RNN 与 LSTM 网络
循环神经网络（Recurrent Neural Network，RNN） RNN 结构详解 LSTM模型结构的可视化
多层感知器 MLP，全连接网络，DNN 三者的关系
不确定全连接网络对应的英文，先做这个解释: FullyConnected(FC) Layer = 一层 layer MLP = 多层 FC layer 构成的 NN DNN = MLP 和 CNN 的集合相并，通常包括多个卷积 layer 和 FC layer
鸢尾花的非监督学习
代码： 12345678910111213141516171819202122232425262728293031323334353637383940414243444546474849505152535455565758596061626364656667686970717273747576777879808182import matplotlib.pyplot as pltfrom sklea
Numpy 的 1 维数组相关操作
np.array([1,2,3])，既不是行向量，也不是列向量，称为秩 rank 为 1 的 array，如果对其转置，则会得到其本身。 123import numpy as npb = np.array([1,2,3]) # shape=（3，）b2 = b.reshape((3,1)) # shape=（3，1） 当然也可以进行降维操作 1b3 = b2.reshape(3, ) #
通过 HRV 预测运动 RPE
通过 HRV 预测 REP 核心文献为 2 篇。 《Heart Rate Variability-Based Subjective Physical Fatigue Assessment》 《Sports fatigue detection based on deep learning》 1.HRV 的相关指标1.1.时域分析 名称 单位 描述 meanNN ms 平均相邻正常心跳时
Pandas 遍历 dataframe 中的 item
数据格式为 time ecg rep 1700624658822114462 -0.157 6 采用 df.iterrows()12for item in df1.iterrows(): print(item) 输出内容为 1234(14017, time 1700624658822114462ecg -0.157rep 6Name: 14017, d
Pandas 创建并插入数据
123456789101112ecgs = [10]times = [10]reps = [10]hrs = [10]# 创建dfdataframe = pd.DataFrame({'time': times, 'ecg': ecgs, 'rep': reps})# 插入new_df = dataframe.copy(