xgli的博客

embedding_lookup从表面意思看就是一个查找单词对应词向量的表， embeddings参数：词跟词向量的对应表 train_inputs参数：需要转换的文本（int类型） 类似下面的操作：embeddings = np.random.random([1024, 64]) # 64-dimensional embeddingstrain_inputs = np.array([0,

目前使用深度网络进行文本任务模型训练时，第一步应该是将文本转为词向量进行处理。但一般词向量的效果跟语料的大小有关，而处理任务的语料不足支持我们的实验，这时就需要使用网上公开的大规模语料训练词向量。1、下载网上公开的词向量下载地址：https://github.com/xgli/word2vec-api glove的文件说明如何使用预训练词向量，文件格式如下：每行为一个单词和其对应的词

linux下查看GPU使用情况的命令nvidia-smi几个观察参数 Fan：代表显卡转速，以百分比显示； Temp：代表显卡温度； Perf：性能等级，p1~p12，数字越小，性能较好。 Pwr：usage/cap ：当前功率/总功率。 Memory-Usage:显卡的显存使用容量跟显卡总的大小 GPU-Util：显卡计算单元使用率。 ok，多说一句，显卡也分为两部分，即显卡跟计算

tensorflow中有很多在维度上的操作，本例以常用的tf.reduce_sum进行说明。官方给的apireduce_sum( input_tensor, axis=None, keep_dims=False, name=None, reduction_indices=None)input_tensor:表示输入 axis:表示在那个维度进行sum操作。

在某个试验中，设置了步长为2，3的两个卷积网络，在得到最终结果的时候需要对这两个网络的结果进行拼接，就需要tf.concat函数了。 官方例子：t1 = [[1, 2, 3], [4, 5, 6]]t2 = [[7, 8, 9], [10, 11, 12]]（1）tf.concat([t1, t2], 0) ==> [[1, 2, 3], [4, 5, 6], [7, 8, 9], [10,

tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, data_format=None, name=None)data_format：可选参数，表示输入数据的格式，有两种分别为：“NHWC”和“NCHW”，默认格式为”NHWC““NHWC”输入数据的格式为为[batch, in_height, in_width, i

池化操作待补充tf.nn.max_pool(value, ksize, strides, padding, data_format='NHWC', name=None)value表示输入数据形式。data_format表示输入数据的格式，需要跟输入数据的格式保持一致。有”NHWC“和”NCHW“两种。默认是”NHWC“即[batch, in_height,in_wide,in_channels]ks

训练好网络后，重要的是后期的再训练和预测。所以本文主要讲如果存储训练好的参数以及使用训练好的参数。1、存储网络参数2、使用存储的网络参数

初学tensorflow，如果写的不对的，请更正，谢谢！tf.reshape(tensor, shape, name=None) 函数的作用是将tensor变换为参数shape的形式。 其中shape为一个列表形式，特殊的一点是列表中可以存在-1。-1代表的含义是不用我们自己指定这一维的大小，函数会自动计算，但列表中只能存在一个-1。（当然如果存在多个-1，就是一个存在多解的方程了）好了我想说的