选自GitHub 机器之心编译 参与:Nurhachu Null、李泽南 本文从 Tensorflow 基础、理解静态维度和动态维度、广播操作(Broadingcast 的好处和坏处)、使用 Python 操作的原型内核和先进的可视化等几个方面详细梳理如何高效使用TensorFlow。 Tensorflow 基础 TensorFlow 和其他诸如 numpy 之类的数学计算库的根本区别在于:在 TensorFlow 中,运算操作是符号化的。这是一个强大的思想,它能够让 TensorFlow 做任何事情(例如
tensorflow是谷歌google的深度学习框架,tensor中文叫做张量,flow叫做流。 RNN是recurrent neural network的简称,中文叫做循环神经网络。 MNIST是Mixed National Institue of Standards and Technology database的简称,中文叫做美国国家标准与技术研究所数据库。 此文在上一篇文章《基于tensorflow+DNN的MNIST数据集手写数字分类预测》的基础上修改模型为循环神经网络模型,模型准确率从98%提升到98.5%,错误率减少了25% 《基于tensorflow+DNN的MNIST数据集手写数字分类预测》文章链接:https://www.jianshu.com/p/9a4ae5655ca6
hw = tf.constant("Hello World! Mtianyan love TensorFlow!")
源码如下: # !/usr/bin/env python # -*- coding: utf-8 -*- # @Time : 2019/4/8 7:52 PM # @Author : lizhao # @File : cnn_mnist.py # @Version : 1.0 # 说明: 卷积神经网络 import numpy as np import tensorflow as tf # 下载并载入 MNIST手写数字库(55000 * 28 * 28) 55000张训练图片 fr
TensorFlow名字可以拆解为两部分:Tensor、Flow。其中,Tensor 就表示张量。
从一个通道的图片进行卷积生成新的单通道图的过程很容易理解,对于多个通道卷积后生成多个通道的图理解起来有点抽象。本文以通俗易懂的方式讲述卷积,并辅以图片解释,能快速理解卷积的实现原理。最后手写python代码实现卷积过程,让Tensorflow卷积在我们面前不再是黑箱子!
前言 tensorflow中文社区对官方文档进行了完整翻译。鉴于官方更新不少内容,而现有的翻译基本上都已过时。故本人对更新后文档进行翻译工作,纰漏之处请大家指正。(如需了解其他方面知识,可参阅以下Tensorflow系列文章)。 深入MNIST TensorFlow是一个非常强大的用来做大规模数值计算的库。其所擅长的任务之一就是实现以及训练深度神经网络。在本教程中,通过为MNIST构建一个深度卷积神经网络的分类器,我们将学到构建一个TensorFlow模型的基本步骤。 这个教程假设你已经熟悉神经网络和MNI
非监督学习 非监督学习的特点:只有特征值没有目标值。 当没有目标值时,只能把相似的特征归为一个类别。 这种分析方法叫做聚类。 聚类的过程: 如果知道可以划分为多少个类别: 这里以划分x个类别为例: 1、随即在数据中抽取x个样本,当做x个类别的中心点 2、计算其他点分别到这三个点的距离(欧氏距离),距离那个中心点近就划分为那个类别 3、计算每个类别的平均值,这个这个值于中心点相同,结束聚类。 如果不相同,以计算出的平均值为中心点,再次重复2,3步。 如果不知道需要划分为几类,就需要当做超参数处理。 模块: s
http://www.cnblogs.com/fydeblog/p/7455233.html
本文介绍了如何利用TensorFlow搭建一个简单的CNN模型来识别MNIST数据集中的手写数字。首先,介绍了CNN模型的基本原理和TensorFlow中的Keras API。然后,使用MNIST数据集训练了一个具有卷积层和全连接层的CNN模型。最后,通过在测试集上评估模型的性能,得到了97.3%的准确率。
TensorFlow2.0版本已经发布,虽然不是正式版,但预览版都发布了,正式版还会远吗?相比于1.X,2.0版的TensorFlow修改的不是一点半点,这些修改极大的弥补了1.X版本的反人类设计,提升了框架的整体易用性,绝对好评!
文章主要讲述了如何利用TensorFlow进行深度学习,包括模型的搭建、训练、保存以及部署。同时,文章还介绍了如何使用TensorFlow进行图像分类和文本情感分析等具体应用。
上一期我们发布了“一文读懂TensorFlow(附代码、学习资料)”,带领大家对TensorFlow进行了全面了解,并分享了入门所需的网站、图书、视频等资料,本期文章就来带你一步步上手TensorFlow。 1. 前言 深度学习算法的成功使人工智能的研究和应用取得了突破性进展,并极大地改变了我们的生活。越来越多的开发人员都在学习深度学习方面的开发技术。Google推出的TensorFlow是目前最为流行的开源深度学习框架,在图形分类、音频处理、推荐系统和自然语言处理等场景下都有丰富的应用。尽管功能强大,
本文长度为7196字,建议阅读10分钟 本文为你讲解如何使用Tensorflow进行机器学习和深度学习。 1. 前言 深度学习算法的成功使人工智能的研究和应用取得了突破性进展,并极大地改变了我们的生活。越来越多的开发人员都在学习深度学习方面的开发技术。Google推出的TensorFlow是目前最为流行的开源深度学习框架,在图形分类、音频处理、推荐系统和自然语言处理等场景下都有丰富的应用。尽管功能强大,该框架学习门槛并不高,只要掌握Python安装和使用,并对机器学习和神经网络方面的知识有所了解就可以上
神经网络由具有权重和偏差的神经元组成。通过在训练过程中调整这些权重和偏差,以提出良好的学习模型。每个神经元接收一组输入,以某种方式处理它,然后输出一个值。如果构建一个具有多层的神经网络,则将其称为深度神经网络。处理这些深度神经网络的人工智能学分支被称为深度学习。
MobileNet是针对移动端优化的卷积,所以当需要压缩模型时,可以考虑使用MobileNet替换卷积。下面我们开始学习MobileNet原理,并且先通过Tensorflow函数接口实现MobileNet,再手写python代码实现MobileNet。
翻译:穆文&韩小阳 校对:寒小阳 & 龙心尘 导 读 之前的课程里介绍了自然语言处理当中的一些问题,以及设计出来的一些相应的算法。research的东西还是落地到工程应用上比较有价值,之前也手撸过一些toy project,不过这些实现要用在工程中,总是有那么些虚的,毕竟稳定性和效率未必能够保证。所幸的是,深度学习热度持续升温的大环境下,各种大神和各家大厂也陆续造福民众,开源了一些深度学习框架,在这些开源框架的基础上去搭建和实现自己想要的深度学习网络结构就简单和稳定得多了。 有时候选择多了也是麻烦,对框架
TensorFlow入门的第一篇和大家聊了?graph图,op操作,node节点。对TensorFlow有了一个简单的认识,今天主要和大家分享的是TensorFlow中constant 常量, Variable变量,Placeholder占位符,Session启动图,fetches,feed等几个基本概念。 接下来我们通过一些简单的栗子分别来学习一下他们都是什么鬼。 # constant # 导入模块 import tensorflow as tf """ 怎么定义常量,常量的意思和我们平时理解的常量是一
作者 | 何之源 Dataset API是TensorFlow 1.3版本中引入的一个新的模块,主要服务于数据读取,构建输入数据的pipeline。 此前,在TensorFlow中读取数据一般有两种方法: 使用placeholder读内存中的数据 使用queue读硬盘中的数据(关于这种方式,可以参考我之前的一篇文章:十图详解TensorFlow数据读取机制https://zhuanlan.zhihu.com/p/27238630) 相Dataset API同时支持从内存和硬盘的读取,相比之前的两种方法在语法
AI科技评论按:本文作者何之源,该文首发于知乎专栏AI Insight (https://zhuanlan.zhihu.com/ai-insight),AI科技评论获其授权转载。 Dataset API是TensorFlow 1.3版本中引入的一个新的模块,主要服务于数据读取,构建输入数据的pipeline。 此前,在TensorFlow中读取数据一般有两种方法: 使用placeholder读内存中的数据 使用queue读硬盘中的数据(关于这种方式,可以参考我之前的一篇文章:十图详解tensorflow数据
领取专属 10元无门槛券
手把手带您无忧上云