<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Fwuyi的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Fwuyi</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Fwuyi]]></copyright><item><title><![CDATA[1.1操作数据库、表、字段]]></title><link>https://blog.youkuaiyun.com/Fwuyi/article/details/129664859</link><guid>https://blog.youkuaiyun.com/Fwuyi/article/details/129664859</guid><author>Fwuyi</author><pubDate>Mon, 20 Mar 2023 12:40:57 +0800</pubDate><description><![CDATA[date数据类型使用时需要加单引号，不然显示data truncation。column的增加一般是批量增加，values后面的字段列表用逗号区别。改完表之后不会在表中立刻显示，需要刷新一下。数据库和表可以通过可视化界面完成；]]></description><category></category></item><item><title><![CDATA[visio]]></title><link>https://blog.youkuaiyun.com/Fwuyi/article/details/126337612</link><guid>https://blog.youkuaiyun.com/Fwuyi/article/details/126337612</guid><author>Fwuyi</author><pubDate>Sun, 14 Aug 2022 22:38:33 +0800</pubDate><description><![CDATA[visio插入mathtype。mathtype转latex。visio加法器、乘法器。visio绘制圆角矩阵。]]></description><category></category></item><item><title><![CDATA[tf.data.Dataset.map()]]></title><link>https://blog.youkuaiyun.com/Fwuyi/article/details/125982515</link><guid>https://blog.youkuaiyun.com/Fwuyi/article/details/125982515</guid><author>Fwuyi</author><pubDate>Mon, 25 Jul 2022 20:36:08 +0800</pubDate><description><![CDATA[接受函数fun，Dataset中的每个数据都会被作为这个函数的参数进行计算输出，组成新的。tf.data.Dataset.map(fun)map的参数是一个函数fun。]]></description><category></category></item><item><title><![CDATA[tf.data.Dataset.from_tensor_slices]]></title><link>https://blog.youkuaiyun.com/Fwuyi/article/details/125974197</link><guid>https://blog.youkuaiyun.com/Fwuyi/article/details/125974197</guid><author>Fwuyi</author><pubDate>Mon, 25 Jul 2022 19:29:36 +0800</pubDate><description><![CDATA[数组转换成tensorflow的dataset，因为只有dataset才能被model.fit函数训练。进行切分，生成该tensor的切片数据集dataset。被在第0维切分成了5个不同tf.Tensor。对传入的tensor在第一个。ndarray类型的。将python列表和。...]]></description><category></category></item><item><title><![CDATA[tf.squeeze]]></title><link>https://blog.youkuaiyun.com/Fwuyi/article/details/125902251</link><guid>https://blog.youkuaiyun.com/Fwuyi/article/details/125902251</guid><author>Fwuyi</author><pubDate>Wed, 20 Jul 2022 22:44:37 +0800</pubDate><description><![CDATA[可以通过指定axis来删除特定维度1的维度如values为shape([1,2,1,3,1,1])，经历tf.squeeze(values,[0])，shape变成([2,1,3,1,1])压缩这个张量如values为shape([1,2,1,3,1,1])，经历tf.squeeze(values)，shape变成([2,3])]]></description><category></category></item><item><title><![CDATA[keras自定义loss]]></title><link>https://blog.youkuaiyun.com/Fwuyi/article/details/125166195</link><guid>https://blog.youkuaiyun.com/Fwuyi/article/details/125166195</guid><author>Fwuyi</author><pubDate>Sun, 17 Jul 2022 21:59:11 +0800</pubDate><description><![CDATA[算‘myself_loss’,x2和trainY2算‘myself_loss’,x3和trainY3算‘myself_loss’，而模型的输入是。如果有多个loss，那么loss_weights对应每个loss的权重，最后输出loss的和。loss损失函数是编译模型model.compile时所需的参数之一，可以用损失函数名或者。Keras会为Model的每一个输出out构建一个loss，这些loss之间无法交互。同时，Model中每一个outut都必须在fit()有对应的y_ture。..........]]></description><category></category></item><item><title><![CDATA[tf.stop_grandient]]></title><link>https://blog.youkuaiyun.com/Fwuyi/article/details/125772978</link><guid>https://blog.youkuaiyun.com/Fwuyi/article/details/125772978</guid><author>Fwuyi</author><pubDate>Sat, 16 Jul 2022 17:00:59 +0800</pubDate><description><![CDATA[对evalnet的参数更新是通过MSE+GD来更新的，而MSE的计算将用到targetnet对下一状态的估值，通常的做法是对evalnet设置一个placeholder，也即引入一个输入，用这个placeholder计算loss。的特点是，只需要通过Tensor变量(可以看作是自己给出的输入数据)构建Graph，和相应的优化目标loss（也可以看作Graph的一部分），当调用优化器去minimizeloss时，优化器会根据loss中所涉及的变量，自动进行BP，对所有的相关变量进行参数更新。...]]></description><category></category></item><item><title><![CDATA[tf.compat.v1.losses.hinge_loss]]></title><link>https://blog.youkuaiyun.com/Fwuyi/article/details/125751203</link><guid>https://blog.youkuaiyun.com/Fwuyi/article/details/125751203</guid><author>Fwuyi</author><pubDate>Tue, 12 Jul 2022 21:39:31 +0800</pubDate><description><![CDATA[在训练过程中增加了hinge loss。


labels和 logits具有相同的shape。]]></description><category></category></item><item><title><![CDATA[维度和axis]]></title><link>https://blog.youkuaiyun.com/Fwuyi/article/details/125746194</link><guid>https://blog.youkuaiyun.com/Fwuyi/article/details/125746194</guid><author>Fwuyi</author><pubDate>Tue, 12 Jul 2022 20:00:05 +0800</pubDate><description><![CDATA[1 如何看shape：看括号


从[[[[可知是四维向量，第一个 [ 不看，第二个[ 括号的个数为1，第三个[ 括号的个数为2，第四个[ 括号的个数为3，括号里有四个数。故shape为[1,2,3,4]。2如何看axis：看shape，看括号








 拓展维度: tf.expand_dims()_GungnirsPledge的博客-优快云博客_tf 扩展维度...]]></description><category></category></item><item><title><![CDATA[tf.expand_dims]]></title><link>https://blog.youkuaiyun.com/Fwuyi/article/details/125745980</link><guid>https://blog.youkuaiyun.com/Fwuyi/article/details/125745980</guid><author>Fwuyi</author><pubDate>Tue, 12 Jul 2022 19:45:50 +0800</pubDate><description><![CDATA[这个函数根据axis在原本的tensor的某个维度上增加1维。例1：





 tf.shape(tf.expand_dims(t, 0))，在axis=0的括号处首尾对应加[ ]


tf.shape(tf.expand_dims(t, 1))，在axis=1的括号处首尾对应加[ ] 


tf.shape(tf.expand_dims(t, 2))，在axis=2的括号处首尾对应加[ ] ，即在axis = -1 上加维度,那么就是每个元素加括号


拓展维度: tf.expand_dims()_Gu]]></description><category></category></item><item><title><![CDATA[keras.layers.RNN（cell）]]></title><link>https://blog.youkuaiyun.com/Fwuyi/article/details/125731130</link><guid>https://blog.youkuaiyun.com/Fwuyi/article/details/125731130</guid><author>Fwuyi</author><pubDate>Tue, 12 Jul 2022 11:22:26 +0800</pubDate><description><![CDATA[tf.compat.v1.nn.dynamic_rnn ：已弃用


tf.keras.layers.RNN：更新]]></description><category></category></item><item><title><![CDATA[tf.compat.v1.nn.rnn_cell.BasicLSTMCell]]></title><link>https://blog.youkuaiyun.com/Fwuyi/article/details/125680217</link><guid>https://blog.youkuaiyun.com/Fwuyi/article/details/125680217</guid><author>Fwuyi</author><pubDate>Fri, 08 Jul 2022 17:42:21 +0800</pubDate><description><![CDATA[可能已经弃用，现在用的是 tf.compat.v1.nn.rnn_cell.LSTMCell 


tf.compat.v1.nn.rnn_cell.LSTMCell


    num_units,LSTM单元数]]></description><category></category></item><item><title><![CDATA[tf.compat.v1.placeholder]]></title><link>https://blog.youkuaiyun.com/Fwuyi/article/details/125679823</link><guid>https://blog.youkuaiyun.com/Fwuyi/article/details/125679823</guid><author>Fwuyi</author><pubDate>Fri, 08 Jul 2022 15:50:54 +0800</pubDate><description><![CDATA[1 placeholder是占位符，相当于定义了一个变量，提前分配了需要的内存。但只有启动一个session，程序才会真正的运行。建立session后，通过feed_dict()函数向变量赋值。2 定义


  dtype数据类型、shape数据形状、name名称3 实例...]]></description><category></category></item><item><title><![CDATA[tf.device]]></title><link>https://blog.youkuaiyun.com/Fwuyi/article/details/125660997</link><guid>https://blog.youkuaiyun.com/Fwuyi/article/details/125660997</guid><author>Fwuyi</author><pubDate>Thu, 07 Jul 2022 15:55:49 +0800</pubDate><description><![CDATA[device_name:要在上下文中使用的设备名称。


指定使用设备。]]></description><category></category></item><item><title><![CDATA[return true]]></title><link>https://blog.youkuaiyun.com/Fwuyi/article/details/125659156</link><guid>https://blog.youkuaiyun.com/Fwuyi/article/details/125659156</guid><author>Fwuyi</author><pubDate>Thu, 07 Jul 2022 15:50:44 +0800</pubDate><description><![CDATA[return 表达式 / return结束函数执行，返回调用函数，而且把表达式的值作为函数的结果return true：相当于执行符，继续执行下面语句return false：相当于终止符，干了3件事，阻止默认行为，取消事件冒泡，以及停止回调执行立即返回；...]]></description><category></category></item><item><title><![CDATA[items()]]></title><link>https://blog.youkuaiyun.com/Fwuyi/article/details/125658585</link><guid>https://blog.youkuaiyun.com/Fwuyi/article/details/125658585</guid><author>Fwuyi</author><pubDate>Thu, 07 Jul 2022 14:30:53 +0800</pubDate><description><![CDATA[items() 函数以列表返回可遍历的 元组( 由键, 值组成)例1]]></description><category></category></item><item><title><![CDATA[argparse]]></title><link>https://blog.youkuaiyun.com/Fwuyi/article/details/125655144</link><guid>https://blog.youkuaiyun.com/Fwuyi/article/details/125655144</guid><author>Fwuyi</author><pubDate>Thu, 07 Jul 2022 11:19:02 +0800</pubDate><description><![CDATA[argparse包]]></description><category></category></item><item><title><![CDATA[tf.reset_default_graph]]></title><link>https://blog.youkuaiyun.com/Fwuyi/article/details/125637504</link><guid>https://blog.youkuaiyun.com/Fwuyi/article/details/125637504</guid><author>Fwuyi</author><pubDate>Wed, 06 Jul 2022 13:02:15 +0800</pubDate><description><![CDATA[执行三次：


会不断产生新的张量，加上tf.reset_default_graph()，在每次运行时会清空变量。


 执行三次：


不会产生新的张量。]]></description><category></category></item><item><title><![CDATA[tf.layers.dense]]></title><link>https://blog.youkuaiyun.com/Fwuyi/article/details/125637159</link><guid>https://blog.youkuaiyun.com/Fwuyi/article/details/125637159</guid><author>Fwuyi</author><pubDate>Wed, 06 Jul 2022 12:30:27 +0800</pubDate><description><![CDATA[全连接层fc 


● inputs:输入
● units: 输出维数
● activation: 使用什么激活函数（神经网络的非线性层），
● use_bias: 该层是否使用偏差（默认使用True）
● kernel_initializer:权重矩阵的初始化函数。 如果为None（默认值），则使用tf.get_variable使用的默认初始化程序初始化权重。
● bias_initializer:bias的初始化函数。
● kernel_regularizer：权重矩阵的正则函数。
● bias_reg]]></description><category></category></item><item><title><![CDATA[tf.sigmoid]]></title><link>https://blog.youkuaiyun.com/Fwuyi/article/details/125637093</link><guid>https://blog.youkuaiyun.com/Fwuyi/article/details/125637093</guid><author>Fwuyi</author><pubDate>Wed, 06 Jul 2022 12:08:51 +0800</pubDate><description><![CDATA[tf.sigmoid 别名 tf.nn.sigmoid]]></description><category></category></item></channel></rss>