第301章 密码

基于聚类的离散化假设我们有一个包含1000个房屋的价格数据的数据集，我们想将价格分成5个簇，以下是离散化方法：首先，随机分配5个中心点。根据每个房屋的价格和这5个中心点的距离，将每个房屋分入距离最近的中心点对应的簇中。重新计算每个簇的中心点，以中心点的坐标作为新的中心点。重复步骤2和步骤3，直到中心点的移动小于某个阈值或达到最大迭代次数。最终得到的5个簇即为我们需要的离散化结果。自适应离散化假设我们有一个包含个商品销售量数据的数据集，我们想将销售量离散化成n个区间，以下是离散化方法：先将所有商品销售量根据大小排序。初始时，将数据集分成n个区间，每个区间保持相等的数据数量。计算每个区间的范围（最小值和最大值），并计算相邻区间的范围的中点，这些中点作为新的分割点。根据新的分割点重新划分区间，如果新的区间与原来的区间相同，则算法停止。否则，重复步骤3和步骤4。最终得到的n个区间即为我们需要的离散化结果。卷积核输出形状卷积神经网络中的卷积层的输出维度计算，可以通过以下公式得出：输出的高度 = (输入的高度 - 卷积核的高度 + 2 * padding) / 步长 + 1输出的宽度 = (输入的宽度 - 卷积核的宽度 + 2 * padding) / 步长 + 1输出的深度 = 卷积核的数量这里，padding是指在输入数据周围填充的0的行数或列数（在计算输出大小时有助于保持空间尺寸不变），步长是指卷积核移动的步数。输出的深度直接取决于我们使用的卷积核的数量。输入数据大小为32 x 32大小单通道图片，在C1卷积层使用6个大小为5 x 5的卷识核进行卷积，padding = 0，步长为1通过6个大小为5 x 5的卷识核之后的输出是多大尺寸的，怎么用公式计算给定：输入的高度 H = 32；输入的宽度 W = 32；卷积核的高度 KH = 5；卷积核的宽度 KW = 5；卷积核的数量 K = 6；步长 S = 1；Padding P = 0根据上述公式，我们可以计算出卷积后的输出尺寸：输出的高度 = (H - KH + 2P) / S + 1 = (32 - 5 + 2*0) / 1 + 1 = 28输出的宽度 = (W - KW + 2P) / S + 1 = (32 - 5 + 2*0) / 1 + 1 = 28输出的深度 = K = 6所以，通过6个大小为5x5的卷积

本章未完，请点击下一页继续阅读！ 第1页 / 共3页