开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

如何使用新的未经训练的数据集来预测输出值？

使用新的未经训练的数据集来预测输出值的方法可以通过以下步骤实现：

数据收集：收集新的未经训练的数据集，确保数据集的质量和完整性。
数据预处理：对新的数据集进行预处理，包括数据清洗、缺失值处理、异常值处理、特征选择等。
特征工程：根据新的数据集特点，进行特征工程，包括特征提取、特征变换、特征构建等，以提高模型的预测能力。
模型选择：根据预测任务的性质和数据集的特点，选择适合的机器学习或深度学习模型，如线性回归、决策树、支持向量机、神经网络等。
模型训练：使用已有的经过训练的模型，结合新的未经训练的数据集进行模型训练，以学习新的数据集的模式和规律。
模型评估：使用评估指标（如均方误差、准确率等）对模型进行评估，判断模型的预测性能。
模型优化：根据评估结果，对模型进行优化，包括调整模型参数、增加正则化项、使用集成学习等方法，以提高模型的泛化能力和预测准确性。
预测输出：使用经过优化的模型对新的未经训练的数据集进行预测，得到输出值。

需要注意的是，以上步骤中的每一步都需要根据具体情况进行调整和优化，以适应不同的数据集和预测任务。同时，还可以结合云计算平台提供的各类工具和服务，如云端训练、模型部署、自动化调参等，以提高预测效果和效率。

腾讯云相关产品和产品介绍链接地址：

数据集存储：腾讯云对象存储（COS）（https://cloud.tencent.com/product/cos）
机器学习平台：腾讯云机器学习平台（https://cloud.tencent.com/product/tfml）
深度学习框架：腾讯云AI Lab（https://cloud.tencent.com/product/ai-lab）
云端训练：腾讯云弹性AI训练（https://cloud.tencent.com/product/eai）
模型部署：腾讯云AI推理（https://cloud.tencent.com/product/tia）
自动化调参：腾讯云超参优化（https://cloud.tencent.com/product/cho）

相关搜索:如何使用R中训练好的分类器来预测新的数据集？如何使用训练好的分类器预测新的数据集如何使用预测来预测新数据？当新数据集没有覆盖训练集的所有特征时，如何预测新数据集的标签？R:预测新数据集上的值新数据集的spatstat模型预测使用经过R训练的神经网络来预测C++中的新数据如何使用我的mnist训练模型来预测图像我使用了SARIMA中的训练集和测试集来预测应该是当前值，但是我如何预测超出时间戳的值呢错误:使用栅格属性表(RAT)时，新数据中的预测值与训练数据中的预测值不匹配如何加载经过训练的模型来推断预测数据如何使用经过训练的Keras GRU模型预测新的数据序列？如何根据通过函数创建的新数据集的特定值来查找数据集的编号使用训练有素的ANN - Keras进行新的预测 MATLAB -如何使用新数据集保留训练好的神经网络如何使用经过训练的BERT NER (命名实体识别)模型来预测新示例？尽管测试集的预测值很低，但使用R中的randomForest可以使用训练集来确定变量的重要性吗？组合两个预先训练的模型(在不同的数据集上训练)的输出，并使用某种形式的二进制分类器来预测图像如何检验训练好的神经网络的预测输出如何使用scikit-learn中的新示例来训练训练过的模型？

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

【学术】入圈人工智能你需要了解无监督机器学习的真正能力

“嘿,Siri。中国的首都是什么?”我们都知道接下来会发生什么——Siri提供了答案。Siri是如何知道正确答案的，这并不是一个谜，但更有趣的是，Siri能够完全理解这个问题。 Siri可以理解和回

04

一文带你通俗易懂地了解word2vec原理

单词表 V = { ω 1 , ω 2 , . . . , ω n } V = \{ ω_1, ω_2, … , ω_n\} V={ ω1,ω2,...,ωn}

03

图解Word2vec，读这一篇就够了

嵌入（embedding）是机器学习中最迷人的想法之一。如果你曾经使用Siri、Google Assistant、Alexa、Google翻译，甚至智能手机键盘进行下一词预测，那么你很有可能从这个已经成为自然语言处理模型核心的想法中受益。

04

图解Word2vec，读这一篇就够了

嵌入（embedding）是机器学习中最迷人的想法之一。如果你曾经使用Siri、Google Assistant、Alexa、Google翻译，甚至智能手机键盘进行下一词预测，那么你很有可能从这个已经成为自然语言处理模型核心的想法中受益。

05

让学生网络相互学习，为什么深度相互学习优于传统蒸馏模型？| 论文精读

蒸馏模型是一种将知识从教师网络（teacher）传递到学生网络（student）的有效且广泛使用的技术。通常来说，蒸馏模型是从功能强大的大型网络或集成网络转移到结构简单，运行快速的小型网络。本文决定打破这种预先定义好的“强弱关系”，提出了一种深度相互学习策略(deep mutual learning, DML)。

01

学界 | Uber AI 研究院深度解构 ICLR 2019 最佳论文「彩票假设」！

AI 科技评论按：作为某种程度上的技术黑盒，神经网络的诸多工作原理仍然有待探索。年初，Frankle 和 Carbin 的论文「 The Lottery Ticket Hypothesis：Finding Sparse，Trainable Neural Networks」提出了一种生成稀疏的高性能网络的简单方法，可以有效进行网络剪枝，这一突破性进展也让这篇论文成为 ICLR 2019 最佳论文的得主之一。在本文，Uber AI 研究院对这一「彩票假设」成果进行了深度解构，意外得到了具备强大剪枝能力的通用「超级掩模」（Supermask）！雷锋网 AI 科技评论编译如下。

04

Uber AI 研究院深度解构 ICLR 2019 最佳论文「彩票假设」！

AI 科技评论按：作为某种程度上的技术黑盒，神经网络的诸多工作原理仍然有待探索。年初，Frankle 和 Carbin 的论文「 The Lottery Ticket Hypothesis：Finding Sparse，Trainable Neural Networks」提出了一种生成稀疏的高性能网络的简单方法，可以有效进行网络剪枝，这一突破性进展也让这篇论文成为 ICLR 2019 最佳论文的得主之一。在本文，Uber AI 研究院对这一「彩票假设」成果进行了深度解构，意外得到了具备强大剪枝能力的通用「超级掩模」（Supermask）！雷锋网 AI 科技评论编译如下。

02

深度学习基础指南

“人工智能”这个词每天被到处乱用。你听到开发者们说他们要学习人工智能。你也会听到管理者说他们要把人工智能技术应用他们的服务中。但他们往往并不了解人工智能。

03

学界 | FAIR提出通用音乐转换网络：你的口哨声也能变成交响乐

作者：Noam Mor等机器之心编译参与：乾树、刘晓坤 Facebook AI Research 近日提出了一种基于多域 WaveNet 自编码器的跨乐器、流派、风格的音乐转换方法。在 NSynt

08

吴恩达力赞！哈佛、MIT学者用下棋证明：大型语言模型确实「理解」了世界

2021年，华盛顿大学语言学家Emily M. Bender发表了一篇论文，认为大型语言模型不过是「随机鹦鹉」（stochastic parrots）而已，它们并不理解真实世界，只是统计某个词语出现的概率，然后像鹦鹉一样随机产生看起来合理的字句。

04

安利一则深度学习新手神器：不用部署深度学习环境了！也不用上传数据集了！

大数据文摘作品作者：Emil Wallnér 编译：高宁、Happen、陈玲、Alieen 深度学习的浪潮在五年前开始兴起。随着计算能力的爆炸型增长和几个成功的案例，深度学习引起了大肆宣传。深度学习技术可以用来驾驶车辆，在Atari游戏中进行人机对抗，以及诊断癌症。开始学习神经网络时，我花了两周的时间进行探索，选择合适的工具，对比不同的云服务以及检索在线课程。但回想起来，我还是希望我可以从第一天就能创建神经网络，这也是这篇文章的目的。你不需要有任何预备知识。当然如果你对Python，命令行和Jupyt

04

在浏览器训练个剪刀石头布探测器，你的小电脑也可以

假设你回到两年前，现在要让我写一个算法，拍摄一只手的图像，并确定它是石头、剪刀还是布。我会说这有可能实现，但需要给我 6 个月时间。

02

什么是迁移学习（Transfer Learning）？【精讲+代码实例】

我们一直听过一句话叫，“如果说我看得比别人更远些，那是因为我站在巨人的肩膀上。（If I have seen further, it is by standing on the shoulders of giants.）”。“站在巨人的肩膀上”，不仅能看得更远,还能看到更多。这也用来表达我们要善于学习先辈的经验, 一个人的成功往往还取决于先辈们累积的知识。这句话, 放在机器学习中, 这就是今天要说的迁移学习（transfer learning）。

01

《A Cancer Survival Prediction Method Based on Graph Convolutional Network》

摘要背景现状：多种基因组数据和临床数据尚未综合考虑癌症并预测其生存率方法先对各种数据进行融合，然后用GCN来训练 📷 结论 GCN在癌症生存预测方面的有效性和优越性介绍异质性疾病癌症具有不同的分子特征、临床行为、形态学表现和对治疗的不同反应一些传统的机器学习模型用于预测存活一些机器学习分类方法，如支持向量机（SVM）[16-18]，朴素贝叶斯分类器（NB）[19]和随机森林（RF）[20]也可用于预测癌症存活率。例如，Nguyen等人[21]提出了一种基于随机森林

02

告别深度学习炼丹术！谷歌大脑提出“权重无关”神经网络

前不久，新智元报道了谷歌给出首个神经网络训练理论的证明。这一研究在训练深度神经网络被戏谑为 “调参炼丹” 的当下，犹如一道希望的强光，射进还被排除在 “科学” 之外的深度学习领域，激动人心。

05

告别深度学习炼丹术！谷歌大脑提出“权重无关”神经网络

前不久，我们报道了谷歌给出首个神经网络训练理论的证明。这一研究在训练深度神经网络被戏谑为 “调参炼丹” 的当下，犹如一道希望的强光，射进还被排除在 “科学” 之外的深度学习领域，激动人心。

03

DeepMind 新研究：使用强化对抗学习合成图像程序

AI 研习社：近日，DeepMind 发表的一篇博客中提到了一种新的人工智能体，它可以推断数字，角色和肖像的构造方式。更为关键的是，它们是自己学会做这件事，而不是靠人工标记的数据集。

01

学界 | DeepMind新研究：使用强化对抗学习合成图像程序

AI 科技评论按：近日，DeepMind 发表的一篇博客中提到了一种新的人工智能体，它可以推断数字，角色和肖像的构造方式。更为关键的是，它们是自己学会做这件事，而不是靠人工标记的数据集。真实的世界并不仅仅是我们眼睛里所反映的图像。例如，当我们看建筑物并欣赏其设计的复杂性时，我们也欣赏它所需的工艺。这种思维方式可以使我们对世界有更加丰富的理解，也是人类智慧的重要体现之一。 DeepMind 的研究员希望它们的系统也能创造出同样丰富的世界表现形式。例如，观察绘画的图像时，希望系统能了解用于创建绘画的笔触，而不

06

Chem Sci｜化学基础模型的迁移学习

2023年11月24日，英国剑桥大学Emma King-Smith在Chemical Science上发表文章Transfer learning for a foundational chemistry model。作者提出了一个基于图神经网络的迁移学习框架，能够在小规模数据集中进行准确的化学相关预测。

01

一个超强算法模型，CNN ！！

大概介绍下：MNIST数字分类项目旨在使用机器学习技术来构建一个模型，能够自动识别手写数字的图像。这个项目是一个经典的图像分类任务，常用于入门级机器学习和深度学习示例。我们会使用MNIST数据集，这个数据集包含了一系列28x28像素的手写数字图像，从0到9。项目的目标是训练一个模型，能够准确地将这些手写数字图像分类到正确的数字标签。

01

TabR:检索增强能否让深度学习在表格数据上超过梯度增强模型？

这是一篇7月新发布的论文，他提出了使用自然语言处理的检索增强Retrieval Augmented技术，目的是让深度学习在表格数据上超过梯度增强模型。

02

微调︱caffe中fine-tuning模型三重天（函数详解、框架简述）+微调技巧

本文介绍了如何通过修改全连接层来改变CNN模型的行为，包括用于风格转换，风格迁移，人脸检测等。作者主要介绍了两种方法：1）使用预训练网络，通过冻结训练网络并微调它以适应新任务；2）使用自编码器进行无监督学习。

05

聊聊预训练模型的微调

翻译自：Fine-tuning a model with the Trainer API

02

迁移学习和fine-tune的区别

迁移学习(Transfer learning) 顾名思义就是把已训练好的模型参数迁移到新的模型来帮助新模型训练。考虑到大部分数据或任务都是存在相关性的，所以通过迁移学习我们可以将已经学到的模型参数（也可理解为模型学到的知识）通过某种方式来分享给新模型从而加快并优化模型的学习效率不用像大多数网络那样从零学习。

02

使用生成式对抗网络从随机噪声中创建数据

由于最近几周工作紧以及该文涉及机器学习，翻译有点水的厉害。推荐不要在这浪费时间还是直接看英文原文的好。

02

如何理解机器学习中的泛化能力？

百度百科这样解释：是指机器学习算法对新鲜样本的适应能力。学习的目的是学到隐含在数据背后的规律，对具有同一规律的学习集以外的数据，经过训练的网络也能给出合适的输出，该能力称为泛化能力。

02

深度学习不得不会的迁移学习（Transfer Learning）

在传统的机器学习的框架下，学习的任务就是在给定充分训练数据的基础上来学习一个分类模型；然后利用这个学习到的模型来对测试文档进行分类与预测。然而，我们看到机器学习算法在当前的Web挖掘研究中存在着一个关键的问题：一些新出现的领域中的大量训练数据非常难得到。我们看到Web应用领域的发展非常快速。大量新的领域不断涌现，从传统的新闻，到网页，到图片,再到博客、播客等等。传统的机器学习需要对每个领域都标定大量训练数据，这将会耗费大量的人力与物力。而没有大量的标注数据，会使得很多与学习相关研究与应用无法开展。其次，传统的机器学习假设训练数据与测试数据服从相同的数据分布。然而，在许多情况下，这种同分布假设并不满足。通常可能发生的情况如训练数据过期。这往往需要我们去重新标注大量的训练数据以满足我们训练的需要，但标注新数据是非常昂贵的，需要大量的人力与物力。从另外一个角度上看，如果我们有了大量的、在不同分布下的训练数据，完全丢弃这些数据也是非常浪费的。如何合理的利用这些数据就是迁移学习主要解决的问题。迁移学习可以从现有的数据中迁移知识，用来帮助将来的学习。迁移学习（Transfer Learning）的目标是将从一个环境中学到的知识用来帮助新环境中的学习任务。因此，迁移学习不会像传统机器学习那样作同分布假设。

02

用机器学习玩转恶意URL检测

前段时间漏洞之王Struts2日常新爆了一批漏洞，安全厂商们忙着配合甲方公司做资产扫描，漏洞排查，规则大牛迅速的给出”专杀”规则强化自家产品的规则库。这种基于规则库的安全防御总是处于被动的，所以趁着小假期对机器学习应用于威胁检测的这块做了些研究整理了下笔记，以方便大家日后交流学习。本文参考了国外的一篇博文，英语好的可以直接看下原文，在这里记录了下研究检测模型实现的过程，因为也是最近才接触机器学习这块，有啥问题请大牛们指出。先说重点，这篇文章使用逻辑回归的方式建立检测模型，对未知的 URL 进行恶意检测。

09

训练集(train set) 验证集(validation set) 测试集(test set)

training set是用来训练模型或确定模型参数的，如ANN中权值等； validation set是用来做模型选择（model selection），即做模型的最终优化及确定的，如ANN的结构；而 test set则纯粹是为了测试已经训练好的模型的推广能力。当然，test set这并不能保证模型的正确性，他只是说相似的数据用此模型会得出相似的结果。样本少的时候，上面的划分就不合适了。常用的是留少部分做测试集。然后对其余N个样本采用K折交叉验证法。就是将样本打乱，然后均匀分成K份，轮流选择其中K－1份训练，剩余的一份做验证，计算预测误差平方和，最后把K次的预测误差平方和再做平均作为选择最优模型结构的依据。特别的K取N，就是留一法（leave one out）。在应用中，一般只将数据集分成两类，即training set 和test set，大多数文章并不涉及validation set。

03

3000字详细总结机器学习中如何对模型进行选择、评估、优化

对于一个机器学习工程而言，我们可以选择的模型众多，就之前的章节，我们已经可以选择：

00

前沿 | DeepMind提出SPIRAL：使用强化对抗学习，实现会用画笔的智能体

选自DeepMind 作者：Ali Eslami等机器之心编译参与：路雪近日，DeepMind 发布博客，提出一种结合了对抗训练和强化学习的智能体 SPIRAL。该智能体可与绘图程序互动，在数位画布上画画、改变笔触的大小、用力和颜色，并像街头艺人一样画画。也就是说，通过向 SPIRAL 提供人类用于描绘周围世界的工具，它们也可以生成类似的表征。人类眼中的世界不只是角膜映射出的图像。比如，当我们看一幢建筑，赞美其设计精巧复杂时，我们能够欣赏到它的精巧工艺。通过创造事物的工具来解读事物是帮助我们理解世界

08

Nat. Microbio.l | BacterA I：在没有先验知识的情况下对微生物代谢进行建模

今天为大家介绍的是来自Paul A. Jensen团队的一篇利用强化学探索微生物知识的论文。训练人工智能（AI）系统进行自主实验可以大大提高微生物学的吞吐量；然而，很少有微生物有足够大的数据集来训练这样的系统。在本研究中，作者引入了一种名为BacterAI的自动化科学平台，它可以对微生物代谢进行建模，不需要任何先前知识。BacterAI通过将科学问题转化为与实验室机器人进行的简单游戏来进行学习。该方法将其发现总结为可以被人类科学家解释的逻辑规则。

03

大道至简：只靠单一任务训练的语言模型，效果好到惊呆网友

羿阁发自凹非寺量子位 | 公众号 QbitAI 训练任务越多，真的意味着泛化能力越强吗？一项最新的研究告诉我们：No！大漏特漏！令大部分人意外的是，其实，专攻一个训练任务的专家语言模型在这方面的表现更佳！数据为证，在11个不同的、未经训练的数据集上，其平均准确率甚至比提示微调模型高出3.20%。不仅如此，单个专家模型合并后还能表现出超强的组合能力，既不需要访问原始数据，还节省了计算开销。有网友看完就表示：非常有趣！果然模型并不一定越大越好！还有网友则感慨：这就是所谓的“简单胜过复杂”吧

04

TensorFlow从1到2（九）迁移学习

迁移学习是这两年比较火的一个话题，主要原因是在当前的机器学习中，样本数据的获取是成本最高的一块。而迁移学习可以有效的把原有的学习经验（对于模型就是模型本身及其训练好的权重值）带入到新的领域，从而不需要过多的样本数据，也能达到大批量数据所达成的效果，进一步节省了学习的计算量和时间。

01

手把手教你用Keras进行多标签分类（附代码）

本文将通过拆解SmallVGGNet的架构及代码实例来讲解如何运用Keras进行多标签分类。

机器学习-概述

简单的一句话：让机器从数据中学习，进而得到一个更加符合现实规律的模型，通过对模型的使用使得机器比以往表现的更好，这就是机器学习。

00

【原创干货】Python实现机器学习前后端页面的交互

对于机器学习爱好者而言，很多时候我们需要将建好的模型部署在线上，实现前后端的交互，今天小编就通过Flask以及Streamlit这两个框架实现机器学习模型的前后端交互。

01

手把手教你用PyTorch创建首个神经网络

随着深度学习领域日益渐火以及网络上的前沿文章铺天盖地地出现，人们很容易将深度学习视为是只对数学博士开放的高级领域——但本文要证明这种观点是错的。

00

【机器学习】机器学习-概述

简单的一句话：让机器从数据中学习，进而得到一个更加符合现实规律的模型，通过对模型的使用使得机器比以往表现的更好，这就是机器学习。

02

独家 | 你的神经网络不起作用的37个理由（附链接）

有一个网络已经训练了12个小时。一切看起来都很好：梯度是逐渐变化的，损失在减少。但接下来的预测：都是零，所有的图像背景都没有被检测到。“我做错了什么？”——我问我的电脑，但它没有回答我。

02

在Python中使用LSTM和PyTorch进行时间序列预测

顾名思义，时间序列数据是一种随时间变化的数据类型。例如，24小时内的温度，一个月内各种产品的价格，一年中特定公司的股票价格。诸如长期短期记忆网络（LSTM）之类的高级深度学习模型能够捕获时间序列数据中的模式，因此可用于对数据的未来趋势进行预测。在本文中，您将看到如何使用LSTM算法使用时间序列数据进行将来的预测。

01

深度学习目标检测指南：如何过滤不感兴趣的分类及添加新分类？

编译 | 庞佳责编 | Leo 出品 | 人工智能头条（公众号ID：AI_Thinker）【AI 科技大本营按】本文编译自 Adrian Rosebrock 发表在 PyImageSearch 上的一篇博文。该博文缘起于一位网友向原作者请教的两个关于目标检测的问题：如何过滤或忽略我不感兴趣的类？如何在目标检测模型中添加新的类？这是否可行？ Adrian Rosebrock 认为这两个问题是学习目标检测的同学经常问到的问题，于是创作了本篇文章统一回答。以下为博文摘录，AI 科技大本营编译：具体来

03

ACS Cent. Sci. | 为构建化学反应性模型而设计数据集

今天为大家介绍的是来自Connor W. Coley团队的一篇论文。模型可以将我们对化学反应性的理解具体化，并在新合成过程的发展中发挥有用的作用。例如，它们可以用来评估假设的反应条件或在计算机中模拟基质的耐受性。作者认为或许最决定性的因素是训练数据的组成，以及这些数据是否足够训练出一个能够在整个关注领域内做出准确预测的模型。在这里，作者讨论了如何设计反应数据集以促进数据驱动的建模，并强调训练集的多样性和模型的泛化能力依赖于分子或反应表征的选择。

01

深度学习目标检测指南：如何过滤不感兴趣的分类及添加新分类？

AI 科技大本营按：本文编译自 Adrian Rosebrock 发表在 PyImageSearch 上的一篇博文。该博文缘起于一位网友向原作者请教的两个关于目标检测的问题：

02

NPJ Digit Med｜一种基于AI的数据标注系统，用于生物数据注释

2021 年 10 月 7 日，npj digital medicine杂志发表文章，介绍了一种数据标注系统，该系统基于AI，可以减少注释者的工作量，同时提高注释的质量。

03

对抗样本无法被重建！CMU提出通用的无监督对抗攻击检测方法

机器学习在应用程序中的广泛使用，引起了人们对潜在安全威胁的关注。对抗性攻击（ adversarial attacks）是一种常见且难以察觉的威胁手段，它通过操纵目标机器学习模型，可能会“悄悄”破坏许多数据样本。

01

使用 RetinaNet 进行航空影像目标检测

通过使用金字塔池化模块(Pyramid Pooling Module)，在整合基于不同区域的上下文后，PSPNet在效果上超过了FCN、DeepLab和DilatedNet等时下最佳的方法。

01

神经架构搜索（NAS）越来越高效，但远远不够！

过去数年间，研究者和企业都试图通过提供可获得的预训练计算机视觉或机器翻译模型，来让更多非专业人士用上深度学习方法。将预训练模型用到另一项任务上的方法，就是我们所说的迁移学习，但是这种方法依旧要求使用者具备一定的专业度，能够对在另一个数据集上运行的模型进行微调。因而如果有方法能够将这一步骤完全自动化，可以让更多的使用者从迄今为止机器学习领域所取得的重大突破受益。

02

技术 | 如何在Python下生成用于时间序列预测的LSTM状态

长短期记忆网络（LSTM）是一种强大的递归神经网络，能够学习长观察值序列。 LSTM的一大优势是它们能有效地预测时间序列，但是作这种用途时配置和使用起来却较为困难。 LSTM的一个关键特性是它们维持一个内部状态，该状态能在预测时提供协助。这就引出了这样一个问题：如何在进行预测之前在合适的 LSTM 模型中初始化状态种子。在本教程中，你将学习如何设计、进行试验并解释从试验中得出的结果，探讨是用训练数据集给合适的 LSTM 模型初始化状态种子好还是不使用先前状态好。在完成本教程的学习后，你将了解：关

07

尝试克服一下小伙伴对神经网络的恐惧No.26

我是小蕉。研表究明，这的网官的demo，代码确实的是己打自的。这两天仔细研究了一下神经网络，简单的结构其实没想象中那么恐怖，只是我们自己吓自己，今天希望能把理解到的东西分享给大家，克服一下大家的恐惧，我使用的框架是Tensorflow。先提一个概念，placeholder占位符，这个东西是我们用来进行填坑的东西，也就是我们能在调用的使用传入的东西，其他的东西在网络编写完成之后，只能由程序进行变更，我们是不能人为干预的。数据集是MNIST数据集，一堆的28 * 28像素的图片以及他们的标签值，测试集和

06

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭