黃宇儀的部落格

現在買東西真的是太方便了

科技始終來自於惰性真的沒錯～～～好像怪怪的～～

因為物流的進步以及無遠弗屆網路商城，現在不用出門也可以買到自己喜歡的東西

無論是生活上用的，還是個人運動類的產品

網路商城幾乎都可以買到～

尤其最近很常逛momo，真的是感覺非常方便啊

有一次買到瑕疵品，他們物流很快就收走，換新的給我真的很不錯

【Ushas】瑜珈墊 6mm 拉筋 伸展 防滑布面 TPE環保 運動 健身 初學者 台灣製(瑜珈墊 送收納繩)是我在網路上閒逛時，猛然看到的產品

簡直讓我非常驚艷！

這類型的產品其實本來我就有在找，不過一直遇不到打折的好時機

現在終於等到了，而且廠商也正好有貨

不然等下次折扣，不知道等到什麼時候

所以我個人對【Ushas】瑜珈墊 6mm 拉筋 伸展 防滑布面 TPE環保 運動 健身 初學者 台灣製(瑜珈墊 送收納繩)的評比如下

外觀質感：★★★★

使用爽感：★★★★☆

性能價格：★★★★☆

詳細介紹如下~參考一下吧

完整產品說明

特色：

1. TPE無毒環保材質，與肌膚接觸無負擔
2. 重量輕，好攜帶
3. 厚度6mm，舒適、緩衝效果提升
4. 舒適支撐，降低脊椎、膝蓋及手肘之支撐
5. 絕佳止滑效果
6. 高密度材質，高回彈力、支撐力
7. 台灣製造made in Taiwan
   
    

產品規格：

• 厚度：6mm
• 尺寸：61x180cm
• 重量：0.99kg (±5%)
• 材質：人造橡膠+布+TPE
• 產地：台灣

清潔方式：

用乾淨濕毛巾擦拭後，放置陰涼處即可，勿用腐蝕性清潔用品擦拭

備註：

1. 因TPE及天然橡膠材質，新拆封產品會有些許味道，約2~3天後即可散去，此為正常現象
2. 請勿刷洗，會破壞瑜珈墊表面紋路，造成止滑效果降低
3.  請勿放置於陽光直接曝曬處
4. 可用酒精+水稀釋，噴灑至瑜珈墊上做消毒清潔
5. 因衛生考量，本店之商品如使用後，皆不接受退換貨，如無法接受請勿下單

品牌名稱

尺寸

• 小於140cm*200cm

商品規格

• 產品規格：
  
  厚度：6mm
  尺寸：61x180cm
  重量：0.99kg (±5%)
  材質：人造橡膠+布+TPE
  產地：台灣
  
  
  清潔方式：
  
  用乾淨濕毛巾擦拭後，放置陰涼處即可，勿用腐蝕性清潔用品擦拭
  
  
  
  備註：
  
  因TPE及天然橡膠材質，新拆封產品會有些許味道，約2~3天後即可散去，此為正常現象
  請勿刷洗，會破壞瑜珈墊表面紋路，造成止滑效果降低
  請勿放置於陽光直接曝曬處
  可用酒精+水稀釋，噴灑至瑜珈墊上做消毒清潔
  因衛生考量，本店之商品如使用後，皆不接受退換貨，如無法接受請勿下單

非常推薦【Ushas】瑜珈墊 6mm 拉筋 伸展 防滑布面 TPE環保 運動 健身 初學者 台灣製(瑜珈墊 送收納繩)給大家

↓↓↓【Ushas】瑜珈墊 6mm 拉筋 伸展 防滑布面 TPE環保 運動 健身 初學者 台灣製(瑜珈墊 送收納繩)限量特惠的優惠按鈕↓↓↓

↓↓↓更多優質好物推薦↓↓↓

標籤註解：

PTT鄉民【Ushas】瑜珈墊 6mm 拉筋 伸展 防滑布面 TPE環保 運動 健身 初學者 台灣製(瑜珈墊 送收納繩)限量,團購,限時,週年慶,禮物,優惠,【Ushas】瑜珈墊 6mm 拉筋 伸展 防滑布面 TPE環保 運動 健身 初學者 台灣製(瑜珈墊 送收納繩)特價,開箱,比價,活動,好評,推薦

01網友【Ushas】瑜珈墊 6mm 拉筋 伸展 防滑布面 TPE環保 運動 健身 初學者 台灣製(瑜珈墊 送收納繩)哪裡便宜,採購,優缺點,試用【Ushas】瑜珈墊 6mm 拉筋 伸展 防滑布面 TPE環保 運動 健身 初學者 台灣製(瑜珈墊 送收納繩),好用,CP值,經驗,好康,集購,下殺,免比價,去哪買？,

名人推薦【Ushas】瑜珈墊 6mm 拉筋 伸展 防滑布面 TPE環保 運動 健身 初學者 台灣製(瑜珈墊 送收納繩)介紹,部落客,排行,【Ushas】瑜珈墊 6mm 拉筋 伸展 防滑布面 TPE環保 運動 健身 初學者 台灣製(瑜珈墊 送收納繩),體驗,精選,限定,折扣,折價卷

↓↓↓【Ushas】瑜珈墊 6mm 拉筋 伸展 防滑布面 TPE環保 運動 健身 初學者 台灣製(瑜珈墊 送收納繩)限量特惠的優惠按鈕↓↓↓

熱點新聞搶先報

... 神經網絡是最著名且使用最廣泛的算法之一。在監督學習中，我們標記了輸出數據，我們將預測輸出與實際標籤進行比較，然後計算誤差。在神經網絡中，我們以同樣的方式定義神經網絡體系結構，通過比較實際標籤和預測標籤來計算誤差，然後使用某種優化算法來優化該誤差。訓練神經網絡最廣泛使用的算法是反向傳播和梯度下降。但是，我們可以使用任何優化算法來訓練我們的神經網絡模型。今天我們將看看如何在Python中使用Numpy用粒子群優化來訓練神經網絡模型。 神經網絡 導入Python庫 from sklearn.datasets import load_iris from pso_numpy import * import numpy as np 導入sklearn加載Iris flower機器學習數據集，pso_numpy使用PSO算法，numpy執行神經網絡的forward pass。 加載機器學習數據集 #load iris dataset.. data = load_iris() #Store input & target in X and Y.. X = data.data Y = data.target 從sklearn加載Iris數據集，並將輸入數據分配給X，將目標標籤分配給Y。 定義架構 #define no of nodes in each layer.. INPUT_NODES = 4 HIDDEN_NODES = 20 OUTPUT_NODES = 3 在神經網絡模型中定義輸入，隱藏和輸出節點數。 One-hot編碼 def one_hot_encode(Y): """ create one-hot encoded vectors from target labels(Y). :param Y: int(N, ) :return: int(N, C) Returns an array of shape(N, C) where C is number of classes. """ num_unique = len(np.unique(np.array(Y))) zeros = np.zeros((len(Y), num_unique)) zeros[range(len(Y)), Y] = 1 return zeros 如果我們要計算分類交叉熵損失，則使用One-hot編碼。將唯一的向量分配給每個目標標籤（類）。該函數將Y作為輸入，並為每個類返回One-hot編碼向量。 ... Softmax激活 def softmax(logits): """ Apply softmax function on logits and return probabilities. :param logits: double(N, C) Logits of each instance for each class. :return: double(N, C) probability for each class of each instance. """ exps = np.exp(logits) return exps / np.sum(exps, axis=1, keepdims=True) 使用Softmax函數從logits(不應用任何激活的最後一層的輸出)計算每個類的機率。 ... 損失函數 def Negative_Likelihood(probs, Y): """ Calculates Negative Log Likelihood loss. :param probs: double(N, C) Probability of each instance for each class. :param Y: int(N, ) Integer representation of each class. :return: double Returns value of loss calculated. """ num_samples = len(probs) corect_logprobs = -np.log(probs[range(num_samples), Y]) return np.sum(corect_logprobs) / num_samples def Cross_Entropy(probs, Y): """ Calculates Categorical Cross Entropy loss. :param probs: double(N, C) Probability of each instance for each class. :param Y: int(N, C) One-hot encoded representation of classes. :return: double Returns value of loss calculated. """ num_samples = len(probs) ind_loss = np.max(-1 * Y * np.log(probs + 1e-12), axis=1) return np.sum(ind_loss) / num_samples 我們可以根據輸入使用這兩個損失函數之一。如果我們不將目標標籤編碼為one hot向量，則使用負對數似然法，如果我們對標籤進行編碼，則使用分類交叉熵。這這裡probs是計算機率，Y是目標類的實際標籤。 Forward Pass def forward_pass(X, Y, W): """ Performs forward pass during Neural Net training. :param X: double(N, F) X is input where N is number of instances and F is number of features. :param Y: int(N, ) | int(N, C) Y is target where N is number of instances and C is number of classes in case of one-hot encoded target. :param W: double(N, ) Weights where N is number of total weights(flatten). :return: double Returns loss of forward pass. """ if isinstance(W, Particle): W = W.x w1 = W[0 : INPUT_NODES * HIDDEN_NODES].reshape((INPUT_NODES, HIDDEN_NODES)) b1 = W[INPUT_NODES * HIDDEN_NODES:(INPUT_NODES * HIDDEN_NODES) + HIDDEN_NODES].reshape((HIDDEN_NODES, )) w2 = W[(INPUT_NODES * HIDDEN_NODES) + HIDDEN_NODES:(INPUT_NODES * HIDDEN_NODES) + HIDDEN_NODES + (HIDDEN_NODES * OUTPUT_NODES)].reshape((HIDDEN_NODES, OUTPUT_NODES)) b2 = W[(INPUT_NODES * HIDDEN_NODES) + HIDDEN_NODES + (HIDDEN_NODES * OUTPUT_NODES): (INPUT_NODES * HIDDEN_NODES) + HIDDEN_NODES + (HIDDEN_NODES * OUTPUT_NODES) + OUTPUT_NODES].reshape((OUTPUT_NODES, )) z1 = np.dot(X, w1) + b1 a1 = np.tanh(z1) z2 = np.dot(a1, w2) + b2 logits = z2 probs = softmax(logits) return Negative_Likelihood(probs, Y) #return Cross_Entropy(probs, Y) #used in case of one-hot vector target Y... 該函數執行神經網絡的forward pass，使用預測標籤和實際標籤計算誤差，然後將該誤差返回給PSO，PSO會優化誤差並更新權重。它需要神經網絡層中神經元之間的連接的X（輸入數據），Y（目標標籤）和W（權重）。 預測 def predict(X, W): """ Performs forward pass during Neural Net test. :param X: double(N, F) X is input where N is number of instances and F is number of features. :param W: double(N, ) Weights where N is number of total weights(flatten). :return: int(N, ) Returns predicted classes. """ w1 = W[0: INPUT_NODES * HIDDEN_NODES].reshape((INPUT_NODES, HIDDEN_NODES)) b1 = W[INPUT_NODES * HIDDEN_NODES:(INPUT_NODES * HIDDEN_NODES) + HIDDEN_NODES].reshape((HIDDEN_NODES,)) w2 = W[(INPUT_NODES * HIDDEN_NODES) + HIDDEN_NODES:(INPUT_NODES * HIDDEN_NODES) + HIDDEN_NODES + (HIDDEN_NODES * OUTPUT_NODES)].reshape((HIDDEN_NODES, OUTPUT_NODES)) b2 = W[(INPUT_NODES * HIDDEN_NODES) + HIDDEN_NODES + (HIDDEN_NODES * OUTPUT_NODES): (INPUT_NODES * HIDDEN_NODES) + HIDDEN_NODES + (HIDDEN_NODES * OUTPUT_NODES) + OUTPUT_NODES].reshape((OUTPUT_NODES,)) z1 = np.dot(X, w1) + b1 a1 = np.tanh(z1) z2 = np.dot(a1, w2) + b2 logits = z2 probs = softmax(logits) Y_pred = np.argmax(probs, axis=1) return Y_pred 需要X（輸入）和W（在PSO訓練完成後的訓練權重）。 準確性 def get_accuracy(Y, Y_pred): """ Calcualtes accuracy. :param Y: int(N, ) Correct labels. :param Y_pred: int(N, ) | double(N, C) Predicted labels of shape(N, ) or (N, C) in case of one-hot vector. :return: double Accuracy. """ return (Y == Y_pred).mean() #return (np.argmax(Y, axis=1) == Y_pred).mean() #used in case of one-hot vector and loss is Negative Likelihood. 使用實際標籤和預測標籤作為輸入來計算測試數據的準確性。它使用Y（實際標籤）和Y_pred（預測標籤），然後計算真實預測的數量，然後取其平均值。 運行 if __name__ == '__main__': no_solution = 100 no_dim = (INPUT_NODES * HIDDEN_NODES) + HIDDEN_NODES + (HIDDEN_NODES * OUTPUT_NODES) + OUTPUT_NODES w_range = (0.0, 1.0) lr_range = (0.0, 1.0) iw_range = (0.9, 0.9) # iw -> inertial weight... c = (0.5, 0.3) # c[0] -> cognitive factor, c[1] -> social factor... s = Swarm(no_solution, no_dim, w_range, lr_range, iw_range, c) #Y = one_hot_encode(Y) #Encode here... s.optimize(forward_pass, X, Y, 100, 1000) W = s.get_best_solution() Y_pred = predict(X, W) accuracy = get_accuracy(Y, Y_pred) print("Accuracy: %.3f"% accuracy) 這裡我們只定義了no_solution(PSO中的粒子數)，no_dim(PSO中每個粒子的維數)，w_range(權重範圍)，lr_range(學習速率範圍)，iw_range(慣性權重範圍)和一個元組c作為cognitive和social參數。然後初始化Swarm並使用forward_pass(orward pass函數)、X(輸入)、Y(標籤)、print_step(要查看損失的疊代次數)和疊代次數調用優化函數。優化後，調用方法get_best_solution（）與Swarm對象一起獲得最佳的一對權重。然後傳遞該對權重以預測並獲得輸出，最後計算模型的準確性。 結果 ... 正如你所看到的，對於訓練集來說，結果很不錯。如果PSO的參數值被正確分配和訓練了足夠多的疊代次數，它也可以為其他應用提供良好的結果。 粒子群優化 現在，我們已經完成有關神經網絡的討論，讓我們討論粒子群優化。 粒子 import numpy as np #This is a PSO(interia weight) variation... class Particle: """ Particle class represents a solution inside a pool(Swarm). """ def __init__(self, no_dim, x_range, v_range): """ Particle class constructor :param no_dim: int No of dimensions. :param x_range: tuple(double) Min and Max value(range) of dimension. :param v_range: tuple(double) Min and Max value(range) of velocity. """ self.x = np.random.uniform(x_range[0], x_range[1], (no_dim, )) #particle position in each dimension... self.v = np.random.uniform(v_range[0], v_range[1], (no_dim, )) #particle velocity in each dimension... self.pbest = np.inf self.pbestpos = np.zeros((no_dim, )) 創建Particle類，該構造函數接受no_dim(維數)、x_range(搜索空間範圍)、v_range(每個維數的速度範圍)的輸入。 群 class Swarm: """ Swarm class represents a pool of solution(particle). """ def __init__(self, no_particle, no_dim, x_range, v_range, iw_range, c): """ Swarm class constructor. :param no_particle: int No of particles(solutions). :param no_dim: int No of dimensions. :param x_range: tuple(double) Min and Max value(range) of dimension. :param v_range: tuple(double) Min and Max value(range) of velocity. :param iw_range: tuple(double) Min and Max value(range) of interia weight. :param c: tuple(double) c[0] -> cognitive parameter, c[1] -> social parameter. """ self.p = np.array([Particle(no_dim, x_range, v_range) for i in range(no_particle)]) self.gbest = np.inf self.gbestpos = np.zeros((no_dim, )) self.x_range = x_range self.v_range = v_range self.iw_range = iw_range self.c0 = c[0] self.c1 = c[1] self.no_dim = no_dim 創建Swarm類，並將參數傳遞給其構造函數，no_particle（粒子數，其中每個粒子是一對權重的獨立解），no_dim（維數，其中維度是指神經網絡模型的單個權重或偏差） ，x_range（搜索空間範圍或以神經網絡為單位的權重範圍），v_range（每個維度的速度或每個權重參數的學習率），iw_range（慣性權重範圍）和c是cognitive和social因子對。 優化 def optimize(self, function, X, Y, print_step, iter): """ optimize is used start optimization. :param function: function Function to be optimized. :param X: input Used in forward pass. :param Y: target Used to calculate loss. :param print_step: int Print pause between two adjacent prints. :param iter: int No of iterations. """ for i in range(iter): for particle in self.p: fitness = function(X, Y, particle.x) if fitness < particle.pbest: particle.pbest = fitness particle.pbestpos = particle.x.copy() if fitness < self.gbest: self.gbest = fitness self.gbestpos = particle.x.copy() for particle in self.p: #Here iw is inertia weight... iw = np.random.uniform(self.iw_range[0], self.iw_range[1], 1)[0] particle.v = iw * particle.v + (self.c0 * np.random.uniform(0.0, 1.0, (self.no_dim, )) * (particle.pbestpos - particle.x)) + (self.c1 * np.random.uniform(0.0, 1.0, (self.no_dim, )) * (self.gbestpos - particle.x)) #particle.v = particle.v.clip(min=self.v_range[0], max=self.v_range[1]) particle.x = particle.x + particle.v #particle.x = particle.x.clip(min=self.x_range[0], max=self.x_range[1]) if i % print_step == 0: print('iteration#: ', i+1, ' loss: ', fitness) print("global best loss: ", self.gbest) 該optimize函數接受函數（由forward pass計算損失），X（輸入），ÿ（標籤），print_step（print step to log loss），ITER（疊代數或訓練模型的epochs數）。在每個epoch，它將通過X、W和Y來進行函數運算並計算更新粒子的損失。 最優解 def get_best_solution(self): ''' :return: array of parameters/weights. ''' return self.gbestpos 通過對函數進行優化，得到最優解。

文章來源取自於：

每日頭條 https://kknews.cc/code/r64vbyn.html

MOMO購物網 https://www.momoshop.com.tw/goods/GoodsDetail.jsp?i_code=6396451&mdiv=SALE&memid=6000007380&cid=apuad&oid=1&osm=league

如有侵權，請來信告知，我們會立刻下架。

DMCA：dmca(at)kubonews.com

聯絡我們：contact(at)kubonews.com

【產品評價開箱文熱騰騰登場】【momo網路折扣優惠開箱評價】【內衣購物台折扣優惠開箱評價】【ptt熱門評價推薦】
【富邦momo台客服電話折扣優惠開箱評價】 【送氣炸鍋★SONY 索尼】送桌上安裝★65型4K HDR連網智慧OLED電視(KD-65A8G)【富邦科技有限公司折扣優惠開箱評價】 【御松田】SOD31種綜合蔬果+鳳梨木瓜酵素X4瓶(30粒瓶)【momo旅遊折扣優惠開箱評價】 【GTSTAR】新一代結構加強版電動跑步機【momo百貨折扣優惠開箱評價】 【十靈本舖】爽聲潤喉黑珍珠-純漢方提煉 24粒裝(3盒組)