小编lba*_*les的帖子

我是机器学习的新手,我正在关注tensorflow的教程,创建一些简单的神经网络来学习MNIST数据.

我建立了一个单层网络(遵循tutotial),准确度约为0.92,这对我来说还可以.但后来又添加了一层,精度降低到0.113,这非常糟糕.

以下是2层之间的关系:

import tensorflow as tf
x = tf.placeholder(tf.float32, [None, 784])

#layer 1
W1 = tf.Variable(tf.zeros([784, 100]))
b1 = tf.Variable(tf.zeros([100]))
y1 = tf.nn.softmax(tf.matmul(x, W1) + b1)

#layer 2
W2 = tf.Variable(tf.zeros([100, 10]))
b2 = tf.Variable(tf.zeros([10]))
y2 = tf.nn.softmax(tf.matmul(y1, W2) + b2)

#output
y = y2
y_ = tf.placeholder(tf.float32, [None, 10])

我的结构好吗？导致它表现如此糟糕的原因是什么？我该如何修改我的网络？

我有一个(大)数据数组和(一些)索引列表的(大)列表,例如,

data = [1.0, 10.0, 100.0]
contribs = [[1, 2], [0], [0, 1]]

对于每个条目contribs,我想总结相应的值data并将它们放入一个数组中.对于上面的例子,预期的结果是

out = [110.0, 1.0, 11.0]

在循环中执行此操作,

c = numpy.zeros(len(contribs))
for k, indices in enumerate(contribs):
    for idx in indices:
        c[k] += data[idx]

但由于data而且contribs规模很大,所以需要太长时间.

我觉得使用numpy的花式索引可以改善这一点.

任何提示？

我有3个numpy数组A,B和C.为简单起见,我们假设它们都很好[n, n].我想将它们安排为块矩阵

A    B
B^t  C

在哪里B^t表示的转置B.当然,我可以通过一系列连接来做到这一点

top_row = np.concatenate([A, B], axis=1)
bottom_row = np.concatenate([B.transpose(), C], axis=1)
result = np.concatenate([top_row, bottom_row], axis=0)

有更简单,更易读的方式吗？