. / ndef np_pi(n): y = np.random.random(n)return sum (x*x + y*y <= 1) * 4. / nimport random as rd
x(x*x + y*y <= 1)
s = sum([dart_board() for _ in range(
我有一个有784个输入,30个隐藏神经元和10个输出神经元的神经网络。主要的性能问题是反向传播。目前,一次反向传播需要大约0.1秒的时间。由于我的训练集是6万个例子,这将需要很长的时间,我甚至确认我的算法是有效的。只是想知道如何在不涉及tensorflow的情况下加速/并行它。for i in range(len(weights2)):
sub_list = [
在Python和Matlab上,代码的矢量化版本都相当快。但是,有时我必须使用(for)循环。在这些情况下,Python循环非常慢。为什么是这样呢?在下面的代码中,很明显,矢量化版本的运行方式是相似的。但Matlab中的for循环版本相当不错,而Python版本则非常慢。Python代码import time
b = np.random.random(N;
c