he_wen_jie的博客

import numpy as npimport tensorflow as tf def sigmoid(x): return 1.0/(1+np.exp(-x)) labels=np.array([[1.,0.,0.],[0.,1.,0.],[0.,0.,1.],[0.,1.,0.]])logits=np.array([[1.,2.,3.],[4.,5.,6.],[7.,8.,9.],[1.,3.,7.]])y_pred = sigmoid(logits)# 说正负样本不太合适.

RNN是什么样子呢？网上一大堆我就不重复了，我这里大致画了一个展开形式的 那输入是什么样子呢？比如一句话“有趣的灵魂重两百斤”，计算机不认识字的，只认识数字。我们将每个字按照字典的位置编码，假如字典有1000个字，“有”这个字再字典的第100个位置，“趣”在字典的第107个位置，依次类推，我们可以将这句话编码成(我瞎写的)[100,107,109,111,245,345,567,78...

1. TF为什么使用静态图首先要说的是这里的tensorflow版本是1.x，2.x的我还没有仔细研究过静态图意味着计算图的构建和实际计算是分开的，静态图会事先定义好整个运算流，这样之后再次运行的时候就不需要重新构建计算图了，因此速度会比动态图更快，从性能上来说会更加高效。但这也意味着程序和编译器执行期间存在着gap，代码的错误很难发现。无法向动态图一样随时可以获取中间结果。tensorflow就是先定义好整个计算流，然后再对数据进行计算。a. 静态图静态图其实就是两个部分，把神经网络整个计算流

使用tensor.shape只会获取静态的shape:a = tf.placeholder(tf.float32, [None, 128]) # returns [None, 128]a.shape.as_list()# [None, 128]如果想要获取动态的shape，需要使用tf.shape()：tensr = tf.constant([[1, 2, 3, 4, 5], [2, 3, 4, 5, 6]])tensr.shape# TensorShape([Dimension(2),

模型创建加载数据这里是对tensorflow的学习，所以没有什么特别有意义的数据，我是使用sklearn生成的二分类数据 sklearn.datasets.make_classification(n_samples=100, n_features=20, n_informative=2, n_redundant=2, n_repeated=0, n_classes=2, n_clu...

Lenet5的模型import numpy as npimport tensorflow as tftf.logging.set_verbosity(tf.logging.INFO)# Our application logic will be added heredef model_fn(features, labels, mode): training = mod...

tvars = tf.trainable_variables() # 得到所有训练的变量，这些变量才会有梯度all_grads = tf.gradients(self.loss, tvars) # 求得loss对所有变量的梯度grads, _ = tf.clip_by_global_norm(all_grads, grad_clip) # 将所有梯度乘以比例train_op = tf.tra...

先上一个seq2seq的图片，有几点需要注意这是两个RNN，编码RNN会将一个序列最后的状态作为解码RNN的初始状态编码的RNN我们是不需要输出，主要是没啥用，但是attention的时候需要 解码的RNN是有输入的上图的例子就是，一个输入序列是[A,B,C]，原始标签是[W,X,Y,Z]，编码是我们将序列[A,B,C]依次输入到编码RNN，输完之后得到最终的状态C，解码RNN...

import tensorflow as tfimport matplotlib.pyplot as pltfrom sklearn import datasetsx_data, y_data = datasets.make_regression(n_features=1, noise=10)x_train = tf.placeholder(tf.float32, [None, 1])y_tr

import matplotlib.pyplot as pltfilename = '1.jpg'with tf.gfile.FastGFile(filename,'rb') as f: image_buffer = f.read()image = tf.image.decode_jpeg(image_buffer)with tf.Session() as sess: im...

# -*- coding: utf-8 -*-import tensorflow as tffilename = '2.jpg'with tf.gfile.FastGFile(filename,'rb') as f: image_data = f.read()with tf.Session() as sess: image = sess.run(image_data)...

这是原始的数据，假设是一个图片(height,width,channel)(height,width,channel)(height,width,channel)，可以看作是一个三维数组 从每行的方向看去，第一维有height个元素，第二维有width个元素，第三维有channel个元素。...

又是一片水文 首先就是读取文件名称了标签了，我这里就是简单的猫狗识别数据集def _find_image_files(data_dir, labels_file): jpeg_file_path = '%s/*.jpg' % (data_dir) #文件路径 matching_files = tf.gfile.Glob(jpeg_file_path)#搜寻这个路径下的所有...

超级简述版import osimport tensorflow as tffrom skimage.io import imreadimport numpy as npdata_path = 'uu'tf_data_path = 'uu/tf_data/'def _bytes_feature(value): return tf.train.Feature(byt...

import tensorflow as tfimport numpy as npdef _int64_feature(value): if not isinstance(value,list): value = [value] return tf.train.Feature(int64_list=tf.train.Int64List(value=value)...

seq2seq没什么可说的，这里只是使用tensorflow 1.8最新的seq2seq接口。第一步肯定就是数据了，我们随机生成n个序列，然后将数据重写为tfrecords格式，tf.dataset进行读取数据输入到seq2seq中，标签和数据一样，也就是说我们希望seq2seq能学会输入（感觉在做AutoEncoder）。1. 序列生成序列的长度是不确定的，范围在[length_fr...

第一步就是下载数据集了，作者使用的是LDC93S1数据集，一个wav的音频，一个txt的标签。其实只有一句话0 1 She had your dark suit in greasy wash water all year.前两个数字我也不知道啥意思，反正没有用到。 导入需要的包from six.moves.urllib.request import urlretrievefro...