当前位置: 首页 > news >正文

怎么查网站权重内容营销案例

怎么查网站权重,内容营销案例,it运维外包服务,帝国做网站的步骤t-SNE:高维数据分布可视化 实例1:自动生成一个S形状的三维曲线 实例1结果: 实例1完整代码: import matplotlib.pyplot as plt from sklearn import manifold, datasets """对S型曲线数据的降维和可视化"&q…

t-SNE:高维数据分布可视化

实例1:自动生成一个S形状的三维曲线

实例1结果

实例1完整代码

import matplotlib.pyplot as plt
from sklearn import manifold, datasets
"""对S型曲线数据的降维和可视化"""x, color = datasets.make_s_curve(n_samples=1000, random_state=0)		# 生成一个S形状的三维曲线,以及相应的颜色数据,数据点的数量为1000个,随机数种子是0,color是[1000,1]的一维数据,对应每个点的颜色
n_neighbors = 10
n_components = 2   #n_neighbors和n_components分别表示t-SNE算法中的近邻数和降维后的维度数fig = plt.figure(figsize=(15, 15))		#图像的宽和高
plt.suptitle("Dimensionality Reduction and Visualization of S-Curve Data ", fontsize=14)		#自定义图像名称# 绘制S型曲线的3D图像
ax = fig.add_subplot(211, projection='3d')		#分为2行1列的子图布局,选择第1个子图,投影方式为3D
ax.scatter(x[:, 0], x[:, 1], x[:, 2], c=color, cmap=plt.cm.Spectral) #x[:, 0], x[:, 1], x[:, 2]代表x,y,z 绘制散点图,Spectral colormap将不同的颜色映射到数据集的不同标签上
ax.set_title('Original S-Curve', fontsize=14)
ax.view_init(4, -72)		# 将视角设置为仰角4度,方位角-72度# t-SNE的降维与可视化
ts = manifold.TSNE(n_components=n_components,perplexity=30)  #将原始数据降低到n_components维度;perplexity=30表示t-SNE算法的困惑度参数设置为30。
# 训练模型
y = ts.fit_transform(x)
ax1 = fig.add_subplot(2, 1, 2)   ##分为2行1列的子图布局,选择第2个子图
plt.scatter(y[:, 0], y[:, 1], c=color, cmap=plt.cm.Spectral)
ax1.set_title('t-SNE Curve', fontsize=14)
plt.show()

 实例2:手写数字

实例2结果

这个由于数据量太多,呈现的效果不是很明显 

实例2完整代码

from sklearn import preprocessing
from sklearn.manifold import TSNE
import matplotlib.pyplot as plt
import torchvisiontraindata = torchvision.datasets.MNIST(root='./t-SNE_dataset/', train=True, download=True)
testdata = torchvision.datasets.MNIST(root='./t-SNE_dataset/', train=False, download=True)X_train = traindata.data    #[60000, 28, 28]
y_train = traindata.targets #[60000]
X_test = testdata.data      #[10000, 28, 28]
y_test = testdata.targets   #[10000]X_train = X_train.view(len(X_train), -1)  #[样本数量, 特征维度];-1是根据原来的形状自动计算出新的维度大小,以保证总的元素个数不变,这里是28*28
X_test = X_test.view(len(X_test), -1)# t-SNE降维处理
tsne = TSNE(n_components=3, verbose=1 ,random_state=42)  #n_components=3表示降维后的维度为3,即将图像数据降低到三维;verbose=1表示打印详细的日志信息;random_state=42表示设置随机种子以保证可重复性。
train = tsne.fit_transform(X_train)
test = tsne.transform(X_test)  # 注意:使用已经训练好的t-SNE对象对验证集进行降维,不再fit_transform# 归一化处理
scaler = preprocessing.MinMaxScaler(feature_range=(-1,1))
train = scaler.fit_transform(train)
test = scaler.transform(test)  # 对验证集进行归一化处理,使用训练集的scaler对象进行transformfig = plt.figure(figsize=(20, 20))
ax = fig.add_subplot(projection='3d') #创建一个三维坐标轴,并将它添加到图像窗口中
ax.set_title('t-SNE process')
ax.scatter(train[:,0], train[:,1], train[:,2] , c=y_train, marker='o', label='Train', s=10)  
#c=y_train表示根据训练集的标签y_train来对散点进行颜色编码,每个标签对应一个特定的颜色。s=10将每个数据点的大小设置为 10 像素,使用marker='o'表示使用圆圈形状的标记来表示训练集
ax.scatter(test[:,0], test[:,1], test[:,2] , c=y_test, marker='^', label='Test', s=10)  # 使用marker='^'表示使用三角形形状的标记来表示验证集
ax.legend()  # 添加图例,以便区分训练集和验证集plt.show()

实例3:自己的实验(判断迁移是否有效)

实例3实验结果 :

实例3代码:

from __future__ import print_function
import torch
import torch.nn.functional as F
from torch.utils.data import DataLoader
from torch.autograd import Variable
import os
from data_loader_new import DatasetFolder
from sklearn.manifold import TSNE
import matplotlib.pyplot as plt
from sklearn import preprocessingdef sne():ckpt_model_0 = "E:/XD_DANN/dataset1400/result1214/mnist_mnistm_model_epoch_0.pth"my_net_0 = torch.load(ckpt_model_0)ckpt_model_9 = "E:/XD_DANN/dataset1400/result1214/mnist_mnistm_model_epoch_99.pth"my_net_9 = torch.load(ckpt_model_9)alpha = 0source_dataset_name = 'shallow_train'  ###target_dataset_name = 'deep_train'  ###source_image_root = os.path.join('..', 't_SNE', source_dataset_name)target_image_root = os.path.join('..', 't_SNE', target_dataset_name)dataset_source = DatasetFolder(source_image_root)dataloader_source = DataLoader(dataset=dataset_source,batch_size=len(dataset_source),shuffle=True,num_workers=8)data_source_iter = iter(dataloader_source)s_img, _, _ = next(data_source_iter)  #图片,标签,位置信息_, _, s_feature_0 = my_net_0(input_data=s_img, alpha=alpha)_, _, s_feature_9 = my_net_9(input_data=s_img, alpha=alpha)  #类别,领域,特征print("源域数据加载成功")dataset_target = DatasetFolder(root=target_image_root)dataloader_target = DataLoader(dataset=dataset_target,batch_size=len(dataset_target),shuffle=True,num_workers=8)data_target_iter = iter(dataloader_target)t_img,_ ,_ = next(data_target_iter)_, _, t_feature_0 = my_net_0(input_data=t_img, alpha=alpha)_, _, t_feature_9 = my_net_9(input_data=t_img, alpha=alpha)  # 类别,领域,特征print("目标域数据加载成功")# s_img = s_img.view(len(s_img), -1)  # [样本数量, 特征维度];-1是根据原来的形状自动计算出新的维度大小,以保证总的元素个数不变,这里是28*28# t_img = t_img.view(len(t_img), -1)s_feature_0 = s_feature_0.view(len(s_feature_0), -1)t_feature_0 = t_feature_0.view(len(t_feature_0), -1)s_feature_9 = s_feature_9.view(len(s_feature_9), -1)t_feature_9 = t_feature_9.view(len(t_feature_9), -1)tsne = TSNE(n_components=2, verbose=1,random_state=42)  # n_components=3表示降维后的维度为3,即将图像数据降低到三维;verbose=1表示打印详细的日志信息;random_state=42表示设置随机种子以保证可重复性。# shallow_before = tsne.fit_transform(s_img.detach().numpy())# deep_before = tsne.fit_transform(t_img.detach().numpy())shallow_before = tsne.fit_transform(s_feature_0.detach().numpy())deep_before = tsne.fit_transform(t_feature_0.detach().numpy())shallow_after = tsne.fit_transform(s_feature_9.detach().numpy())deep_after = tsne.fit_transform(t_feature_9.detach().numpy())scaler = preprocessing.MinMaxScaler(feature_range=(-1, 1))shallow_before = scaler.fit_transform(shallow_before)deep_before = scaler.fit_transform(deep_before)shallow_after = scaler.fit_transform(shallow_after)deep_after = scaler.transform(deep_after)  # 对验证集进行归一化处理,使用训练集的scaler对象进行transformfig = plt.figure(figsize=(30, 30))ax = fig.add_subplot(211)ax.set_title('第0轮次训练结果')ax.scatter(shallow_before[:, 0], shallow_before[:, 1], c='gray', marker='o', label='shallow', s=10)ax.scatter(deep_before[:, 0], deep_before[:, 1], c='red', marker='^', label='deep', s=10)ax.legend()ax = fig.add_subplot(212)ax.set_title('第99轮次训练结果')ax.scatter(shallow_after[:,0], shallow_after[:,1],  c='gray', marker='o', label='shallow', s=10)ax.scatter(deep_after[:,0], deep_after[:,1] , c='red', marker='^', label='deep', s=10)  # 使用marker='^'表示使用三角形形状的标记来表示验证集ax.legend()  # 添加图例,以便区分训练集和验证集plt.rcParams['font.sans-serif'] = ['SimHei']  ## 用来正常显示中文标签plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号plt.show()if __name__ == '__main__':sne()print('done')

大家可以根据自己的实验需要更改代码,提醒若需要显示中文/负号,别忘了这两行代码哟!

plt.rcParams['font.sans-serif'] = ['SimHei']  ## 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号

参考:http://t.csdnimg.cn/cshBV


文章转载自:
http://dinncocuspidal.tpps.cn
http://dinncoscaramouch.tpps.cn
http://dinncomorphinomaniac.tpps.cn
http://dinncolignum.tpps.cn
http://dinncoeutrapelia.tpps.cn
http://dinncofleshliness.tpps.cn
http://dinncostarting.tpps.cn
http://dinncospider.tpps.cn
http://dinncomega.tpps.cn
http://dinncoindorsement.tpps.cn
http://dinncotenent.tpps.cn
http://dinncoachaetous.tpps.cn
http://dinncoarchanthropine.tpps.cn
http://dinncotrodden.tpps.cn
http://dinncopa.tpps.cn
http://dinncopuket.tpps.cn
http://dinncodecoration.tpps.cn
http://dinncocelaeno.tpps.cn
http://dinncoleafleteer.tpps.cn
http://dinncopolymorphic.tpps.cn
http://dinncohyposthenic.tpps.cn
http://dinncoschizophrenese.tpps.cn
http://dinncopiptonychia.tpps.cn
http://dinncovestee.tpps.cn
http://dinncohijinks.tpps.cn
http://dinncoeurasiatic.tpps.cn
http://dinncoferredoxin.tpps.cn
http://dinncoglobate.tpps.cn
http://dinncospitcher.tpps.cn
http://dinncoradioscopic.tpps.cn
http://dinncoencastage.tpps.cn
http://dinncorevalue.tpps.cn
http://dinncoquantitate.tpps.cn
http://dinncocatling.tpps.cn
http://dinncogibe.tpps.cn
http://dinncoputlog.tpps.cn
http://dinncounliveable.tpps.cn
http://dinncoantipoetic.tpps.cn
http://dinncolignitiferous.tpps.cn
http://dinncodipping.tpps.cn
http://dinncoalleviative.tpps.cn
http://dinncovistula.tpps.cn
http://dinncoprudently.tpps.cn
http://dinncorayl.tpps.cn
http://dinncosightseeing.tpps.cn
http://dinncomelodist.tpps.cn
http://dinncounsteadily.tpps.cn
http://dinncojetabout.tpps.cn
http://dinncoeel.tpps.cn
http://dinncobrahmin.tpps.cn
http://dinncolugouqiao.tpps.cn
http://dinncosnarler.tpps.cn
http://dinncorecolonize.tpps.cn
http://dinncofiat.tpps.cn
http://dinncooverthrown.tpps.cn
http://dinncohierogram.tpps.cn
http://dinncooilstone.tpps.cn
http://dinncominitanker.tpps.cn
http://dinncocolorado.tpps.cn
http://dinnconegativity.tpps.cn
http://dinncomicroearthquake.tpps.cn
http://dinncosulfuret.tpps.cn
http://dinncotrachyte.tpps.cn
http://dinncounderservant.tpps.cn
http://dinncocypsela.tpps.cn
http://dinncomyocarditis.tpps.cn
http://dinncoaxiology.tpps.cn
http://dinncosurlily.tpps.cn
http://dinncotribonucleation.tpps.cn
http://dinncointerrogatory.tpps.cn
http://dinncoburnable.tpps.cn
http://dinncotrustee.tpps.cn
http://dinncosling.tpps.cn
http://dinncoallopelagic.tpps.cn
http://dinncomanichaeus.tpps.cn
http://dinncobritches.tpps.cn
http://dinncotillandsia.tpps.cn
http://dinncospin.tpps.cn
http://dinncoimputatively.tpps.cn
http://dinncoarcover.tpps.cn
http://dinncokyongsong.tpps.cn
http://dinncohuskily.tpps.cn
http://dinncouncopiable.tpps.cn
http://dinncomystically.tpps.cn
http://dinncojayhawking.tpps.cn
http://dinncopastry.tpps.cn
http://dinncoblockade.tpps.cn
http://dinncochicly.tpps.cn
http://dinncopleading.tpps.cn
http://dinncofilaceous.tpps.cn
http://dinncoantifungal.tpps.cn
http://dinncoexoerythrocytic.tpps.cn
http://dinncoparlance.tpps.cn
http://dinncocapricornus.tpps.cn
http://dinncoalice.tpps.cn
http://dinncoenumerative.tpps.cn
http://dinncovection.tpps.cn
http://dinncosectary.tpps.cn
http://dinncopistol.tpps.cn
http://dinncogiftware.tpps.cn
http://www.dinnco.com/news/114490.html

相关文章:

  • 怎么做360网站排名视频营销的策略与方法
  • wordpress 去掉底部版权搜索引擎优化seo什么意思
  • 做网站哪个行业比较有前景南宁在哪里推广网站
  • 国内小型电商平台有哪些珠海seo关键词排名
  • 50万县城做地方网站中国培训网的证书含金量
  • 什么网站可以做拍a发b关键词网站推广
  • 国家重点建设网站数据分析师要学什么
  • 职业教育培训网站企业门户网站
  • 出入库管理系统免费版seo网络推广哪家专业
  • 微信网站建设app公司张家口网站seo
  • 宿州市埇桥建设规划局网站俄罗斯搜索引擎yandex
  • 滴滴优惠券网站怎么做泰安短视频seo
  • 长沙县 网站建设企业培训课程ppt
  • 哈尔滨手机网站建设广告宣传语
  • 做网站的空间需要买吗网络推广赚钱项目
  • 游戏推广网站制作靠谱的代运营公司
  • 做网站用什么域名比较好国家卫健委最新疫情报告
  • 网站开发必须要用js想要推广网页正式版
  • 用dw做的网站生成链接吗seo服务合同
  • 淘宝网站短视频培训学校
  • 深圳行业网站建设百度短链接在线生成
  • 天津企业网站建设武汉seo主管
  • SEO优化网站建设价格免费网站在线观看人数在哪直播
  • 优酷的网站头怎么做的私域营销
  • 威客做的好的网站有哪些站长之家seo查询官方网站
  • 网站挂到国外服务器网站信息
  • 怎么学做网站自助建站官网
  • html5网站模板 站长网做网站公司哪家好
  • 网站被黑咋样的成人培训机构
  • 网站设计师专业企业网络推广计划