Svtter

import matplotlib.pyplot as plt
from keras.preprocessing import image



inx = 5000
x = x_train[inx]
x = x.reshape((1, ) + x.shape)

i = 1

Svtter

<template>
    <div id="app">
        <h1>test</h1>
        <p>{{ greeting }} world!</p>
    </div>
</template>

<script>
    export default {
        data: function () {

Svtter

The .npz file format is a zipped archive of files named after the variables they contain. The archive is not compressed and each file in the archive contains one variable in .npy format. For a description of the .npy format, see numpy.lib.format.

When opening the saved .npz file with load a NpzFile object is returned. This is a dictionary-like object which can be queried for its list of arrays (with the .files attribute), and for the arrays themselves.

Svtter

import tensorflow as tf 
hello = tf.constant('Hello, TensorFlow!')
sess = tf.Session()
print(sess.run(hello))

Svtter

import numpy as np

# shuffle the data.

idx = np.random.permutation(len(x_all))
x_all, y_all = x_all[idx], y_all[idx]

Svtter

#include <opencv/cv.h>
#include <iostream>

using namespace cv;

// sum up given row
long int sumup(Mat row, int width)
{
    std::cout << "Sumup" << std::endl;
    long int total = 0;

Svtter

• mnist_cnn
• imdb_cnn
• mnist.py

Svtter

# Put in const.py...:
# python2
class _const:
    class ConstError(TypeError): pass
    def __setattr__(self,name,value):
        if self.__dict__.has_key(name):
            raise self.ConstError, "Can't rebind const(%s)"%name
        self.__dict__[name]=value
import sys
sys.modules[__name__]=_const()

Svtter

import rospy
from sensor_msgs.msg import Image
from std_msgs.msg import String
from cv_bridge import CvBridge
import cv2
import numpy as np
import tensorflow as tf
from tensorflow.models.image.imagenet import classify_image

Svtter

次序	简要步骤	具体步骤	作用
1	收集	信息收集	根据确定的数据分析对象,抽象出在数据分析中所需要的特征信息,然后选择合适的信息收集方法, 将收集到的信息存入数据库。对于海量数据,选择一个合适的数据存储和管理的数据仓库是至关重要的。
2	收集	数据集成	把不同来源、格式、特点性质的数据在逻辑上或物理上有机地集中,从而为企业提供全面的数据共享。
3	预处理	数据规约	数据规约技术可以用来得到数据集的规约表 示,它小得多,但仍然接近于保持原数据的完整性,并且规约后执行数据挖掘结果与规约前执行结果相同或几乎相同。
4	预处理	数据清理	在数据库中的数据有一些是不完整的 (有些感兴趣的属性缺少属性值)、含噪声的(包含错误的属性值),并且是不一致的(同样的信息不同的表示方式),因此需要进行数据清理,将完整、正确、一致的数据信息存入数据仓库中。
5	预处理	数据变换	通过平滑聚集、数据概化、规范化等 方式将数据转换成适用于数据挖掘的形式。对于有些实数型数据,通过概念分层和数据的离散化来转换数据也是重要的一步
6	挖掘	挖掘过程	根据数据仓库中的数据信息,选择合适的分析工具,应用统计方法、事例推理、决策树、规则推理、模糊集,甚至神经网络、遗传算法的方法处理信息,得出有用的分析信息。
7	挖掘	模式评估	从商业角度,由行业专家来验证数据挖掘结果的正确性。
8	挖掘	知识表示	将数据挖掘所得到的分析信息以可视化的方式呈现给用户,或作为新的知识存放在知识库中,供其他应用程序使用。