Matplotlib

MVC全名是Model View Controller，是模型(model)－视图(view)－控制器(controller)的缩写，一种软件设计典范，用一种业务逻辑、数据、界面显示分离的方法组织代码，将业务逻辑聚集到一个部件里面，在改进和个性化定制界面及用户交互的同时，不需要重新编写业务逻辑。MVC被独特的发展起来用于映射传统的输入、处理和输出功能在一个逻辑的图形化用户界面的结构中。

　　简单的说， MVC 是一种软件开发的方法，它把代码的定义和数据访问的方法（模型）与请求逻辑 （控制器）还有用户接口（视图）分开来。 这种设计模式关键的优势在于各种组件都是 松散结合 的。这样，每个由 Django驱动 的Web应用都有着明确的目的，并且可独立更改而不影响到其它的部分。 比如，开发者 更改一个应用程序中的 URL 而不用影响到这个程序底层的实现。 设计师可以改变 HTML 页面 的样式而不用接触 Python 代码。 数据库管理员可以重新命名数据表并且只需更改一个地方，无需从一大堆文件中进行查找和替换

　简单的说， MVC 是一种软件开发的方法，它把代码的定义和数据访问的方法（模型）与请求逻辑 （控制器）还有用户接口（视图）分开来。 这种设计模式关键的优势在于各种组件都是 松散结合 的。这样，每个由 Django驱动 的Web应用都有着明确的目的，并且可独立更改而不影响到其它的部分。 比如，开发者 更改一个应用程序中的 URL 而不用影响到这个程序底层的实现。 设计师可以改变 HTML 页面 的样式而不用接触 Python 代码。 数据库管理员可以重新命名数据表并且只需更改一个地方，无需从一大堆文件中进行查找和替换

sigmoid函数

交叉检验，在数据量较少的时候防止过拟合出现的方法。

将训练集划分为n部分，取其中一个为验证集，n-1个为测试集。循环n次。保证所有的部分都充当了一次验证集。将最后分数取平均值

换了优化器：SGD  变成了RMSprop

优化器的含义？

线性与非线性之间多了一个激活函数

不同的激活函数效果不同

relu的结果比较“生硬”

tanh的结果绘制的曲线能够更好的贴合

• softmax: 在多分类中常用的激活函数，是基于逻辑回归的。

• Softplus：softplus(x)=log(1+e^x)，近似生物神经激活函数，最近出现的。

• Relu：近似生物神经激活函数，最近出现的。

• tanh：双曲正切激活函数，也是很常用的。

• sigmoid：S型曲线激活函数，最常用的。

• hard_sigmoid：基于S型激活函数。

• linear：线性激活函数，最简单的。

神经网络的进化

线性神经网络与激活函数

激活函数作用是优化

感知器数学模型

感知器-最小神经元

import matplotlib.pyplot as plt 

index=27

plt.imshow(x_train[index])

1.# 交叉检验

k = 4

num_val_samples = len(train_data) // k    # //得到的是一个整数

num_epochs = 100

all_scores = []  # 得分

# 进行循环的交叉检验

for i in range(k):

    # 首先把验证集取出来，要取出验证集，需要得到验证集两个边界的大小

    val_data = train_data[i * num_val_samples: (i + 1) * num_val_samples]

    val_targets = train_target[i * num_val_samples: (i + 1) * num_val_samples]

    # 构造训练集,因为我们的训练集本身是不连续的，所以需要用个函数连起来

    partial_train_data = np.concatenate(

        [train_data[: i * num_val_samples],

        train_data[(i + 1) * num_val_samples:]],

        axis=0)

    partial_train_targets = np.concatenate(

        [train_target[: i * num_val_samples],

        train_target[(i + 1) * num_val_samples:]],

        axis=0)

    # 使用模型，每进行一折，都要重新构造一个模型出来

    model = build_model()

    model.fit(partial_train_data, partial_train_targets, epochs=num_epochs, batch_size=1, verbose=0)     # 如果输出的话行数有101*100*4，输出太多，所以暂时不输出

    val_mse, val_mae = model.evaluate(val_data, val_targets, verbose=0)

    all_scores.append(val_mae)

    print('第', i + 1, '折，MSE：', val_mse, 'MAE：',val_mae)