拟古的新打油诗的博客，输出人工智能、计算机软硬件、通信网络等领域原创内容，欢迎关注。

地址：http://www.lfd.uci.edu/~gohlke/pythonlibs/下载地址推荐下载+安装方法:cmd下执行python -m pip install -U pip setuptools进行升级;分别运行以下命令自动安装: python -m pip install numpy python -m pip install matplotlib python -m pip install scipy...

选择CUDA和cuDNN版本tensorflow对应的CUDA和cuDNN版本、cuda对应的显卡驱动版本如下也可在NVIDIA控制面板-系统信息-组件中查看支持的CUDA版本:下载CUDA:https://developer.nvidia.com/cuda-toolkit-archive下载cuDNN:https://developer.nvidia.com/rdp/cudnn-archive安装CUDA安装cuDNN解压cuDNN压缩包，可以看到bin、include、l..

参考：深度学习环境配置(二) Anaconda下配置tensorflow-gpu安装时pytorch时输入https://pytorch.org/的推荐代码即可。注意显卡驱动版本要与cuda版本对应。更多安装命令及旧版本对应见：https://pytorch.org/get-started/previous-versions/...

Anaconda是一个基于Python的数据处理和科学计算平台，已经内置了第三方库，装上Anaconda，就相当于把Python和Numpy、Pandas、Scrip、Matplotlib等常用的库自动安装好了，使得安装比常规python安装要容易。PyCharm是优秀的编译译器。conda命令管理Python包安装一个包：conda install package_name移除一个包：conda remove package_name升级包版本：conda up

3.1 tensorflow简单线性回归3.2 tensorflow戴明回归Deming Regression3.3 tensorflow Lasso回归和岭回归Ridge Regression3.4 tensorflow弹性网络回归算法Elastic Net Regression3.5 tensorflow逻辑回归算法 Logistic Regression

逻辑回归算法通过 y = sigmoid(Ax + b)将线性回归的输出缩放到0到1.import matplotlib.pyplot as pltimport numpy as npimport tensorflow as tfimport requestsfrom tensorflow.python.framework import opsimport os.pathimport csvops.reset_default_graph()sess = tf.Session()# Do

弹性网络回归算法(Elastic Net Regression)综合了Lasso回归和岭回归,即损失函数同时包含了L1正则和L2正则.import matplotlib.pyplot as pltimport numpy as npimport tensorflow as tffrom sklearn import datasetsfrom tensorflow.python.framework import opsops.reset_default_graph()sess = tf.Sess

Lasso 回归和岭回归（ridge regression）都是在标准线性回归的基础上加入 L1 正则化而其它地方不变,可以用来解决标准线性回归的过拟合问题。Lasso 回归加入 L1 正则化:岭回归加入 L2 正则化:import matplotlib.pyplot as pltimport sysimport numpy as npimport tensorflow as tffrom sklearn import datasetsfrom tensorflow.python.f

戴明回归算法和线性回归算法的区别在于损失函数;戴明回归最小化到回归直线的(垂直)距离,线性回归算法则是最小化到回归直线的竖直距离.import matplotlib.pyplot as pltimport numpy as npimport tensorflow as tffrom sklearn import datasetsfrom tensorflow.python.framework import opsops.reset_default_graph()tf.set_random_se

Linear Regression线性回归import matplotlib.pyplot as pltimport numpy as npimport tensorflow as tffrom sklearn import datasetsfrom tensorflow.python.framework import opsops.reset_default_graph()sess = tf.Session()iris = datasets.load_iris() # Load the d

计算图中的操作TensorFlow的嵌入LayerTensorFlow 的多层LayerTensorFlow 实现损失函数TensorFlow 实现反向传播TensorFlow 实现随机训练和批量训练TensorFlow 实现创建分类器TensorFlow 实现模型评估

1.stochastic trainingimport matplotlib.pyplot as pltimport numpy as npimport tensorflow as tffrom tensorflow.python.framework import opsops.reset_default_graph()sess = tf.Session()x_vals = np.random.normal(1, 0.1, 100)y_vals = np.repeat(10., 100)x

大部分优化器算法需要知道每布迭代的步长,这距离由学习率控制;学习率太小可能要很小才收敛,学习率太大可能会跳过最优点导致梯度消失和梯度爆炸.1.regression models回归模型import numpy as npimport tensorflow as tffrom tensorflow.python.framework import opsops.reset_default_graph()sess = tf.Session()# Create datax_vals = np.r

1.回归算法的损失函数x_vals = tf.linspace(-1., 1., 500) #预测序列x_valuestarget = tf.constant(0.) #目标序列# L2 loss(L2正则损失函数)# L = (pred - actual)^2差值的平方和l2_y_vals = tf.square(target - x_vals)l2_y_out = sess.run(l2_y_vals)# L1 loss# L = abs(pred - actual)差的绝对值l1

Tensorboard是TensorFlow自带的可视化工具,使用步骤如下:创建writer，写日志文件：tf.summary.FileWriter(log_dir + ‘/train’, sess.graph)保存日志文件：writer.close()运行可视化命令，启动服务：tensorboard –logdir /path/打开可视化界面，通过浏览器打开服务器访问端口http://xxx.xxx.xxx.xxx:6006# Operations on a Computational Gr

# 1.Iris Data鸢尾花卉数据from sklearn import datasetsiris = datasets.load_iris()print(len(iris.data))print(len(iris.target))print(iris.data[0])print(set(iris.target))# 2.Brith Data婴儿出生数据import requestsbirthdata_url = 'https://github.com/nfmcclure/ten

激励函数的目的是为了调节权重和偏差,在TensorFlow中，激励函数是作用在张量上的非线性操作,主要是为计算图归一化返回结果.import tensorflow.nn as nn# ReLU activationprint(sess.run(tf.nn.relu([-3., 3., 10.])))# ReLU-6 activationprint(sess.run(tf.nn.relu6([-3., 3., 10.])))# Sigmoid activationprint(sess.ru

1.矩阵的操作#sess.run(A)才能得到张量的值print(sess.run(A))# Matrix addition/subtraction矩阵加减print(sess.run(A+B))print(sess.run(B-B))# Matrix Multiplication乘print(sess.run(tf.matmul(B, identity_matrix)))# Matrix Transpose转置print(sess.run(tf.transpose(C))) # A

1.create tensorschangeless tensorzero_tensor = tf.zeros([row_dim, col_dim])constant_tsr = tf.constant([1,2,3]))fill_tsr = tf.fill([row_dim, col_dim], 20) #fill with designated constant 20constant_tsr = tf.constant(20, [row_dim, col_dim])) #the same

TensorFlow 一般流程声明变量和张量使用占位符和变量操作（计算）矩阵声明操作实现激励函数读取数据源其他资源

使用TensorFlow时，必须准备样本数据集、变量、占位符和机器学习模型，然后进行模型训练，改变变量状态来提高预测结果。TensorFlow通过计算图实现上述过程。这些计算图是有向无环图，并且支持并行计算。接着TensorFlow创建损失函数，通过调整计算图中的变量来最小化损失函数。TensorFlow维护模型的计算状态，每步选代自动计算梯度。...