gldbys的博客

from __future__ import division,print_functionimport tensorflow as tfimport matplotlib.pyplot as pltimport numpy as np#导入mnist数据集from tensorflow.examples.tutorials.mnist import input_datamnist = input_data.read_data_sets('MNIST_data/',one_hot=True)

#1:导入需要用到的模块import tensorflow as tfimport tensorflow.contrib.layers as layersfrom sklearn import datasetsimport matplotlib.pyplot as pltfrom sklearn.model_selection import train_test_splitfrom sklearn.preprocessing import MinMaxScalerimport pandas

import tensorflow as tfimport tensorflow.contrib.layers as layersfrom tensorflow.python import debug as tf_debug#1:网络参数n_hidden = 30 #隐藏层的神经元数n_classes = 10 #mnist类别（0-9）n_input = 784 #mnist尺寸（28*28）#2:超参数batch_size = 200 #每批训练批量大小eta = 0.001

#1:导入所需的软件import tensorflow as tf'''获取mnist数据放在当前文件夹下，利用input_data函数解析该数据集train_img和train——label构成训练集，包含60000个手写体数字图片和对应的标签test_img和test_label表示测试集，包含10000个样本和10000个标签'''from tensorflow.examples.tutorials.mnist import input_datamnist = input_data.

上一篇使用tensorflow实现了简单的线性回归，这次在简单的线性回归基础上，通过在权重和占位符声明中修改来对相同的数据进行多元线性回归。同样以波士顿房价数据为例波士顿房价数据集可从http://lib.stat.cmu.edu/datasets/boston处获取。多元线性回归具体实现步骤1：导入需要的所有软件包2：因各特征的数据范围不同，需要归一化特征数据，为此定义一个归一化函数定义一个append_bias_reshape()函数，来将固定输入值和偏置结合起来3：加载数据集，并划分为

针对波士顿房价数据集采用简单线性回归，预测最后一列给出的房价波士顿房价数据集可从http://lib.stat.cmu.edu/datasets/boston处获取。实现简单线性回归的具体做法1：导入所需要的软件包2：在神经网络中，所有的输入都线性增加，为了使训练有效，输入应该被归一化，所以这里定义一个函数来归一化输入数据3：加载波士顿房价数据集，将其分解为X_train和Y_train，并对数据进行归一化处理4：为训练数据声明Tensorflow占位符5:创建Tensorflow的权重和偏置

tensorflow是第二代的人工智能学习系统，被多次的用于深度学习领域，但是tensorflow安装却令人很是头疼，（当然是指gpu版本），cpu版本的过于简单，在这里就不叙述。下面是gpu安装的具体步骤：1：检查自己电脑上gpu是否支持cudn，当然判断是否支持cudn也很简单粗暴，就是是不是英伟达的显卡就行了，当然你也可以去英伟达网站里面查找。具体网址：https://developer.nvidia.com/cuda-gpus2：下载并安装cudn：进入网站：https://develope

Session()方法 首先我们需要创建一个Session对象.在不传参数的情况下,该Session的构造器将启动默认的图.之后我们可以通过Session对象的run(op)来执行我们想要的操作。tensorflow的内核使用更加高效的C++作为后台，以支撑它的密集计算。tensorflow把前台(即python程序)与后台程序之间的连接称为"会话(Session)"。 Session作为会话，主要功能是指定操作对象的执行环境，Session类构造函数有3个可选...

               通俗理解卷积神经网络（cs231n与5月dl班课程笔记）   1 前言    2012年我在北京组织过8期machine learning读书会，那时“机器学习”非常火，很多人都对其抱有巨大的热情。当我2013年再次来到北京时，有一个词似乎比“机器学习...

1. 概述 梯度下降（gradient descent）在机器学习中应用十分的广泛，不论是在线性回归还是Logistic回归中，它的主要目的是通过迭代找到目标函数的最小值，或者收敛到最小值。 本文将从一个下山的场景开始，先提出梯度下降算法的基本思想，进而从数学上解释梯度下降算法的原理，解释为什么要用梯度，最后实现一个简单的梯度下降算...

参考知乎回答整理：https://www.zhihu.com/question/52398145 主要参考：https://www.zhihu.com/question/52398145/answer/209358209 基本概念： 损失函数：计算的是一个样本的误差 代价函数：是整个训练集上所有样本误差的平均 目标函数：代价函数 + 正则化项 实际应用： 损失函数和代价函数是同一个东西，目标函数是一个与他们相关但更广的概念，举例说明： 上面三...

2，30年前，那时候的我们一想到神经网络，就会想到生物神经系统中的数以亿计的细胞相互连接，将感官和反射器联系在一起。但是今天，你可能的第一反应却是电脑与电脑程序当中的人工神经网络，昔日复杂的动神经网络系统居然神奇的放入了计算机。而且人类正将这种人工神经系统推向更高的境界，今天的是世界早已布满了人工神经网络的身影。比如Google的搜索引擎，股票价格预测，机器人学习，围棋，家庭助手，等等等等，从金融到仿生样样都能运用，看起来人工神经网络的确很强大，但，是不是有这么一个问题一直伴随着你：计算机领域的神经网络和

机器学习是一帮计算机科学家想让计算机像人一样思考，所研发出来的计算机理论。在计算机科学家眼里看来，人和计算机其实并没有差别。同样都是一大批互相连接的 信息传递和存储元素所组成的系统。所以有了这样的想法，加上那批科学家得天独厚的数学功底，机器学习的前身也有孕育而生了，机器学习的萌芽诞生于19世纪60年代。20年前逐渐兴起，它是一门跨学科的交融。这里面包含了概率论，统计学等等学科。随着计算机硬件的提升，计算机运算速度的不断提高，它真正开始进入到我们的日常生活当中，而在不久的将来，我相信它也会成为我们生活中必