皮皮blog

TensorBoard是TensorFlow的可视化工具，主要用于展示计算图、训练指标和模型参数。通过tf.summary.scalar可记录标量数据（如损失值），需确保输入为rank-0张量；tf.summary.histogram用于展示张量分布，将任意形状张量展平后统计频数分布。TensorBoard还支持权重变化的多分位数可视化（DISTRIBUTIONS）和高维向量投影（Projector）。启动时需指定日志目录（--logdir），Estimator会自动记录训练指标。通过结合不同图表类型，Te

使用tf.estimator时，如果调用 Estimator 的 evaluate 方法，则 model_fn 会收到 mode = ModeKeys.EVAL。在这种情况下，模型函数必须返回一个包含模型损失和一个或多个指标（可选）的 tf.estimator.EstimatorSpec。虽然返回指标是可选的，但大多数自定义 Estimator 至少会返回一个指标。TensorFl...

tensorflow模型保存和使用TensorFlow是通过构造Graph的方式进行深度学习，任何操作(如卷积、池化等)都需要operator，保存和恢复操作也不例外。在tf.train.Saver()类初始化时，用于保存和恢复的save和restore operator会被加入Graph，所以类初始化操作应在搭建Graph时完成。TensorFlow会将变量保存在二进制checkpoint文...

深度学习训练中的几个概念（1）batchsize：批大小。在深度学习中，一般采用SGD训练，即每次训练在训练集中取batchsize个样本训练；一次Forword运算以及BP运算中所需要的训练样本数目，其实深度学习每一次参数的更新所需要损失函数并不是由一个{data：label}获得的，而是由一组数据加权得到的，这一组数据的数量就是[batch size]。当然batch size 越大...

学习流程：Estimator 封装了对机器学习不同阶段的控制，用户无需不断的为新机器学习任务重复编写训练、评估、预测的代码。可以专注于对网络结构的控制。数据导入：Estimator 的数据导入也是由 input_fn 独立定义的。例如，用户可以非常方便的只通过改变 input_fn 的定义，来使用相同的网络结构学习不同的数据。网络结构：Estimator 的网络结构是在 model_fn 中独...

Tensorflow中使用gridsearch1 使用tf.contrib.learn.estimators使用tf中自带的Estimator将自定义的tf模型转换成估计器，输入到sklearn中的gridesearch运行。# My custom model. # Feature request: New params dict with values filled ...

微处理器、微型计算机、微型计算机系统有什么联系与区别？微处理器只是一个中央处理器（CPU），由算术逻辑部件(ALU)，累加器和通用寄存器组，程序计数器，时序和控制逻辑部件，内部总线等组成。微处理器不能构成独立工作的系统，也不能独立执行程序。微型计算机由CPU，存储器，输入/输出接口电路和系统总线组成，具有计算功能，能独立执行程序，但不能显示或输出，仍不能正常工作。以微型计算机为主体

​softmax_cross_entropy_with_logits和sigmoid_cross_entropy_with_logits很不一样，输入是类似的logits和lables的shape一样，但这里要求分类的结果是互斥的，保证只有一个字段有值，例如CIFAR-10中图片只能分一类而不像前面判断是否包含多类动物。sparse_softmax_cross_entropy_with_logits，它的第一个参数logits和前面一样，shape是[batch_size, num_classes]；

Batch Nomalizationtodo-柚子皮-L2正则化tensorflow实现示例1：from tensorflow.python.keras.regularizers import l2self.kernels = [self.add_weight(name='kernel' + str(i), shape=(hidden_units[i], hidden_units[i + 1]), initial

tf.map_fn[tf.map_fn]：map on the list of tensors unpacked from elems on dimension 0. 接受一个函数对象，然后用该函数对象对集合（elems）中的每一个元素分别处理，tf.map_fn( fn, elems, dtype=None, parallel_iterations=Non...

wide and deep 模型训练一般是以多个训练样本作为 1 个批次 (batch) 进行训练，训练样本在行维度上定义，每一行对应一个训练样本实例，包括特征（feature column），标注（label）以及权重（weight），如图 2。特征在列维度上定义，每个特征对应 1 个 feature column，feature column 由在列维度上的 1 个或者若干个张量 (tensor) 组成，tensor 中的每个元素对应一个样本在该 feature column 上某个维度的值。

##### file1 #####import tensorflow as tf# tf.set_random_seed(1234)# a = tf.Variable(tf.random_uniform([2, 2], 0, 1), name="aaa")a = tf.Variable(tf.random_uniform([2, 2], 0, 1, seed=1234, name...

示例import tensorflow as tfx = tf.constant([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]])y = tf.constant([[[11, 12, 13], ...

name_scope: 为了更好地管理变量的命名空间而提出的。比如在 tensorboard 中，因为引入了 name_scope， 我们的 Graph 看起来才井然有序。 variable_scope: 大部分情况下，跟 tf.get_variable() 配合使用，实现变量共享的功能。with tf.variable_scope('scopename', reu...

基本原理在TensorFlow中，所有的操作只有当你执行，或者另一个操作依赖于它的输出时才会运行。运行op构建图时不需要显示声明变量名，如tf.concat(axis=1, values=initial_state, name="initial_state")直接使用图中的name就可以运行了。initial_state = sess.run(fetches="lstm...

三星Galaxy s4(i9505)完美获取root权限教程 论坛上贴吧上关于三星s4i9505root的介绍有很多，方法多种多样，今天小编来介绍一种使用root软件来实现三星i9505一键root的方法。这篇三星Galaxys4(i9505)获取root教程仅仅三个步骤，借助完美ROOT工具来完成全部操作，方便快捷，废话不多说，请看i9505root教程内容！

Tensorflow输入Dataset读取使用dataset读取batch数据示例DEBUG = Truemlb = MultiLabelBinarizer()with open(os.path.join(DATADIR, 'vocab.tags.txt'), 'r', encoding='utf-8') as f: mlb.fit([[l.strip() for l ...

Tensorflow SSE报错TensorFlow wasn't compiled to use SSE (etc.) instructions, but these are available解决：os.environ['TF_CPP_MIN_LOG_LEVEL']='2'[TensorFlow wasn't compiled to use SSE (etc.) instru...

安装anacondawindows下直接安装，最好勾上python加入系统路径。查看及安装tensorflow依赖查看cuda版本（机器支持gpu的不考虑）cat /usr/local/cuda/version.txtcuda版本及其对应tf版本：[经过测试的构建配置]查看python版本python -V安装python环境anaconda参考[pytho...