carefree0910/machinelearning

Machine learning algorithms implemented by pure numpy

machinelearning's Issues

报错如下

我用的是tensorflow2.x版本
这是出现在 _fully_connected_linear中的错误 在初始化权重的时候报错
Traceback (most recent call last):
File "D:\NNs_tensorflow\NNs.py", line 8, in
nn = Basic(model_param_settings={'n_epoch':100}).fit(x,y,snapshot_ratio=0)
File "D:\NNs_tensorflow\Base.py", line 149, in fit
self._build_model()
File "D:\NNs_tensorflow\BasicNN.py", line 44, in _build_model
net = self._fully_connected_linear(net, [current_dimension, n_unit], i)
File "D:\NNs_tensorflow\Base.py", line 101, in _fully_connected_linear
w = Toolbox.init_w(shape, "W{}".format(appendix))
File "D:\NNs_tensorflow\NNUtil.py", line 224, in init_w
return tf.Variable(tf.compat.v1.truncated_normal(shape,stddev=math.sqrt(2/sum(shape))),name=name)
TypeError: unsupported operand type(s) for +: 'int' and 'str'

您好，请问NN.TF.Optimizers、Util.Timing这个两个库在哪里下载？

论文想引用您的代码，您的论文出处可以分享下嘛？

module 'subprocess' has no attribute 'mswindows' in NN.py

在win10环境中运行NN.py出现错误，matplotlib==2.0.2 python3.6.5 tensorflow_gpu1.8
安装PySide =1.1.1->1.2.4时出现module 'subprocess' has no attribute 'mswindows'，请问能在win10环境中运行么，

when use 'mushroom.txt', appear a TypeError

当我使用mushroom这个数据集的时候，出现了以下错误，但是使用balloon1.0、balloon1.5数据的时候一切正常，应该怎么做呢？
Traceback (most recent call last): File "E:\Python_learning\MachineLearning\b_NaiveBayes\MultinomialNB.py", line 70, in <module> nb.fit( _x, _y ) File "E:\Python_learning\MachineLearning\b_NaiveBayes\Basic.py", line 39, in fit self.feed_data(x, y, sample_weight) File "E:\Python_learning\MachineLearning\b_NaiveBayes\MultinomialNB.py", line 17, in feed_data cat_counter = np.bincount(y) TypeError: Cannot cast array data from dtype('float64') to dtype('int64') according to the rule 'safe' [Finished in 0.2s]

关于metaclass=TimingMeta不解

请问TimingMeta类是什么意思啊？书上的版本没有

报错如下

sum_sheet.clear()
actual_num.clear()
expected_benford.clear()

AttributeError: 'list' object has no attribute 'clear'

Time.timeit 应该去除wrapt.dectator 自身的时间

您好，
读过您写的书，收获很大，谢谢。
有一个疑问，如题。Time.timeit利用wrapt.dectator来计算一个函数的执行时间。通常是没有问题的。但是如果是一个嵌套函数，外层函数的计时就是：内层函数执行时间+wrapt 自身执行的时间。如果内层函数被执行n次，那么外层函数的计时时间就多出了n*(wrapt 自身执行时间），这可能导致时间分析不准确。比如下面的例子, outer()的总时间被错误的多计时了（100000000*wrap时间）。不知道有没有办法在wrapt之间进行通讯，来扣除内部wrapt 自身的时间（不是inner函数的执行时间哈）

@timing.timeit()
def inner():
    print("inner")
@timing.timeit()
def outter():
   for i in range(100000000):
        inner()
    print("outer")

一个小建议

可以在readme里把专栏链接挂上啊~~