A_Coding_Man

tf.random_normal()tf.random_normal()函数用于从“服从指定正态分布的序列”中随机取出指定个数的值。tf.random_normal(shape,mean=0.0,stddev=1.0,dtype=tf.float32,seed=None,name=None)- shape: 输出张量的形状，必选- mean: 正态分布的均值，默认为0- stddev: 正态分布的标准差，默认为1.0- dtype: 输出的类型，默认为tf.float32- seed

传送门tf.gather()：tf.gather() 单一维度方向的数据，进行任意顺序的切片。源张量是一维数据代码：import tensorflow as tfprint("源张量")a = tf.constant([0,1,2,3,4,5,6,7,8,9])print(a) b = tf.gather(a, indices=[0,2,4,6,8,1,3,5,7,9])print(b) b = tf.gather(a, indices=[0,2,4])print(b

3.1 线性回归的从零开始实现3.2 线性回归的从零开始实现3.2.1 生成数据集3.2.2 读取数据3.2.5 定义损失函数3.2.6 定义优化算法3.2.7 训练模型3.2 线性回归的从零开始实现在了解了线性回归的背景知识之后，现在我们可以动手实现它了。尽管强大的深度学习框架可以减少大量重复性工作，但若过于依赖它提供的便利，会导致我们很难深入理解深度学习是如何工作的。因此，本节将介绍如何只利用Tensor和GradientTape来实现一个线性回归的训练。首先，导入本节中实验所需的包或模块，其中的

转载：本节原书传送门3.1 线性回归线性回归输出是一个连续值，因此适用于回归问题。回归问题在实际中很常见，如预测房屋价格、气温、销售额等连续值的问题。与回归问题不同，分类问题中模型的最终输出是一个离散值。我们所说的图像分类、垃圾邮件识别、疾病检测等输出为离散值的问题都属于分类问题的范畴。softmax 回归则适用于分类问题。由于线性回归和softmax回归都是单层神经网络，它们涉及的概念和技术同样适用于大多数的深度学习模型。我们首先以线性回归为例，介绍大多数深度学习模型的基本要素和表示方法。3.1.

import tensorflow as tfprint(tf.__version__)# 2.4.0################################## 2.2.1 创建tensor#################################""" 先介绍tensor的最基本功能，我们用range函数创建一个行向量。"""x = tf.constant(range(12))print(x.shape)# (12,)# 一个tensor实例，其中包.

Tensorflow2.3 GPU版本的安装使用pip直接安装Tensorflow-GPU我这电脑的Nivdia驱动版本是11.0，我查到的教程里都是要求10.1，没办法，自己莽一下吧。使用pip直接安装Tensorflow-GPU先创建一个conda虚拟环境conda create -n tf23gpu python=3.7安装完成界面是这个激活新环境tf23gpuactivate tf23gpu安装tensorflow-gpu，豆瓣源比较快pip install t

回归问题回归问题1.连续值预测连续值预测--例子回归问题1.连续值预测结果在实数范围内给出一个值fθ:x→yf_{\theta}:x → yfθ​:x→y其中f(x)是预测结果，x是输入数据，y是真实结果连续值预测–例子y=1.477×x+0.089+ϵy = 1.477 × x + 0.089 + \epsilony=1.477×x+0.089+ϵ...

CUDA、cudnn的安装https://blog.youkuaiyun.com/weixin_44170512/article/details/103990592

TensorFlow函数整理tf.placeholder()函数说明：返回值实例tf.placeholder()tf.placeholder(dtype, shape=None, name=None)函数说明：dtype：被填充的张量(Tensor)的元素类型。shape：被填充张量(Tensor)的形状(可选参数)。如果没有指定张量(Tensor)打形状，你可以填充该张量(Tensor)为任意形状。name：为该操作提供一个名字(可选参数)。返回值一个张量(Tensor)。 必须在使用句柄