第301章 密码 (1/3)

基于聚类的离散化假设我们有一个包含1000个房屋的价格数据的数据集，我们想将价格分成5个簇，以下是离散化方法：首先，随机分配5个中心点。根据每个房屋的价格和这5个中心点的距离，将每个房屋分入距离最近的中心点对应的簇中。重新计算每个簇的中心点，以中心点的坐标作为新的中心点。重复步骤2和步骤3，直到中心点的移动小于某个阈值或达到最大迭代次数。最终得到的5个簇即为我们需要的离散化结果。自适应离散化假设我们有一个包含个商品销售量数据的数据集，我们想将销售量离散化成n个区间，以下是离散化方法：先将所有商品销售量根据大小排序。初始时，将数据集分成n个区间，每个区间保持相等的数据数量。计算每个区间的范围（最小值和最大值），并计算相邻区间的范围的中点，这些中点作为新的分割点。根据新的分割点重新划分区间，如果新的区间与原来的区间相同，则算法停止。否则，重复步骤3和步骤4。最终得到的n个区间即为我们需要的离散化结果。卷积核输出形状卷积神经网络中的卷积层的输出维度计算，可以通过以下公式得出：输出的高度

=

(输入的高度

-

卷积核的高度

+

2

*

padding)

\/

步长

+

1输出的宽度

=

(输入的宽度

-

卷积核的宽度

+

2

*

padding)

\/

步长

+

1输出的深度

=

卷积核的数量这里，padding是指在输入数据周围填充的0的行数或列数（在计算输出大小时有助于保持空间尺寸不变），步长是指卷积核移动的步数。输出的深度直接取决于我们使用的卷积核的数量。输入数据大小为32

x

32大小单通道图片，在c1卷积层使用6个大小为5

x

5的卷识核进行卷积，padding

=

0，步长为1通过6个大小为5

x

5的卷识核之后的输出是多大尺寸的，怎么用公式计算给定：输入的高度

h

=

32；输入的宽度

w