bubid的博客

TensorFlow自学笔记-07 基于官方文档 多层感知机 TensorFlow 支持自动求导，可以使用 TensorFlow 优化器来计算和使用梯度。它使用梯度自动更新用变量定义的张量。本节将使用 TensorFlow 的一些强大功能，如 Contrib（层）来定义神经网络层及使用 TensorFlow 自带的优化器来计算和使用梯度。通过前面的学习，我们已经知道如何使用 TensorFlow 的优化器。Contrib 可以用来添加各种层到神经网络模型，如添加构建块。 对于分类任务，最好使用交叉熵损失函

TensorFlow自学笔记-06 基于官方文档 反向传播 import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets("MNIST_data/", one_hot=True) n_input = 784 n_classes = 10 max_epochs = 10000 learning_rate = 0.5 batch_s

TensorFlow自学笔记-05 基于官方文档 多元线性回归 在 TensorFlow 实现简单线性回归的基础上，可通过在权重和占位符的声明中稍作修改来对相同的数据进行多元线性回归。 在多元线性回归的情况下，由于每个特征具有不同的值范围，归一化变得至关重要。 ...

TensorFlow自学笔记-04 基于官方文档 简单线性回归 对波士顿房价数据集的房间数量采用简单线性回归，目标是预测在最后一列给出的房价。 import tensorflow as tf import numpy as np import matplotlib.pyplot as plt # 定义归一化函数 def normalize(X): mean = np.mean(X) std = np.std(X) X = (X - mean)/std return X

TensorFlow自学笔记-03 基于官方文档 矩阵基本操作 矩阵运算，例如执行乘法、加法和减法，是任何神经网络中信号传播的重要操作。通常在计算中需要随机矩阵、零矩阵、一矩阵或者单位矩阵。 import tensorflow as tf # 开启一个交互式会话 sess = tf.InteractiveSession() # 创建一个对角阵 I_matrix = tf.eye(5) print(I_matrix.eval()) # 创建一个变量 X = tf.Variable(tf.eye(10))

TensorFlow自学笔记-02 基于官方文档 常量、变量、占位符常量变量占位符 常量 声明： import tensorflow as tf # 标量常量 t1 = tf.constant("welcome") # 多维常量向量 t2 = tf.constant([1, 2, 3]) # 全零张量 t3 = tf.zeros([3, 3], tf.int32) # 全一张量 t4 = tf.ones([3, 3], tf.int32) # 创建与现有数组或张量常量维度相同的张量常量 t5 = tf.z

TensorFlow自学笔记 - 基于官方文档 01 helloworldTensorFlow程序复现 TensorFlow 深度学习已经在更大领域变成了基本的算法。四年前，正上大学的我突然发现了Python语言，这一号称宇宙最简单的语言抓住了我的眼球，也开始了学习之旅。学着学着发现，对Python的学习逐渐被对包的学习而取代。两年前，我进入研究生的学习生涯，在导师问我想要做的研究方向时，我说我想做图像处理，可是我导师是做测量的，于是对深度学习的学习就变成了一个自己的爱好。两年的时间，日子在游戏中度过，而深