在tensorflow中，至少有十二种不同的交叉熵损失函数： tf.losses.softmax_cross_entropy tf.losses.sparse_softmax_cross_entropy tf.losses.sigmoid_cross_entropy tf.contrib.losses.softmax_cross_entropy tf.contrib.losses.sigmoid_cross_entropy tf.nn.softmax_cross_entropy_with_logits tf.nn.sigmoid_cross_entropy_with_logits ... 哪一个仅适用于二进制分类，哪个适合多类问题？什么时候应该sigmoid代替使用softmax？sparse功能与其他有何不同？

我想了解各种类型的机器学习算法之间的区别。 我知道进化算法的实现与神经网络的实现有很大不同。 但是，它们似乎都适合从复杂的训练/历史数据确定输入和输出之间的相关性。 从定性的角度来看，是否存在与进化算法相反的，更适合作为神经网络目标的问题领域？

我正在尝试为python中的tensorflow变量分配一个新值。 但是我得到的输出是 该值没有改变，为什么呢？

手写数字识别系统的设计实现 一、研究目的 字符识别是利用计算机自动辨识印刷在纸上或人写在纸上的汉字，是模式识别的一个重要分支，也是文字识别领域较为困难的问题之一。本项目旨在论述并设计实现一个自由手写体数字识别系统。 二、研究方法 文中首先对待识别数字的预处理进行了介绍，包括二值化、噪声处理、图像分割、归一化、细化等图像处理方法；其次，探讨了数字字符特征向量的提取；最后采用了bp神经网络算法,并以MATLAB作为编程工具实现了具有友好的图形用户界面的自由手写体数字识别系统。 三、研究结论 在实验过程中我们分别对10个数字10个样本进行测试。从检测结果来看，虽然用于训练的数据集并不是很多，但误差率并不是很高，这也体现了BP算法的优越性，如果用更多的数据进行训练会使得正确的检测率提高而错误的检测率降低，从而使网络趋于收敛。实验结果表明，本方法具有较高的识别率，并具有较好的抗噪性能。 四、目录 1 绪论 1.1 字符识别概述 1.2 数字识别研究的目的及意义 1.3 手写数字识别的典型应用 1.4 国内外研究现状 1.5 手写体数字识别系统概述 1.6 本文内容安排 2 手写体数字识别中预处理技术 2.1 图像灰度化 2.2 图像二值化 2.3 图像反色 2.4 图像去噪声 2.5 数字分割 2.6 数字归一化 2.7 数字细化 3 手写体数字识别中特征值提取技术 3.1 特征提取概述 3.2 手写体字符特征提取方法概述 3.3 手写体数字识别中的结构特征提取 3.4 手写体数字识别中的统计特征提取 4 人工神经网络分类器 4.1 人工神经网络概述 4.2 BP神经网络概述 4.3 本文的神经网络结构设计 5 系统实现与结果分析 5.1 系统实现 5.1.1 系统实现环境 5.1.2 系统处理流程图及主要工作 5.1.3 系统界面 5.2 结果分析 6 结束语 参考文献 致谢 来源https://github.com/liushenwenyuan/matlab_orc

很多人说人工智能（AI）像蠕虫一样聪明，可是蠕虫不能在道路上驾驶这卡车，为什么人工智能可以？

基于AdaBoost算法的情感分析研究 一、研究目的 通过对带有情感色彩的主观性文本进行分析、处理、归纳然后进行推理。通过情感分析可以获取网民的此时的心情，对某个事件或事物的看法，可以挖掘其潜在的商业价值，还能对社会的稳定做出一定的贡献。 二、研究方法 （1）使用微博官方的API对微博进行抓取，进行分类标注。 （2）对微博文本进行预处理，主要包括去掉无意义，对微博文本没有影响的词语。 （3）使用SVM算法对文本进行初步的筛选，主要是去除特别明显的广告等无关性的微博。 （4）使用朴素贝叶斯对微博进行情感分析，将微博分为积极、消极、客观三类，同时使用AdaBoost算法对朴素贝叶斯算法进行加强。 三、研究结论 主要实现： 对微博的降噪清理、对无关性的微博本文进行过滤、使用了朴素贝叶斯对微博进行情感分类、使用AdaBoost算法对朴素贝叶斯进行加强。 可改进: （1）在情感分析的前提下，能够对某些微博中的评论来分析用户的情感倾向性，比如某些热点事件，分析大部分网民对热点事件的喜怒哀乐。同时，也可以根据该热点事件中牵涉到的时间、地点、人物等，对其深入的挖掘，甚至是做出预测性分析。 （2）可更改情感分类的策略，以更精确的分析用户的语言现象，比如分析用户的程度副词如“非常”、“超级”等，结合文本中的标点符号和重复的词语，进行综合的整体建模。 （3）除了针对某些热点事件之外，还可获取个人所有的微博进行分析。从一个人的所有微博中可以获取其情感方向的估计，比如对某件事件的喜欢或者厌恶，对某些品牌的热衷与唾弃等。 四、目录 前 言 第一章 概述 1.1 研究背景和现状 1.2 情感分析的概念 1.3 本文的内容安排 第二章 微博的获取与清理 2.1 概述 2.2 微博的反爬虫机制 2.2.1 通过Headers反爬虫 2.2.2 基于用户行为的爬虫 2.2.3 动态页面的反爬虫 2.2.4 微博的反爬虫 2.3 微博的获取 2.3.1 微博API的获取 2.3.2 模拟登录 2.3.3 微博抓取与存储 2.4 微博的分词与降噪 2.4.1 概念 2.4.2 分词 2.4.3 删除URL 2.4.4 删除用户名 2.4.5 去除停用词 2.5 本章小结 第三章 SVM初步分类 3.1 概念 3.1.1 线性分类 3.2 SVC 3.2.1 线性支持向量分类机 3.2.2 算法描述 3.3 实验 3.3.1 选取特征 3.3.2 降噪 3.3.3 特征降维 3.3.4 将文本样本变成特征显示 3.3.5 将文本随机分成训练集、测试集 3.3.6 进行训练和预测 3.4 本章小结 第四章 利用贝叶斯定理进行情感分析 4.1 引言 4.2 贝叶斯定理 4.2.1 高斯朴素贝叶斯 4.2.2 伯努利贝叶斯 4.2.3 多项式朴素贝叶斯定理 4.3 本文中的多项式朴素贝叶斯 4.3.1 算法过程 4.3.2 拉普拉斯平滑 4.4 实验 4.4.1 分词 4.4.2 特征提取 4.4.3 向量化 4.4.4 朴素贝叶斯分类 4.4.5 测试 4.4.6 计算准确率 4.5 本章小结 第五章 利用AdaBoost加强分类器 5.1 集成学习 5.1.1 发展历史 5.1.2 Bagging方法 5.1.3 Boosting方法 5.2 ADABOOST 5.2.1 概念 5.2.2 举例 5.2.3 算法描述 5.3 ADABOOST提升朴素贝叶斯文本分类 5.4 多类问题 5.4.1 AdaBoost.M1算法 5.4.2 AdaBoost.SAMME 5.4.3 AdaBoost.SAMME.R 5.5 实验 5.5.1 二分类 5.5.2 多分类 5.6 本章小结 第六章 总结与展望 6.1 本文主要内容总结 6.2 存在问题及未来研究展望 参考文献 致 谢 来源：https://github.com/Zephery/weiboanalysis

Numpy中array()和asarray()函数之间有什么区别？什么时候应该使用一个而不是另一个？好像我能想到的所有输入他们都会生成相同的输出。

有没有一种好的方法？我想制作缩略图。

我定期对一种事物进行拍照，看图片有时看起来几乎是一样的，我想有某种方法可以量化这种差异，因为我必须凭借经验来确定一个阈值。 我使用python。

我需要一种简单快速的方法来比较两个图像的相似性，它们仅是背景略有不同，有什么方法可以获得较精确的值吗？