- 博客(11)
- 收藏
- 关注
RSS订阅原创 tensorflow学习记录11——构建深度学习神经网络0
隐藏层：位于输入层和输出层之间，是神经网络进行特征学习和非线性变换的核心部分。隐藏层中的每个神经元都会对输入数据进行加权求和，并通过激活函数进行非线性变换。输入层：接收原始数据输入，它不进行任何形式的函数计算或变换，仅仅是作为数据的入口。1) 如何构建以上网络的输入层、隐藏层、输出层，使用哪些函数，函数语法规则怎样？１）训练网络过程中会有哪些参数，分别起什么作用，怎么调整会有什么效果？输出层：接收隐藏层的输出，并根据具体的任务进行最终的预测或分类。3）损失函数是什么？有哪些损失函数，分别什么任务类型使用？
2025-04-02 13:43:03
235
原创 tensorflow学习记录10——数据准备（六）
二、数据预处理前两节加载数据后，可能需要对数据进行数据预处理操作，不同格式分开展示。将原始数据转换为适合分析和建模的格式，提高，确保模型的准确性和可靠性。
2025-03-26 13:47:19
393
原创 tensorflow学习记录9——数据准备（五）
构建文本与整数的映射关系：先迭代每个样本的值，再使用tfds.features.text.Tokenizer()实例化一个分词器tokenizer，再将分词器tokenizer放入一个集合中，依次清除重复项，然后获取该词汇表的大小。#正常每次编码结果是一样的，这里如果按书上代码写，输出不一样是因为单词存在set中，set无序。将原始数据转换为适合分析和建模的格式，提高数据质量，确保模型的准确性和可靠性。# 实例化一个分词器tokenizer，我的tf版本旧，是features。# 输出查看词汇样式。
2025-03-19 13:47:54
1023
原创 tensorflow学习记录8——数据准备（四）
targets: 接收int、float类型值，（如果不处理标签只处理数据，传入targets=None）表示目标值，和data长度一样。sequence_length: 接收int类型值，一个输出序列sequence的长度，即有多少个timestep。data:接收int、float类型值，表示要转换的原始时间序列数据，里面的每个叫做一个。将原始数据转换为适合分析和建模的格式，提高数据质量，确保模型的准确性和可靠性。sequence_stride:接收int类型值，表示连续输出序列的周期。
2025-03-19 11:30:50
575
原创 tensorflow学习记录6——数据准备（二）
random.shuffle(all_image_paths) # 打散数据,使其顺序随机打乱，你能看到上边截图中是cat.1.jpg、cat.2.jpg、cat.3.jpg、cat.4.jpg，下述结果中为cat.0.jpg、cat.1.jpg、cat.10.jpg、cat.100.jpg乱序的。all_image_paths = [str(path) for path in all_image_paths]# 将列表中的所有Path对象转换为字符串形式，并存储在新的列表中。
2025-03-12 13:42:15
1102
原创 tensorflow学习记录5——数据准备（一）
加载完成后，数据需调整格式，转换为Dataset对象，才能在tensorflow中流转，使用tensorflow中提供的各种便捷，使用tf.data.Dataset.from_tensor_slices(data)将data转为Dataset对象。使用load_data()函数加载，然后划分为训练数据集（data_x,data_y）及测试数据集(testdata_x,testdata_y)，并输出了分割后数据集的shape值。# 波士顿房价数据集加载csv2，每次运行得批数据可能不同，输出结果可能不同。
2025-03-06 23:49:47
724
原创 tensorflow学习记录4——搭建、训练网络并对网络进行评估
网络模型有很多，需要根据要解决的任务选择合适网络模型，以下以搭建Sequential网络结构为例先使用tf.keras.Sequential()函数创建一个空容器，再用add()函数添加层（add添加层可以是全连接层、卷积层、池化层等），如果是全连接层就是tf.keras.layers.Dense( inputs，activation， input_shape)，其中参数 inputs 表示指定该网络层中的神经元个数；参数 activation 表示激活函数，以字符串的形式给出，包括relu、
2025-03-03 23:47:54
692
原创 tensorflow学习记录3——张量操作
使用tf.concat()函数拼接张量，tf.concat函数是用于拼接张量的重要工具。它的基本用法是tf.concat([tensor1, tensor2, tensor3,...], axis)，其中axis参数指定了拼接的维度，axis=0代表在第0个维度拼接，axis=1代表在第1个维度拼接。可以用来改变张量的形状，它接受一个张量和一个新的形状作为输入，返回一个具有新形状的张量。元素个数不可以改变哦。可以用来在张量的指定轴上增加一个维度，它接受一个张量和一个轴作为输入，返回一个具有新形状的张量。
2025-02-20 22:33:57
373
原创 tensorflow学习记录7——数据准备（三）
分割数据，使用 tf.strings.split 函数将文件路径 filename 按照操作系统的路径分隔符 os.sep 进行分割# 读取并输出输入文件名的全部内容# 编码解码处理# 转换为float类型# 尺寸调整为128*128第四步、调用parse_image函数，操作数据集元素# 找到文件路径print('image的内容',image)print('label的内容',label)# 自定义函数绘制图像图形。
2025-02-12 12:53:47
223
原创 tensorflow学习记录2——创建常量、变量
verify_shape： 默认值为False，如果值为True时，在定义常量时会自动检测value和shape维度是否相同，不同则报错，例如value定义为1，而shape定义为一行两列的矩阵（1,2），那么肯定会报错。其中indices中的顺序必须有前后顺序，比如[0,6]不能在[0,2]前边，否则会报错，tf.sparse.reorder方法可以解决这个问题，自动调整顺序。：一个矩阵，一个数值表格，例如 [[1, 2], [3, 4],[5, 6]]。value：常量值，可以为数值、向量或矩阵。
2025-02-10 12:48:33
474
原创 tensorflow学习记录1——了解张量
向量的形状只包含一个元素，比如 (3,)，而标量的形状为空，即 ()。2）形状：这是一个元组，表示张量沿每个轴的维度大小（元素个数），因表示元素个数，一定是整数元组。（数据表）：一个矩阵，一个数值表格，例如 [[1, 2], [3, 4],[5, 6]]。（只有大小）：（也叫标量张量、零维张量、0D 张量）只有一个数值，比如1；（有大小有方向）：一个向量，一个数值序列，比如 [1, 2, 3]。1）阶：常用阶来表示张量的维度，几个阶就有几个维度，就有几个轴。每一个张量都有一个唯一的数据类型。
2025-01-31 14:36:51
460
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人