(fù)現(xiàn)Deep Supervised Cross-Modal Retrieval報(bào)錯(cuò)module scipy has no attribute spatial的解決
module scipy has no attribute spatial報(bào)錯(cuò)的解決。
繼續(xù)訪問(wèn)
Python函數(shù)調(diào)用出現(xiàn)NameError: name ‘xxx‘ is not defined的解決辦法
原因： 函數(shù)里用的是局部變量，從而函數(shù)調(diào)用結(jié)束后會(huì)被銷毀。如果不聲明是全局變量，那么就會(huì)報(bào)錯(cuò)：（注意灰色字體注釋的地方） def load_data(): from keras.datasets import mnist # global train_image, train_lable , test_image, test_lable (train_image, train_lable), (test_image, test_lable) = mnist.load_data.
繼續(xù)訪問(wèn)
Python使用pip安裝報(bào)錯(cuò)：is not a supported wheel on this platform的解決方法
我的python是3.8 win64位 安裝cryptography報(bào)錯(cuò)is not a supported wheel on this platform 首先我是在官網(wǎng)cryptography · PyPI下載的cryptography-37.0.2-pp38-pypy38_pp73-win_amd64.whl 官網(wǎng)如下，安裝的時(shí)候報(bào)錯(cuò)cryptography · PyPI 解決版本：改安裝報(bào)的名字 步驟一，cmd里面輸入pip debug –verbose，會(huì)列出支持包的名字，我把包的名字改
繼續(xù)訪問(wèn)
Python-Pandas{數(shù)據(jù)結(jié)構(gòu)與基本功能}
PandsSeries手動(dòng)構(gòu)建SeriesSeries的索引和切片按照字典的方式進(jìn)行索引和切片 ??Pandas通常是用于數(shù)據(jù)分析過(guò)程中, 數(shù)據(jù)的清洗, 數(shù)據(jù)預(yù)處理, 數(shù)據(jù)的描述性分析等過(guò)程中。在整個(gè)Python數(shù)據(jù)分析的生態(tài)環(huán)境中, Pandas的地位非常重要, 利用Pandas可以快速便捷的對(duì)數(shù)據(jù)進(jìn)行各種各樣的處理與操作. ??在Pandas中, 最重要的兩種數(shù)據(jù)結(jié)構(gòu)是1維的Series和2維的DataFrame. Series：一維數(shù)組，與Numpy中的一維array類似。二者與Python基本的數(shù)
繼續(xù)訪問(wèn)
Pandas 10. 索引index的用途
更方便的數(shù)據(jù)查詢：df.loc使用index會(huì)提升查詢性能自動(dòng)的數(shù)據(jù)對(duì)齊功能;使用index.更多更強(qiáng)大的數(shù)據(jù)結(jié)構(gòu)支持 很多強(qiáng)大的索引數(shù)據(jù)結(jié)構(gòu)Categoricallndex,基于分類數(shù)據(jù)的Index,提升性能;Multilndex,多維索引，用于groupby多維聚合后結(jié)果等；Datetimelndex,時(shí)間類型索引，強(qiáng)大的日期和時(shí)間的方法支持：
繼續(xù)訪問(wèn)
Pandas的索引index的用途（十一）
1、Pandas的索引index的用途 把數(shù)據(jù)存儲(chǔ)于普通的column列也能用于數(shù)據(jù)查詢，那使用index有什么好處？ index的用途總結(jié)： 1、更方便的數(shù)據(jù)查詢； 2、使用index可以獲得性能提升； 3、自動(dòng)的數(shù)據(jù)對(duì)齊功能； 4、更多更強(qiáng)大的數(shù)據(jù)結(jié)構(gòu)支持； 2、實(shí)例用途 （1）讀取數(shù)據(jù) import pandas as pd df = pd.read_csv…
繼續(xù)訪問(wèn)
python語(yǔ)法基礎(chǔ)
1.import 和 from … import 模塊的變量、方法引用差異 from pandas import DataFrame from…import // 直接使用函數(shù)名使用就可以了 import pandas as pd import //模塊.函數(shù) a.import…as import：導(dǎo)入一個(gè)模塊；注：相當(dāng)于導(dǎo)入的是一個(gè)文件夾，是個(gè)相對(duì)路徑 import A as B：給予工具庫(kù) A 一個(gè)簡(jiǎn)單的別稱 B ，可以幫助記憶。例：import torc…
繼續(xù)訪問(wèn)
python數(shù)據(jù)分析學(xué)習(xí)（3）
python數(shù)據(jù)分析·numpy的一些函數(shù)
繼續(xù)訪問(wèn)
Pandas詳解三之Index對(duì)象
約定 import pandas as pd from pandas import DataFrame import numpy as np Index Index對(duì)象保存著索引標(biāo)簽數(shù)據(jù)，它可以快速找到標(biāo)簽對(duì)應(yīng)的整數(shù)下標(biāo)，其功能與Python的字典類似。 dict1={“Province”:
繼續(xù)訪問(wèn)
Pandas的索引index的用途
##Pandas的索引index的用途 ”’把數(shù)據(jù)存儲(chǔ)于普通的column列也能用于數(shù)據(jù)查詢，那使用index有什么好處?index的用途總結(jié): 1.更方便的數(shù)據(jù)查詢; 2.使用index可以獲得性能提升; 3.自動(dòng)的數(shù)據(jù)對(duì)齊功能; 4.更多更強(qiáng)大的數(shù)據(jù)結(jié)構(gòu)支持;”’ import pandas as pd df =pd.read_csv(‘F:\\python387\\pandas\\antlearnpandaaster\\datas\\ml_latest_all\\ratings.csv’.
繼續(xù)訪問(wèn)
python創(chuàng)建python.py時(shí)遇到的問(wèn)題 name is not defined
創(chuàng)建py文件之后，運(yùn)行文件時(shí)報(bào)錯(cuò)： 是一個(gè)nameerror，說(shuō)var為定義，所以執(zhí)行不成功。這是因?yàn)閷ar定義在了函數(shù)里面，即return后一行的代碼縮進(jìn)了，導(dǎo)致var沒(méi)有定義成功，只需要去除縮進(jìn)就可以了。 更改如下： …
繼續(xù)訪問(wèn)
pandas的Index對(duì)象
Index對(duì)象保存著索引標(biāo)簽數(shù)據(jù)，它可以快速找到標(biāo)簽對(duì)應(yīng)的整數(shù)下標(biāo)，其功能與Python的字典類似。 dict1={“Province”:, “year”:*4, “pop”:} df1=DataFrame(dict1) df代碼結(jié)果 Province pop year 0 Guangdong 1.3…
繼續(xù)訪問(wèn)。
這兩個(gè)名字沒(méi)有完整的上下文，如果是數(shù)據(jù)框（DataFrame）df1和其中的列（Series）df.類別進(jìn)行比較的話，可以有以下幾種情況：- 如果df1.index和df.類別都是索引（index），則它們可以進(jìn)行比較，例如：“`df1.index == df.類別“`這會(huì)返回布爾數(shù)組，其中每個(gè)元素表示乎吵df1.index和df.類別相應(yīng)位置的值是否相同。- 如果df1.index是行索引（index），而df.類別是列名，則它們代表不同的東西，不能直接進(jìn)行比較。如果想對(duì)比某一列和df1的行索引，則可以使用loc或iloc方法，例如：“`df1.loc == ‘蘋果’“`這會(huì)選擇df1中行索引為’A’的行，并且只對(duì)其兄頃慧中的’類別’列進(jìn)行比較，返回布爾值表示是否為’蘋果’。- 如果df1.index是行索引（index），而df.類別本身就是一列數(shù)據(jù)，則它們可以先轉(zhuǎn)置，再進(jìn)行比較，例如：“`df1.T.index == df“`這會(huì)把df1轉(zhuǎn)置，變成以羨答列名為索引，行名（原來(lái)的df1的索引）為列的數(shù)據(jù)框，然后和df進(jìn)行比較，返回布爾數(shù)組。
關(guān)于讀取mnist數(shù)據(jù)庫(kù)的介紹到此就結(jié)束了，不知道你從中找到你需要的信息了嗎 ？如果你還想了解更多這方面的信息，記得收藏關(guān)注本站。
香港服務(wù)器選創(chuàng)新互聯(lián)，2H2G首月10元開通。
創(chuàng)新互聯(lián)（www.cdcxhl.com）互聯(lián)網(wǎng)服務(wù)提供商,擁有超過(guò)10年的服務(wù)器租用、服務(wù)器托管、云服務(wù)器、虛擬主機(jī)、網(wǎng)站系統(tǒng)開發(fā)經(jīng)驗(yàn)。專業(yè)提供云主機(jī)、虛擬主機(jī)、域名注冊(cè)、VPS主機(jī)、云服務(wù)器、香港云服務(wù)器、免備案服務(wù)器等。
網(wǎng)頁(yè)題目：解密MNIST數(shù)據(jù)庫(kù)：手寫數(shù)字識(shí)別神器(讀取mnist數(shù)據(jù)庫(kù))
當(dāng)前網(wǎng)址：http://www.dlmjj.cn/article/djhphsj.html
