学习+科研+做项目 Tensorflow最全详细讲解

PaddlePaddle与TensorFlow的详细对比分析 本文主要从框架概览、系统架构、编程模型、分布式架构、框架对比这五大方面比较TensorFlow和PaddlePaddle框架。作为国际两大搜索引擎研发的深度学习框架,使用侧重点不同,却同样提供了优雅简洁的设计架构,并且还在不断发展。 对于PaddlePaddle来说,它的易用性和本土性、快速业务集成性,对国内以速度致胜的互联网公司是一个非常有利的武器;而TensorFlow的灵活性和相对... 阅读详情

【莫烦Python】Tensorflow 搭建自己的神经网络
tensorflow2.0入门与实战 2019年最通俗易懂的课程
【北京大学】Tensorflow2.0

在这里插入图片描述
更多资料请关注公众号:计算机视觉与图形学实战

【莫烦Python】Tensorflow 搭建自己的神经网络

目录(播放量120.5万次)
P1 科普: 人工神经网络 VS 生物神经网络 04:40
P3 神经网络 : 梯度下降 (Gradient Descent in Neural Nets) 04:08
P5 1 why? 01:14
P7 3 例子1 02:28
P9 5 例子2 12:56
P11 7 Variable 变量 06:10
P13 什么是激励函数 (深度学习)? 03:49
P15 10 例子3 添加层 def add_layer() 07:01
P17 12 例子3 结果可视化Plot result 09:51
P19 13 优化器 optimizer 06:23
P21 15 Tensorboard 可视化好帮手2 10:33
P23 什么是过拟合 (深度学习)? 04:23
P25 什么是卷积神经网络 CNN (深度学习)? 05:39
P27 18.2 CNN 卷积神经网络 11:32
P29 19 Saver 保存读取 13:11
P31 什么是 LSTM RNN 循环神经网络 (深度学习)? 03:55
P33 20.2 RNN lstm 循环神经网络 (分类例子) 23:18
P35 20.4 RNN lstm (回归例子可视化) 05:59
P37 21 自编码 Autoencoder (非监督学习) 11:21
P39 什么是 Batch Normalization 批标准化 (深度学习 deep learning) 05:09
P41 24 2017年新版更新 06:48
P43 什么是迁移学习 transfer learning 04:48

tensorflow2.0入门与实战 2019年最通俗易懂的课程

目录 播放量(46.8万)
P1 1.课程简介 10:45
P2 2.1 最新 Tensorflow 2.3 CPU 版本极简安装 14:34
P3 2.2 最新 Tensorflow 2.3 GPU 版本极简安装 14:14
P4 3.机器学习原理-线性回归 13:41
P5 4.tf.keras实现线性回归 12:31
P6 5.梯度下降算法 10:13
P7 6.多层感知器(神经网络)与激活函数 09:31
P8 7.多层感知器(神经网络)的代码实现 13:05
P9 8.逻辑回归与交叉熵 05:26
P10 9.逻辑回归实现 11:58
P11 10.softmax多分类 10:15
P12 11.softmax多分类代码实现- fashion mnist数据分类实例 12:36
P13 12.独热编码与交叉熵损失函数 10:42
P14 13.优化函数、学习速率、反向传播算法 11:40
P15 14.网络优化与超参数选择 08:15
P16 15.Dropout抑制过拟合与网络参数选择总原则 12:49
P17 16.Dropout与过拟合抑制 07:05
P18 17. 函数式API与多输入输出模型(一) 07:57
P19 18. 函数式API与多输入输出模型(二) 06:34
P20 19. 课程整体框架介绍 14:07

【北京大学】Tensorflow2.0

目录(播放量 29.5万)
P1 0开篇语-全 08:37
P3 1.2神经网络设计过程 14:15
P5 1.4TF2常用函数1 08:01
P7 1.6鸢尾花数据集读入 04:03
P9 2.1-预备知识 05:26
P11 2.3-激活函数 05:23
P13 2.5-缓解过拟合 10:56
P15 3.1搭建网络八股sequential 13:07
P17 3.3MNIST数据集 07:06
P19 4.1搭建网络八股总览 03:25
P21 4.3数据增强 03:13
P23 4.5参数提取 02:11
P25 4.7给图识物 06:05
P27 5.2感受野 04:12
P29 5.4TF描述卷积计算层 01:50
P31 5.6池化 02:28
P33 5.8卷积神经网络 01:19
P35 5.10卷积神经网络搭建示例 07:32
P37 5.12AlexNet 05:28
P39 5.14InceptionNet 09:55
P41 5.16经典卷积网络小结 01:14
P43 6.2循环核时间步展开 01:28
P45 6.4TF描述循环计算层 02:59
P47 6.6字母预测onehot_1pre1 04:58
P49 6.8字母预测onehot_4pre1 05:18
P51 6.10字母预测Embedding_1pre1 04:00
P53 6.12RNN实现股票预测 05:58
P55 6.14GRU实现股票预测(GRU计算过程_TF描述GRU层) 03:00
开源代码分享(29)-基于拉丁超立方抽样的风光场景生成和削减 作为分层抽样方法的一 种,拉丁超立方抽样具有良好的抽样精度和效率[14]。本文使用多场景方法来描述可再生能源(风电、光伏)的不确定性。以风电功率为例,首先假定风电功率服从正态分布 N(μ, δ 2 ),μ 为预测值的期望值,δ 为其波动的百分比。接着,采用拉丁超立方抽样[21]生成大量服从概率分布约束的风电出力场景,并采用考虑 Kantorovich 距离[22]的场景削减技术处理该场景,进行场景削减。最后,导出具有相应概率的削减之后的场景。 阅读详情

相关推荐

CamoFox MCP:让AI助手隐身操作浏览器的反检测自动化实战

浏览器自动化是提升工作效率和实现数据采集的关键技术,其核心原理在于通过程序脚本模拟人类在网页上的交互行为。传统方案如Selenium或Playwright虽功能强大,但需要开发者编写复杂脚本并处理反爬机制。随着AI Agent技术的发展,自然语言驱动的自动化成为新趋势,它能将任务规划与逻辑判断交由AI处理,大幅降低使用门槛。Model Context Protocol(MCP)作为连接AI与外部工具的标准协议,在此场景下价值凸显,它使得AI助手能直接调用丰富的浏览器操作工具。CamoFox MCP创新性地将

weixin_42551967的博客 729

利用CNN卷积神经网络实现车牌识别(tensorflow)附完整Python项目代码

车牌识别的几个步骤: 给一张图片 1.从图片上找到车牌的区域 2.从图片上截取车牌的区域 3.从这个车牌区域中分割出一个一个的字符图片,保存 4.字符图片挨个识别:先识别省份,再识别城市、再识别号码 5.三个部分合在一起,得到最终的车牌的详细信息 怎么去识别: 用模型去做 模型=数据(特征数据+标签数据)+算法 (CNN)卷积神经网络 tensorflow:数据流编程 平台的工作方式:数据流图 1.创建图 2.给图中添加需要的模块 3.带入数据 进行计算 让数据在图中流动起来 图像识别的流程: 使用.

SOBE_rrr的博客 3万+

计算机视觉三大顶会(ICCV/CVPR/ECCV)投稿指南与趋势解析

本文详细解析计算机视觉三大顶会(ICCV/CVPR/ECCV)的投稿指南与最新趋势。从基础认知到实战经验,涵盖时间线管理、选题策略、论文写作技巧及实验设计要点,帮助研究者提升投稿成功率。特别关注2024年技术融合、评估维度和伦理要求等前沿趋势,为计算机视觉领域的研究者提供实用建议。

weixin_29165725的博客 1854

神经网络实现鸢尾花分类

课程讲解链接 神经网络实现鸢尾花分类仅需三步: √准备数据 数据集读入 数据集乱序 生成训练集、测试集 配成对(输入特征、标签),每次读入一小撮batch √搭建网络 定义神经网络中所有可训练参数 √参数优化 嵌套循环迭代,with结构中求得损失函数loss对每个可训练参数的偏导数,更新可训练参数,显示当前loss 鸢尾花分类代码: 准备数据 # -*- coding: UTF-8 -*- # 利用鸢尾花数据集,实现前向传播、反向传播,可视化loss曲线 # 导入所需模块 import tensor

wyk71456的博客 8597

Agentic AI上下文工程架构终极指南:全面解决智能体理解问题

在开始架构设计前,我们需要先明确两个核心概念——Agentic AI和上下文工程。Agentic AI(智能体AI)是具备自主目标、环境交互、任务分解能力的AI系统。自主性:不需要人类逐步指令,能自己规划任务(比如“帮我订机票”→自动分解为“查航班→选座位→填信息→支付”);动态性:能根据环境变化调整行为(比如订机票时发现航班延误,自动改签到下一班);连续性:能记住历史交互(比如“上次你说喜欢靠窗位,这次帮你预留了”)。

AI开发架构师 1121

Claude Code教程(二) | Claude Code 核心信息与使用指南

Claude Code 核心信息与使用指南

qq_20236937的博客 2188

深度学习入门利器:TensorFlow教程项目详解

深度学习入门利器:TensorFlow教程项目详解 去发现同类优质开源项目:https://gitcode.com/ 项目简介 在深度学习领域, 则为初学者和进阶者提供了丰富的学习资源,旨在帮助用户更好地理解和应用TensorFlow。 该项目由黄永业(Yongye Huang)创建,包含一系列详细的教学章节,覆盖了从基础概念到高级技巧的各个方面,旨在引领你逐步踏入深度学习的世界。 技术分析 ...

gitblog_00024的博客 418

AI大模型实战——模型测评:如何评估大模型的表现

大模型评测体系解析:从数据集到基准测试 本文系统梳理了大模型评测的关键要素。在数据集方面,重点介绍了C-Eval等中文评估套件,强调数据质量需通过人工验证保证。评测维度涵盖自然语言理解、知识推理、代码生成等核心能力。基准测试作为标准化评估方法,Glue、SuperClue等平台提供了公平比较的依据。文章指出厂商自评榜单存在水分问题,建议关注第三方评测。同时解析了少样本和零样本两种prompt模式的应用场景差异。最后解释了"SOTA"这一术语在描述模型最优性能时的应用价值。整体呈现了大模型

小志的博客 898

TensorFlow项目练手(一)——天气预测

通过以往的天气数据和实际天气温度,做一次回归预测,模型的输入是当前的所有特征值,而模型的输出是当天的实际天气温度。

点击置顶文章查看博客目录(全站式导航) 4847

HTTP 代理服务器的设计与实现

HTTP 代理服务器的设计与实现 首先当然是最重要的代码:github地址 1) 实验目的 熟悉并掌握 Socket 网络编程的过程与技术;深入理解 HTTP 协议,掌握 HTTP 代理服 务器的基本工作原理;掌握 HTTP 代理服务器设计与编程实现的基本技能。 2) 实验内容 基于 java 实现了基本功能与全部附加功能,并增加了 https 的支持 (1) 设计并实现一个基本 HTTP 代理服...

qq_42754642的博客 1888

C++ bitset总结

数据结构bitset 术语:某1位置位是置1,某一位复位是某一位清零。 文章目录数据结构bitset一、3种初始化方式二、位访问三、位操作四、 位集操作总结实战练习 一、3种初始化方式 bitset<32> tmp; //默认构造函数,默认全0。 bitset<32> tmp(-1); //从整形数构造 bitset<32> tmp("101"); //从包含1和0的字符串构造 二、位访问 bitset<32> tmp(256)

qq_43807092的博客 721

Tensorflow简单项目讲解

Tensorflow简单项目讲解 这里对Tensorflow就不在做具体介绍了,直接切入正题。 这是我毕业时做的一个毕业设计,基本实现方式就是通过自己通过爬虫等方式从网上获取数据集,然后对数据集进行清洗等工作,搭建深度神经网络进行训练,最后将训练好的模型用到一个python编写的GUI界面上,实现对输入图片的识别。 最后的识别效果如下图: 接下来我们来看一下具体实现。 第一步,数...

李鑫玉的博客 8172

快速卷积结构FIR数字滤波器的设计与ARM平台实现

本文提出了一种基于快速卷积结构的FIR数字滤波器设计与实现方案。通过Matlab设计了满足特定指标的低通FIR滤波器,采用重叠-保存法和重叠-相加法两种快速卷积算法,将计算复杂度从O(N·M)降低到O(NlogN)。详细介绍了滤波器系数生成、性能验证流程,并提供了ARM平台C语言实现的关键技术,包括定点量化处理。实验结果表明,该方法能有效滤除混合信号中的高频干扰,保留目标1kHz正弦信号,验证了设计方案的有效性。

huanghm88的专栏 126

学习+科研+做项目 深度学习最全详细资料

李宏毅2020机器学习深度学习(完整版)国语 [双语字幕]吴恩达深度学习deeplearning.ai 深度学习(卷积网络、循环神经网络、对抗神经网络、Tensorflow实战) 更多资料请关注公众号:计算机视觉与图形学实战 李宏毅2020机器学习深度学习(完整版)国语 目录 157.5万播放 P1 机器学习 37:08 P2 Rule of ML 2020 22:04 P3 Regression - Case Study 1:18:35 P4 Basic Concept 43:14

CSS360的博客 979

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

如何申报基于TensorFlow镜像的AI项目科研经费

基于官方TensorFlow镜像构建容器化实验环境,已成为提升AI科研项目可复现性与专业度的关键手段。通过Docker实现环境标准化,不仅解决依赖冲突、加速团队协作,还能在经费申报中展现技术规范性、研发效率与成果落地潜力,显著增强评审说服力。

weixin_42610671的博客 957

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

Tensorflow项目实战(一)--基本目录结构

TF 本博客旨在探索github科研项目的写法,从而达到能够快速理解科研项目和自己写科研项目的目的 前言: 初学者,比如我,很难读懂并理解github上作者的开源代码,以至于每次只能照办别人的代码,顶多就是把别人的搞到能跑,但这并不是所谓的代码复现,也很难对源码进行改进。 有的人说:看多了自然就懂了,写多了自然就会了。其实不然,纵然把网上Tensorflow的AlexNet,VGG等看懂,学...

youcanyouup 2857

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

【深度学习】一文教会从零开始搭建TensorFlow环境(超详细)

【前言】随着人工智能的飞速发展,深度学习相关技术已经逐步与各行各业的智能化发展紧密融合,卷积神经网络(Convolutional Neural Network,CNN)作为取得了巨大成功的深度学习模型,得以广泛应用。本文将从Python安装开始教大家安装TensorFlow,并使用CUDA进行GPU加速。

qq_46315152的博客 4446

深度学习常见框架:TensorFlow 与 PyTorch 简介与对比

本文系统介绍了当前深度学习领域最主流的两个框架 —— TensorFlow 与 PyTorch。文章从发展背景、核心理念、主要组件、应用场景等方面,逐一解析它们的特性与差异,帮助读者全面了解各自的优势与使用场景。 重点内容包括: ✅ TensorFlow 由 Google 推出,具备强大的工程部署能力,适合大规模模型训练与跨平台部署; 🔶 PyTorch 源于 Meta(Facebook),以灵活易用、Pythonic 编程体验著称,广受研究与教育界青睐; 🔍 对比了二者在计算图结构、调试体验、

博客虽小,世界尽在其中 9527

科研过程使用到的一些深度学习笔记

PyTorch:适合学术研究、快速原型开发和需要高灵活性的项目。对于希望快速进行实验并获得实时反馈的用户,PyTorch是一个理想选择。· TensorFlow:适合生产环境、大规模分布式训练、移动设备和Web应用。对于需要标准化、可复现性和强大模型部署能力的用户,TensorFlow提供了更全面的解决方案。

m0_51730146的博客 1261

​​​​​​​TensorFlow科研服务器配置指南

其优化的计算图执行模式,能智能调配资源,加速计算流程。以百亿参数的语言模型为例,通过分布式训练策略,TensorFlow能高效整合多台服务器的算力,实现参数快速更新,缩短训练时间,促使模型快速收敛,显著提升研发效率。唯有如此,才能让TensorFlow在深度学习与大模型研发中充分发挥其优势,助力科研人员高效产出成果,推动AI技术稳步前行。然而,随着迭代升级,面对大规模数据集和复杂模型,配置需求也随之提升。TensorFlow,作为深度学习领域的核心引擎,其性能与科研服务器的配置息息相关。

finehoo_andy的博客 640

一文读懂:Keras、TensorFlow、PyTorch 科研服务器配置要求对比

CPU 负责数据预处理等任务,内存影响模型训练稳定性,GPU 是深度学习训练的加速关键,磁盘要存储大量数据,操作系统影响框架运行,网络在团队协作或分布式训练时至关重要。灵活性高,可在多个平台运行,支持多种编程语言,所以在工业界的大规模应用里表现优异,像谷歌的语音识别、图像搜索产品都用到了它。的 API 简洁,新手容易上手,适合快速搭建模型做原型验证,简单图像分类任务中,能快速构建并验证思路,很适合初学者。在团队协作或分布式训练时,三者都需要千兆或万兆以太网,保证数据快速传输,避免网络延迟影响训练效率。

mike_leeso的博客 1159

PyTorch与TensorFlow的对比:哪个框架更适合你的项目?

PyTorch和TensorFlow都是深度学习框架,它们为构建、训练和部署神经网络提供了强大的工具。尽管它们的最终目标相同,但其设计哲学和实现方式有所不同。PyTorch:由 Facebook 的人工智能研究部门(FAIR)开发。它的特点是动态图(dynamic computation graph),即计算图是动态生成的,因此更适合用于研究和实验,代码调试更灵活,易于理解和修改。TensorFlow:由 Google 开发,是一个静态计算图的框架,意味着在运行前必须定义好计算图。

qq_43580271的博客 3165

深度学习圈常见的 TensorFlow、PyTorch、Transformer、transformers,到底有什么区别?

本文梳理了深度学习领域的四个关键概念:TensorFlow和PyTorch是底层框架,分别由Google和Meta开发,前者侧重工业部署,后者更适合科研;Transformer是一种基于注意力机制的神经网络架构;Hugging Face的transformers库则是基于Transformer的高层预训练模型库。四者关系可概括为:框架提供基础工具,Transformer定义架构,transformers库封装现成模型。当前PyTorch在科研界占主导,TensorFlow在工业部署中仍有优势,但PyTorc

yuanmomoya的博客 2070

Tensorflow可以做什么----谷歌大牛告诉你

  编辑 | 明明   1月19日,在极客公园创新者大会IF2018的现场,Google Brain首席工程师陈智峰发表题为:《找答案从定义问题开始 ——TensorFlow 可以用来做什么?》的演讲,分享了Google Brain最近一年到两年时间里面的研究方向,以及在TensorFlow方面的一些工作、成果、进展。以下为演讲实录:     深度学习   深度学习这几年非常流...

qq_38361726的博客 1万+

PyTorch还是TensorFlow?2025最新深度学习框架对比与选择指南

2025年深度学习框架选择指南:PyTorch 3.0和TensorFlow 3.0性能趋同,但各有侧重。PyTorch保持动态图灵活性,新增torch.compile显著提升部署性能;TensorFlow默认动态图但静态图仍领先5-15%。核心差异:PyTorch API更Pythonic,TensorFlow在分布式训练和移动端部署更成熟。场景建议:研究用PyTorch,量产选TensorFlow,复杂项目可双框架协作(成功率92%)。未来趋势是MLIR统一中间层和云IDE支持双运行时。2025年最佳实

2501_91624122的博客 4390

科研协作平台搭建:共享TensorFlow算力资源池

针对科研机构中算力分配不均的问题,通过搭建基于TensorFlow的共享算力平台,实现资源高效利用与多团队协作。依托其计算图优化、分布式训练容错和可视化监控能力,结合容器化与集群调度技术,打造稳定、可复现、易运维的AI科研基础设施。

weixin_42601547的博客 620
上一篇: 学习+科研+做项目 PyTorch最详细视频讲解
下一篇: 学习+做项目+科研 Keras详细讲解-视频
元宇宙MetaAI
博客等级 码龄10年 331粉丝 333原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值