大行疯者的博客

import tensorflow as tf import numpy as np import matplotlib.pyplot as pltdef add_layer(inputs,in_size,out_size,activation_function=None): Weights = tf.Variable(tf.random_normal([in_size,out_siz

--coding:utf-8--import tensorflow as tf import numpy as np import matplotlib.pyplot as plt #这个是用可视化训练过程的创造数据x_data = np.random.rand(100).astype(np.float32) y_data = x_data*34+2.42344create tensorf

最近要弄个简单的用于图像识别和提取图像特征值的 简单的bp神经网络，经过朋友推荐选择了TensorFlow（以下简称tf），tf是一款谷歌开源的神经网络库，功能非常强大，虽然笔者能力有限还没有仔细探索。 依据官网的教程一步步安装了tf库，注意，官网的教程是基于Python2.7的，并且需要最linux环境下运行，但是最新版本的tf已经支持py3.5了，并且在win环境下也能跑，笔者对linux不熟

http://dataunion.org/7489.html

项目概论 基于 Raspberry Pi 和TensorFlow的自动驾驶（寻迹）小车 项目描述 将卷积神经网络和树莓派相结合，实现小车的自动驾驶 开发流程 利用树莓派的摄像头功能将图像获取，在树莓派中对图像进行初步的处理（灰度化，降维），将数据上传到云端计算，利用已训练出的模型计算出预测路径，再将结果传回，利用电机控制模块，操纵小车方向。 项目难点 一、神经网络的模型设计和训练集

之前一直以为线性回归和梯度下降是一回事，直到今天看了吴恩达老师的课才发现这原来是两个概念，虽然有点接近。 先来谈谈线性回归，线性回归是机器学习中的一大类问题的统称，一般就是预测问题。举个栗子，我手上有某地区的房价信息，我想靠这些信息来预测该地区未来的房价变化趋势。我可以先做一个类似于这样的坐标图， （因为图片是复制来的，所以只看左上角的二维坐标就好了） 这条曲线大致满足一个关系：hθ（xi)

今天听kk讲课，听到了一种新的处理卷积神经网络的思路。 传统的cnn是将数据还原成二维的图像，再利用卷积核去卷积，kk今天提了一种叫做 可控受限野神经网络层结构的 理论。 首先提一个问题，如何在将图像降维成一维时依然保留图像的各个部分之间的空间关系，也就是保留图像的区域相关性。可能说的有些抽象，举个例子。 给一张图，如果取其中的两个点，然后我们有没有办法在图片变成一维的时候还能保留这两个点

今天简单学习了一下numpy和matplotlib这两个库，比较简单易用的两个数据分析和可视化的库，趁热打铁来一发学习记录。 使用的工具是jupyter，刚开始觉得不好用，直到开始数据分析才发现他的优点，可以每个cell每个cell的执行代码，并且将显示在代码块的下方。win下使用jupyter很方便，在用pip install jupyter就能实现安装，在cmd下执行jupyter noteb

啊…..我真是能被自己蠢死，想用docker搭tensorflow环境，居然搭了一整天….那就把过程记录一下造福大众吧，完完全全从头开始 首先介绍一下我的系统，Ubuntu18.04，原来的是Ubuntu17 ，结果 nvidia-docker 不支持 17，只支持14，16，18 这三个长期支持版本……. 一台全新的Ubuntu18.04，装好nvidia的显卡驱动， 先安装dockers ...