huahuazhu的博客

安装前提：已经安装了anaconda3。1、利用Anaconda创建一个python3.6的环境，环境名称为tensorflow ，输入下面命令：conda create –n tensorflow python=3.6。如下图所示，已经创建成功。2、启动tensorflow环境，使用命令：source activate tensorflow3、使用pip installt

原文地址http://www.cnblogs.com/flyu6/p/5555161.html整体介绍使用 TensorFlow, 你必须明白 TensorFlow:使用图 (graph) 来表示计算任务.在被称之为 会话 (Session) 的上下文 (context) 中执行图.使用 tensor 表示数据.通过 变量 (Variable) 维护状态.使

tf.nn.embedding_lookup(params,ids, partition_strategy=’mod’, name=None, validate_indices=True,max_norm=None)根据ids中的id，寻找params中的对应元素,可以理解为索引，所以ids中元素值不能超出params的第一维的维数值。比如，ids=[1,3,5]，则找出params中下标

1. 引言之前介绍了文本检测中的CTPN方法，详情可参见《CTPN文本检测与tensorflow实现》，虽然该方法在水平文本的检测方面效果比较好，但是对于竖直文本或者倾斜的文本，该方法的检测就很差，因此，在该方法之后，很多学者也提出了各种改进方法，其中，有一篇比较经典的就是旷世科技在2017年提出来的EAST模型，论文的全称为《EAST: An Efficient and Accurat...

折腾了一天多TensorFlow-GPU的坑，安装了两次cuda。本篇基于NVIDIA GeForce MX150 安装 CUDA,cuDNN,Python(anaconda)TensorFlow-GPU（Windows10操作系统）安装顺序： 查看配置环境 —> CUDA Toolkit —> cuDNN —> Visual Studio 2015 Communi...

本笔记主要参考了红色石头的笔记，在此表示感谢。本课程对应的作业，本人已翻译，放在github上，地址如下：https://github.com/fuhuaxu/deeplearning-ai-assignment/tree/master/lesson1上节课我们主要介绍了浅层神经网络。首先介绍神经网络的基本结构，包括输入层，隐藏层和输出层。然后以简单的2 layer NN为例，详...

本课程对应的作业，本人已翻译，放在github上，地址如下：https://github.com/fuhuaxu/deeplearning-ai-assignment/tree/master/lesson1上节课我们主要介绍了向量化、矩阵计算的方法和python编程的相关技巧。并以逻辑回归为例，将其算法流程包括梯度下降转换为向量化的形式，从而大大提高了程序运算速度。本节课我们将从浅层...

本笔记参考了黄海广博士和红色石头的笔记内容。本课程对应的作业，本人已翻译，放在github上，地址如下：https://github.com/fuhuaxu/deeplearning-ai-assignment/tree/master/lesson1上节课我们主要介绍了逻辑回归，以输出概率的形式来处理二分类问题。我们介绍了逻辑回归的Cost function表达式，并使用梯度下降...

本笔记参考了黄海广博士和红色石头的笔记。本课程对应的作业，本人已翻译，放在github上，地址如下：https://github.com/fuhuaxu/deeplearning-ai-assignment/tree/master/lesson1上节课我们主要对深度学习（Deep Learning）的概念做了简要的概述。我们先从房价预测的例子出发，建立了标准的神经网络（Neura...

转载地址：http://blog.youkuaiyun.com/u011500062/article/details/51728830Saver的用法1. Saver的背景介绍    我们经常在训练完一个模型之后希望保存训练的结果，这些结果指的是模型的参数，以便下次迭代的训练或者用作测试。Tensorflow针对这一需求提供了Saver类。Saver类提供了向check

函数参数run(    fetches,   feed_dict=None,    options=None,    run_metadata=None)tf.Session.run() 执行 fetches中的操作，计算 fetches 中的张量值。这个函数执行一步 TensorFlow 运算，通过运行必要的图块来执行每一个操作，并且计算每一个 fetches 中的张量的值，用相

安装前提：已经安装了Anaconda3（我安装的是Anaconda3-4.2.0-Windows-x86_64.exe）。TensorFlow目前在Windows下只支持Python 3.5版本。1、进入电脑的开始菜单中找到Anaconda3(64-bit)，然后点击下面的Anaconda Prompt。 我们要在Anaconda Prompt中利用Anaconda创建

转载地址：深度学习之卷积神经网络CNN及tensorflow代码实现示例http://blog.youkuaiyun.com/cxmscb/article/details/71023576一、CNN的引入在人工的全连接神经网络中，每相邻两层之间的每个神经元之间都是有边相连的。当输入层的特征维度变得很高时，这时全连接网络需要训练的参数就会增大很多，计算速度就会变得很慢，例如一

正常情况下，使用tf.initialize_all_variables()初始化变量，在完全构建好模型并加载之后才运行这个操作。生成数据的主要方法如下1）如果需要利用已经初始化的参数给其他变量赋值TF的变量有个initialized_value()属性，就是初始化的值，使用方法如下： 1 2 3 4 5 6#

转载博客：http://blog.youkuaiyun.com/phdat101/article/details/523506111.概念graph：图，表示具体的计算任务session：会话，图需要在会话中执行，一个会话可以包含很多图tensor：张量，在此表示数据，类型是numpy::ndarrayvariable：就是本意变量，图的重要组成

tf.nn.conv2d是TensorFlow里面实现卷积的函数。tf.nn.conv2d(input, filter, strides,padding, use_cudnn_on_gpu=None, name=None)除去name参数用以指定该操作的name，与方法有关的一共五个参数：第一个参数input：指需要做卷积的输入图像，它要求是一个Tensor，具有[batch,in_h

max pooling是CNN当中的最大值池化操作，其实用法和卷积很类似有些地方可以从卷积去参考【TensorFlow】tf.nn.conv2d是怎样实现卷积的？ tf.nn.max_pool(value, ksize, strides, padding, name=None)参数是四个，和卷积很类似：第一个参数value：需要池化的输入，一般池化层接在

转载博客：http://blog.youkuaiyun.com/mao_xiao_feng/article/details/53382790在计算loss的时候，最常见的一句话就是tf.nn.softmax_cross_entropy_with_logits，那么它到底是怎么做的呢？首先明确一点，loss是代价值，也就是我们要最小化的值tf.nn.softmax_cross

卷积神经网络CNN的理论部分直接看帖子：TensorFlow学习--卷积神经网络CNN卷积神经网络CNN的结构一般包含这几个层：输入层：用于数据的输入 卷积层：使用卷积核进行特征提取和特征映射 激活层：由于卷积也是一种线性运算，因此需要增加非线性映射。激活函数，并不是去激活什么，而是指如何把“激活的神经元的特征”通过函数把特征保留并映射出来（保留特征，去除一些数据中是的冗余），这是神经

一、 Dropout原理简述：tf.nn.dropout是TensorFlow里面为了防止或减轻过拟合而使用的函数，它一般用在全连接层。Dropout就是在不同的训练过程中随机扔掉一部分神经元。也就是让某个神经元的激活值以一定的概率p，让其停止工作，这次训练过程中不更新权值，也不参加神经网络的计算。但是它的权重得保留下来（只是暂时不更新而已），因为下次样本输入时它可能又得工作了。示意图如下

本课程笔记参考了黄海广博士和红色石头的笔记，加入了自己的理解。本课程对应的作业，本人已翻译，放在github上，地址如下：https://github.com/fuhuaxu/deeplearning-ai-assignment/tree/master/lesson11. What is a neural network?简单来说，深度学习（Deep Learning）就是更复杂的...