- 博客(15)
- 收藏
- 关注
RSS订阅原创 自定义层的内容
自定义层自定义层小结 自定义层 灵活的构造学习块以适应不同的学习任务是成功的关键 不带参数的层 import tensorflow as tf class CenteredLayer(tf.keras.Model): def __init__(self): super().__init__() def call(self, inputs): return inputs - tf.reduce_mean(inputs) layer = CenteredL
2022-02-03 12:18:29
535
原创 一些卷积相关的知识
互相关运算 def corr2d(X, K): #@save """计算二维互相关运算""" h, w = K.shape Y = tf.Variable(tf.zeros((X.shape[0] - h + 1, X.shape[1] - w + 1))) for i in range(Y.shape[0]): for j in range(Y.shape[1]): Y[i, j].assign(tf.reduce_sum( .
2022-02-03 12:17:50
418
原创 从全连接层到卷积
文章目录从全连接层到卷积计算机视觉的神经网络架构小结 从全连接层到卷积 多层感知机十分适合处理表格数据，其中行对应样本，列对应特征，然而对于高维感知数据，这种缺少结构的网络可能会变得不实用。 如今人类和机器都能很好地区分猫和狗：这是因为图像中本就拥有丰富的结构，而这些结构可以被人类和机器学习模型使用。 卷积神经网络（convolutional neural networks，CNN）是机器学习利用自然图像中一些已知结构的创造性方法。 计算机视觉的神经网络架构 平移不变性（translation inv
2022-02-03 12:17:12
526
原创 读写文件(tensorflow)
文章目录读写文件(tensorflow)代码整理小结 读写文件(tensorflow) 代码整理 加载和保存张量 import numpy as np import tensorflow as tf x = tf.range(4) np.save('x-file.npy', x) 我们现在可以将存储在文件中的数据读回内存 x2 = np.load('x-file.npy', allow_pickle=True) 我们可以存储一个张量列表，然后把它们读回内存 y = tf.zeros(4) np.sav
2022-02-03 12:16:46
382
原创 GPU的使用说明
文章目录GPU的使用说明小结 GPU的使用说明 查看显卡信息 !nvidia-smi 计算设备 import tensorflow as tf tf.device('/CPU:0'), tf.device('/GPU:0'), tf.device('/GPU:1') 查询GPU数量 len(tf.config.experimental.list_physical_devices('GPU')) 张量与GPU 我们可以查询张量所在的设备。 默认情况下，张量是在CPU上创建的。 x = tf.const
2022-02-03 12:16:13
2134
原创 延后初始化
延后初始化简述小结 简述 到目前为止，我们忽略了建立网络时需要做的以下这些事情： 我们定义了网络架构，但没有指定输入维度。 我们添加层时没有指定前一层的输出维度。 我们在初始化参数时，甚至没有足够的信息来确定模型应该包含多少参数。 你可能会对我们的代码能运行感到惊讶。 毕竟，深度学习框架无法判断网络的输入维度是什么。 这里的诀窍是框架的延后初始化（defers initialization）， 即直到数据第一次通过模型传递时，框架才会动态地推断出每个层的大小。 实例化网络 import tensorfl
2022-02-02 16:43:33
656
原创 tensorflow参数访问
参数管理tensorflow 版参数初始化小结 tensorflow 版 我们首先看一下具有单隐藏层的多层感知机 import tensorflow as tf net = tf.keras.models.Sequential([ tf.keras.layers.Flatten(), tf.keras.layers.Dense(4, activation=tf.nn.relu), tf.keras.layers.Dense(1), ]) X = tf.random.uniform
2022-02-02 16:19:45
495
原创 model - construction
层和块model - construction小结 model - construction 我们先回顾一下多层感知机 import tensorflow as tf net = tf.keras.models.Sequential([ tf.keras.layers.Dense(256, activation=tf.nn.relu), tf.keras.layers.Dense(10), ]) X = tf.random.uniform((2, 20)) net(X) 自定义块 cl
2022-02-02 15:45:19
496
原创 softmax简洁实现
softmax简洁实现代码部分小结 代码部分 import tensorflow as tf from d2l import tensorflow as d2l batch_size = 256 train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)` net = tf.keras.models.Sequential() net.add(tf.keras.layers.Flatten(input_shape=(28, 28)))
2022-02-02 15:24:24
1123
原创 softmax 回归实现
softmax 回归实现代码部分小结 代码部分 引入Fashion-MNIST数据集 import tensorflow as tf from IPython import display from d2l import tensorflow as d2l 设置数据批量大小 batch_size = 256 train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size) 初始化模型参数 num_inputs = 784 num_output
2022-02-02 15:07:14
693
原创 简洁的线性回归实现
简洁的线性回归实现代码部分小结 代码部分 import numpy as np import tensorflow as tf from d2l import tensorflow as d2l 生成数据集 true_w = tf.constant([2, -3.4]) true_b = 4.2 features, labels = d2l.synthetic_data(true_w, true_b, 1000) 读取数据集（调用框架中现有的API来读取数据） def load_array(data_a
2022-02-02 14:28:44
583
原创 从零开始线性回归
从零开始线性回归一. 线性回归小结 一. 线性回归 %matplotlib inline import random import tensorflow as tf from d2l import tensorflow as d2l ###################### #生成数据集 def synthetic_data(w, b, num_examples): #@save """生成y=Xw+b+噪声""" X = tf.zeros((num_examples, w.shape
2022-02-02 14:12:29
815
原创 图像分类数据集的读取
图像分类数据集 (MNIST数据集) :cite:LeCun.Bottou.Bengio.ea.1998 (是图像分类中广泛使用的数据集之一，但作为基准数据集过于简单。 我们将使用类似但更复杂的Fashion-MNIST数据集) :cite:Xiao.Rasul.Vollgraf.2017。 #安装d2l库，（jupyter notebook） ! pip install d2l ! pip install matplotlib==2.2.3 %matplotlib inline import tenso
2022-02-02 13:27:07
856
原创 softmax回归
softmax 回归一.介绍分类问题网络架构softmax 运算损失函数对数似然softmax及其导数交叉熵损失信息论基础熵差异(surprisal)重新审视交叉熵模型预测和评估小结 一.介绍 分类问题 我们从一个图像分类问题开始。 假设每次输入是一个 2×2 的灰度图像。 我们可以用一个标量表示每个像素值，每个图像对应四个特征 x1,x2,x3,x4 。 此外，假设每个图像属于类别“猫”，“鸡”和“狗”中的一个。 如何表示标签: 最直接的想法是选择y∈{1,2,3}y \in \{1, 2, 3\}y∈
2022-02-02 11:30:25
3057
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人