使用sklearn函数库中的make_blob函数创建数据集，具体参数为：样本数：1000特征数：2簇的标准差：2.0随机数种子：2

好的，我可以帮你生成这个数据集。以下是使用sklearn函数库中的make_blob函数创建数据集的代码：

from sklearn.datasets import make_blobs

X, y = make_blobs(n_samples=1000, n_features=2, centers=3, cluster_std=2.0, random_state=2)

这里我们将样本数设为1000，特征数设为2，簇的标准差为2.0，随机数种子为2。函数会返回一个元组，其中X是数据集的特征向量，y是数据集的标签。在这个例子中，我们设定了3个簇，因此y的取值范围为0到2。

相关问题

make_blob创建函数库后,对数据集进行可视化,并对数据集按照1:3划分为测试集与训练集

可以使用Python中的matplotlib库来对数据集进行可视化。可以使用如下的代码：

import matplotlib.pyplot as plt
import numpy as np

# assuming data is a numpy array with shape (num_data_points, num_features)
data = np.random.rand(100, 2)

plt.scatter(data[:, 0], data[:, 1])
plt.show()

这样就可以将数据集以散点图的形式呈现出来。

接下来，可以使用scikit-learn库中的train_test_split函数来将数据集按照1:3划分为测试集与训练集。可以使用如下的代码：

from sklearn.model_selection import train_test_split

# assuming data and labels are numpy arrays with the same number of rows
data_train, data_test, labels_train, labels_test = train_test_split(data, labels, test_size=0.25, random_state=42)

这里将数据集划分成75%的训练集和25%的测试集。`random_state`参数是为了保证每次运行结果相同。

res = exec_net.infer(inputs = input_blob: images) 推理出来的参数怎么使用

推理出来的结果保存在res变量中，可以通过以下方式获取结果：

1. 如果模型输出是一个单独的张量，可以使用以下代码获取：

output = res['output_blob_name']

其中，output_blob_name是你在创建网络时指定的输出层名称。

2. 如果模型有多个输出层，可以使用以下代码获取所有输出：

outputs = [res[key] for key in res.keys()]

3. 如果模型输出是多个张量，可以使用以下代码获取指定的输出：

output1, output2 = res['output1_blob_name'], res['output2_blob_name']

其中，output1_blob_name和output2_blob_name是你在创建网络时指定的输出层名称。