小编iTS*_*iTS的帖子

我尝试在 scipy 中使用 stats.zscore() 并得到以下结果让我感到困惑。

假设我有一个数组，我以两种不同的方式计算 z 分数：

>>> a = np.array([[1.0, 2.0], [3.0, 4.0]])
>>> a
array([[ 1.,  2.],
       [ 3.,  4.]])

第一个结果：

>>> stats.zscore(a)               
array([[-1., -1.],
       [ 1.,  1.]])

第二个结果：

>>> mean = np.mean(a)
>>> mean
2.5
>>> std = np.std(a)
>>> std
1.1180339887498949
>>> b = (a-mean)/std
>>> b
array([[-1.34164079, -0.4472136 ],
       [ 0.4472136 ,  1.34164079]])

上面的结果是不同的，但是如果我使用另一个数组，

>>> c = np.array([ 0.7972,  0.0767,  0.4383,  0.7866,  0.8091,  0.1954, 0.6307, 0.6599,  0.1065,  0.0508])
>>> c
array([ 0.7972,  0.0767,  0.4383, …

任何人都可以"通常"告诉我深层神经网络有多少层？深度有多深？

据我所知,仍然很难说出隐藏层的具体数量.但是,有些人可以告诉我,研究人员,开发人员在其深度学习项目中使用了多少隐藏层？

非常感谢.

我正在阅读一篇论文，试图重现论文的结果。在本文中，他们对原始数据使用低通切比雪夫 I 型滤波器。他们给出了这些参数。

采样频率= 32Hz，Fcut=0.25Hz，Apass=0.001dB，Astop=-100dB，Fstop=2Hz，滤波器阶数=5。我找到了一些材料帮助我理解这些参数

但是当我看一下 scipy.signal.cheby1 时。该函数所需的参数不同。

cheby1(N, rp, Wn, btype='low', analog=False, output='ba')

这里N：滤波器的阶数；btype：滤波器的类型，在我的例子中，它是“低通”；Analog=False，因为数据是采样的，所以是数字的；输出：指定输出的类型。但我不确定rp、Wn。

在文档中，它说：

rp ：浮点 通带中允许低于单位增益的最大纹波。以分贝为单位指定，为正数。

Wn : array_like 给出临界频率的标量或长度为 2 的序列。对于 I 型滤波器，这是过渡带中增益首次降至 -rp 以下的点。对于数字滤波器，Wn 从 0 到 1 归一化，其中 1 是奈奎斯特频率，pi 弧度/样本。（因此，Wn 的单位是半周期/样本。）对于模拟滤波器，Wn 是角频率（例如rad/s）。

根据这个问题： How To apply a filter to a signal in python

我知道如何使用过滤器。但我不知道如何创建一个具有与上述相同参数的过滤器。我不知道如何转换这些参数并将它们提供给Scipy中的函数。