bigcindy的博客

SGD RMSprop Adam Adadelta Adagrad Adamax Nadam Ftrl

参考网址：https://keras.io/api/layers/activations/1. ReLU函数Relu函数的作用是求最大值，其公式为：在实数定义域内连续，但在0处不可微，但在实际应用中如果碰到0处求导的情况，默认直接让其导数等于0，这样就解决了0处不可导的问题。ReLU用于激活函数的优点是计算导数简单，如果X大于0，导数为1，如果X小于0，导数为0。tf.keras.activations.relu(x, alpha=0.0, max_value=None, thresh

TensorFlow有两个版本：CPU和GPU。GPU版本TensorFlow-GPU安装请参考：https://blog.youkuaiyun.com/Jwenxue/article/details/89300028本文介绍TensorFlow CPU版本的安装，使用python pip命令就可以安装TensorFlow：pip install tensorflow直接使用pip install tensorflow安装时由于服务器在国外，导致下载速度很慢很慢很慢，可能会报超时错误。因此可以指定国内

本文汇总了TensorFlow2中的所有损失函数：1. L1范数损失计算预测值与标签值之间的绝对误差的平均值：tf.keras.losses.MAE(y_true, y_pred)参数：y_true 标签值 y_pred 预测值 返回值：绝对误差的平均值。别名：tf.keras.losses.mae, tf.keras.losses.mean_absolute_error, tf.keras.metrics.MAE, tf.keras.metrics

图像分隔就是给图像中的每个像素分配一个标签，图像分隔的任务是训练一个神经网络来输出该图像对每一个像素的掩码。1. 导入所需的库import tensorflow as tfimport tensorflow_datasets as tfdsimport tensorflow_examples.models.pix2pix.pix2pix as pix2piximport matplotlib.pyplot as pltfrom IPython.display import clear_ou

本案例使用tf.image完成图像操作和预处理的过程，数据增强是防止过拟合的最常用的手段。1. 导入所需的库import tensorflow as tfimport numpy as npimport tensorflow_datasets as tfdsimport matplotlib as mplimport matplotlib.pyplot as plt%matplotlib inlinefrom PIL import Imagefor i in [tf,np,tfds

本案例使用预训练的模型对猫狗数据集进行分类任务。使用预训练的模型有两种方式：一是利用特征提取器。利用预训练模型的前几层对新数据进行特征提取，最后加入分类的层即可完成新模型的创建。 二是Fine Tuning。解冻冻结模型的几个顶层，并同时训练新添加的分类器层和预训练模型的最后一层，使得通过微调基本模型中的高阶特征表示，达到特定分类任务的目的。1. 导入所需的库import tensorflow as tfimport tensorflow_datasets as tfdsimport ..

TensorFlow Hub共享了许多预训练好的模型组件。本案例主要内容：通过tf.keras使用TensorFlow Hub 使用TensorFlow Hub完成图像分类任务 完成简单的迁移学习1. 导入所需的库import tensorflow as tfimport tensorflow_hub as hubimport matplotlib.pylab as pltimport numpy as npfrom PIL import Imagefor i in [tf,

本案例使用TensorFlow2高级API完成猫狗数据集中猫和狗的分类任务，主要内容或采用的方法有：数据预处理：tf.keras.preprocessing.image.ImageDataGenerator 防止过拟合 数据增强和drop1. 导入所需的库import tensorflow as tfimport numpy as npimport matplotlib.pyplot as pltimport osfor i in [tf, np]: print(i.__n

1. 导入所需的库import tensorflow as tfimport matplotlib.pyplot as pltfor i in [tf]: print(i.__name__,": ",i.__version__,sep="")输出：tensorflow: 2.2.02. 下载并导入数据cifar10数据集(train_images, train_labels),(test_images, test_labels) = tf.keras.datasets

1. 概述 在深度学习实践中，对于简单的模型和相对较小的数据集，我们可以使用CPU完成建模过程。例如在MNIST数据集上进行手写数字识别，我们可以使用CPU来完成，采用经典的LeNet-5模型只需要十几分钟就能完成（具体取决于电脑配置）。 然而，为了达到更好的效果或者构建更复杂的模型，一般需要更大的数据集，例如经典的ImageNet数据集。假如使用CPU训练模型...

本案例将MNIST数据集.npz文件以NumPy数组的形式加载到tf.data.Dataset中，并喂入神经网络，完成建模过程。1. 导入所需的库import tensorflow as tfimport numpy as npimport tensorflow_datasets as tfdsfor i in [tf,np,tfds]: print(i.__name__,": ",i.__version__,sep="")输出：tensorflow: 2.2.0num

本案例使用TensorFlow2加载CSV数据到tf.data.Dataset中，使用经典的数据集：泰坦尼克乘客数据。1. 导入所需的库import tensorflow as tfimport numpy as npimport pandas as pdimport functoolsfor i in [tf,np,pd]: print(i.__name__,": ",i.__version__,sep="")输出：tensorflow: 2.2.0numpy:

1. 导入所需的库import tensorflow as tfimport kerastuner as ktimport IPythonfor i in [tf, kt]: print(i.__name__,": ",i.__version__,sep="")输出：tensorflow: 2.2.0kerastuner: 1.0.12. 导入数据集本案例中使用Fashion MNIST构建神经网络，并用Keras Tuner寻找最优的超参数。(trainIm

1. 导入所需的库import tensorflow as tfimport numpy as npimport matplotlib.pyplot as pltfor i in [tf, np]: print(i.__name__,": ",i.__version__,sep="")输出：tensorflow: 2.2.0numpy: 1.17.42. 导入Fashion_MNIST数据集fashion_mnist = tf.keras.datasets.fas

0. 概述TensorFlow训练的模型可以保存起来，方便自己使用或模型分享给他人。同时，如果模型训练非常耗时，则模型保存可以达到断点续训的功能。分享自己的模型可以有两种方式：一是将模型的源代码分享给他人，这时别人拿到代码后需要从头开始训练。二是将训练好的模型，即训练保存的模型（里面包含权重、超参数等）分享给他人，这里别人拿到模型就可以使用或者稍加训练即可使用。TensorFlow中模型的保存有很多种方法。本案例使用tf.keras进行保存。1. 导入所需的库import tensorfl

1. 导入所需的库import tensorflow as tfimport pandas as pdimport seaborn as snsimport matplotlib.pyplot as pltfor i in [tf, pd, sns]: print(i.__name__,": ",i.__version__,sep="")输出：tensorflow: 2.2.0pandas: 0.25.3seaborn: 0.10.12. 下载并导入数据集Aut

1. 导入需要的库import numpy as npimport tensorflow as tfimport tensorflow_hub as hubimport tensorflow_datasets as tfdsfor i in [np, tf, hub, tfds]: print(i.__name__,": ",i.__version__,sep="")print("Eager mode: ", tf.executing_eagerly())输出：nump