Morvan博客-tensorflow2学习

最新推荐文章于 2025-05-09 22:46:04 发布
最新推荐文章于 2025-05-09 22:46:04 发布
阅读量417 收藏 5
点赞数 1
分类专栏： python 文章标签： tensorflow 深度学习 机器学习
原文链接：http://blog.nodetopo.com/
版权
Morvan莫烦Tensorflow学习代码之tensorflow2.0版本(六、结果可视化plot result）
weixin_43194098的博客
01-14 646
Morvan莫烦Tensorflow学习代码之tensorflow2.0版本(六、结果可视化plot result）
Morvan莫烦Tensorflow学习代码之tensorflow2.0版本(二、实现Session会话）
weixin_43194098的博客
01-12 1055
Morvan莫烦Tensorflow学习代码之tensorflow2.0版本(二、实现Session会话）
Morvan莫烦Tensorflow学习代码之tensorflow2.0版本(四、Placeholder占位符）
weixin_43194098的博客
01-13 1498
Morvan莫烦Tensorflow学习代码之tensorflow2.0版本(四、Placeholder占位符）
Morvan莫烦Tensorflow学习代码之tensorflow2.0版本(一、实现y=0.3x+0.1）
weixin_43194098的博客
01-12 788
Morvan莫烦Tensorflow学习代码之tensorflow2.0版本(一、实现y=0.3x+0.1）
tf.name_scope()和tf.variable_scope()解析
gqixf的博客
05-04 1万+
摘要: tf.name_scope()和tf.variable_scope()是两个作用域，一般与两个创建/调用变量的函数tf.variable() 和tf.get_variable()搭配使用。它们搭配在一起的两个常见用途：1)变量共享，2)tensorboard画流程图时为了可视化封装变量，这两种用途有特定的搭配方式，掌握好就可以用了。如果您想打破砂锅问到底，想要探寻更多的知识，了解它们的用法...
深度强化学习系列(7): Double DQN(DDQN)原理及实现
热门推荐
深度强化学习(DeepRL)探索博客
12-17 1万+
论文地址： https://arxiv.org/pdf/1509.06461.pdf 本文是Google DeepMind于2015年12月提出的一篇解决Q值"过估计(overestimate)"的文章，作者Hado van Hasselt在其2010年发表的Double Q-learning算法工作的基础上结合了DQN的思想，提出了本文的state-of-the-art的Double DQN...
框架Tensorflow2
weixin_49898946的博客
01-01 1188
Tensorflow(简称tf)是深度学习框架，大大简化了建模的方法和步骤，把Keras Api当作核心，使用非常简单，跨平台，集成各种现成模型，eager mode使得调试起来不那么难受。TensorFlow2的官方文档1.首先得提前安装好Anaconda环境，可以访问官方网站下载最新版。先确定号conda中的python环境是否是Python 3.6–3.9直接的版本。可以使用依次执行以下命令： 执行结果： 2.其次是安装Tensorflow的第三方库。 Tensorflow2的初体验 导包导入Tens
Morvan教程笔记2019.9.14——过拟合
qq_42530332的博客
09-15 177
过拟合简单的说就是机器学习的模型过于自信，强行满足了太多训练数据，在加入其他测试数据后，误差变大。 解决过拟合的方法 方法1：增加数据量 方法2：运用正规化（正则化）： （1）L1,L2 … regularizztion：适用于大多数机器学习和神经网络的方法 （2）Dropout regularization专门用于神经网络的方法 此方法每次训练随机忽略一部分神经元，减小模型对于某些神经元的依...
https://morvanzhou.github.io/
qq_41419675的博客
02-26 5799
最近从莫烦的个人网站上学习了很多东西，心里也欲尝试着系统梳理巩固知识，因此借用莫烦的知识体系架构，如有需要的朋友，可以转到他的个人网站https://morvanzhou.github.io/。从下一章开始更新...
TensorFlow深度学习实战（15）——编码器-解码器架构
盼小辉丶的博客
05-09 691
编码器-解码器架构也称 Seq2Seq (Sequence-to-Sequence) 模型，是一种用于处理序列数据的深度学习模型，广泛应用于自然语言处理任务中，如机器翻译、文本摘要、对话生成等。在 Seq2Seq 模型中，输入和输出都是序列形式，因此非常适用于需要将一个序列映射到另一个序列的任务。在本节中，将介绍 Seq2Seq 模型架构，并实现 Seq2Seq 模型用于机器翻译。
TensorFlow中数据集的创建
weixin_43597208的博客
05-09 210
TensorFlow 的 tf.data.Dataset API 提供了一种灵活且高效的方式来加载和预处理数据
使用Python和TensorFlow实现图像分类的人工智能应用
最新发布
qq_74383080的博客
05-09 384
本文介绍了如何使用Python和TensorFlow实现图像分类任务。首先概述了图像分类任务及其在计算机视觉中的重要性，强调了卷积神经网络（CNN）在解决这类问题中的有效性。接着，文章详细说明了环境准备步骤，包括安装必要的Python库。随后，通过MNIST数据集展示了数据加载和预处理的方法。文章还详细描述了构建和编译CNN模型的过程，并演示了如何训练和评估模型。最后，文章展示了模型预测结果，并总结了深度学习在图像分类中的应用潜力，鼓励读者进一步探索和优化模型。
CSS vertical-align
2401_83708850的博客
05-09 108
这里的小空白就是为了和基线对齐是一个用于控制行内元素（如文本、图片、图标）在垂直方向上对齐方式的 CSS 属性。它主要用于调整元素在行高内的位置，或在行内格式化上下文中的对齐方式。
双流卷积神经网络架构（OpenPose）
weixin_43156294的博客
05-06 1185
OpenPose作为一种基于卷积神经网络的双流架构，在人体姿态估计领域展现出卓越的性能与广泛的应用前景。人体姿态估计作为计算机视觉中的关键任务，在众多领域都有着不可或缺的作用，而OpenPose凭借其独特的架构和先进的技术，为解决这一任务提供了高效且准确的解决方案。
Python----深度学习（基于DNN的吃鸡预测）
weixin_64110589的博客
04-27 2145
和平精英（Peace Elite）是一款受欢迎的多人在线生存射击游戏，通常被称为“绝地求生：刺激战场”。在这个游戏中，玩家被投放到一块广大的战斗区域，必须与其他玩家竞争以成为最后一个生存者。为了分析或研究《和平精英》的玩家表现，常常会收集有关比赛和玩家的数据。本数据集包含了400多万条关于玩家在游戏中的表现记录数据集介绍总体描述该数据集记录了大量玩家在不同比赛中的表现，包含了玩家的杀敌、死亡、以及使用的物品等各种重要数据。
第24节：卷积神经网络(CNN)-卷积层、池化层与全连接层
2401_82355416的博客
05-08 97
卷积神经网络(Convolutional Neural Network, CNN)是深度学习领域最具代表性的网络架构之一，专门设计用于处理具有网格状拓扑结构的数据，如图像、视频、语音等。CNN通过模拟生物视觉感知机制，实现了对二维乃至三维数据的高效特征提取和模式识别。自2012年AlexNet在ImageNet竞赛中取得突破性成果以来，CNN已成为计算机视觉任务的事实标准，并广泛应用于图像分类、目标检测、语义分割、人脸识别等领域。传统全连接神经网络在处理图像数据时面临两个主要挑战：一是。
CNN处理图片
minato_wdz的博客
05-09 502
iltera​rgnp..array([[1/162/16erfiltera​rg−1)==[3120。
深度学习笔记——循环神经网络RNN
haopinglianlian的博客
05-09 770
本文详细介绍面试过程中可能遇到的循环神经网络RNN知识点。
【学习笔记】深度学习：典型应用
u011376987的博客
05-04 972
深度学习的应用正在各个领域快速扩展和深入，从传统的计算机视觉、自然语言处理到广泛的知识图谱、语音识别和推荐系统，涵盖了社会生活的各个方面。随着技术的不断改进，深度学习将会在更多行业和场景中得到应用。模型泛化能力：提高模型在各种任务和不同数据集上的表现，而不仅限于训练数据。少样本学习：研究如何在极少量样本的情况下进行有效学习，从而解决冷启动问题。跨领域应用：深度学习在不同任务和领域间的结合，促进交叉应用的可能性。可解释性：深入研究深度学习模型的解释性，使非专家用户能够理解 AI 系统的决策过程。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值