微信号：Custom-Software

神经网络可以将输入的特征向量经过层层推导得到最后的输出，并通过这些输出解决分类或者回归问题。为了介绍神经网络的前向传播算法 ， 需要先了解神经元的结构。而不同输入的权重就是神经元的参数神经网络的优化过程就是优化神经元中参数取值的过程。称之为全连接神经网络是因为相邻两层之间任意两个节点之间都有连接。计算神经网络的前向传播结果需要三部分信息1、第一个部分是神经网络的输入，这个输入就是从实体中提取的特征向量；2、第二个部分为神经网络的连接结构。神经网络是由神经元构成的 ，神经网络的结构给出不同神经元之

TensorFlow 游乐场(http://playground .tensorflow.org） 是一个通过网页浏览器就可 以训练的简单神经网络并实现了可视化训练过程的工具 。在机器学习中，所有用于描述实体的数字的组合就是一个实体的特征向量（ feature vector）通过特征提取，就可以将实际问题中的实体转化为空间中的点。综上所述，使用神经网络解决分类问题主要可以分为以下 4 个步骤。l. 提取问题中实体的特征向 量作为神经网络的输入。不同的实体可以提取不同的特征向量，2 . 定义神经网络

将介绍如何使用TensorFlow 中的会话(session)来执行定义好的运算。所有计算完成之后需要关闭会话来帮助系统回收资源，否则就可能出现资源泄漏的问题。TensorFlow 中使用会话的模式一般有两种。1、第一种模式需要明确调用会话生成函数和关闭会话函数。＃创建一个会话。sess = tf.Session()＃使用这个创建好的会话来得到关心的运算的结果。比如可以调用 sess.run (result) ,＃来得到 3.1 节样例中张量 result 的取值。sess.run (...

和 TensorFlow 的计算模型相比， TensorFlow 的数据模型相对比较简单。张量使用主要可以总结为两大类 。1、第一类用途是对中间计算结果的引用；张量来引用计算的中间结果可以使代码的可阅读性大大提升 。 同时，通过张量来存储中间结果可以方便获取中间结果 。通过 result.get_shape 函数来获取结果张量的维度信息。2、第二类情况是当计算图构造完成之后，张量可以用来获得计算结果，也就是得到真实的数字。使用 tf.Session().run(result）语句得到计算结果 。

介绍如何通过张量来保存和获取 TensorFlow 计算的结果 。在 TensorFlow程序中，所有 的数据都通过张量的形式来表示张量可以被简单理解为多维数组零阶张量表示标量（ scalar ） ，也就是一个数①： 第一阶张量为向量 C vector),也就是一个一维数组；第 n 阶张量可以理解为一个 n 维数组在张量中并没有真正保存数字，它保存的是如何得到这些数字的计算过程。import tensorflow as tf# tf.constant 是一个计算，这个计算的结果为一个张量 ， 保存在

TensorFlow 程序一般可以分为两个阶段。在第一个阶段需要定义计算图中所有的计算 。比如在第 2 章的向量加法样例程序中首先定义了两个输入，然后定义了 一个计算来得到它们的和。import tensorf low as tfa= tf.constant([l.O, 2 .0], name=”a”)b = tf.constant([2.0, 3.0], name=”b ”)result = a + b在 Python 中一般会采用“ impo口 tensorflow as tf”的形式来载入

TensorFlow 的名字中己经说明了它最重要的两个概念一一Tensor 和 Flow;Tensor 就是张量;在 TensorFlow 中，张量可以被简单地理解为多维数组;计算图是 TensorFlow 中最基本的一个概念， TensorFlow 中的所有计算都会被转化为计算图上的节点;如果说 TensorFlow 的第一个词 Tensor 表明了它的数据结构，那么 Flow 则体现了它的计算模型;TensorFlow 是一个通过计算图 的形式来表述计算的编程系统;...

1、自定义层的详解2、本节课目录3、自定义层的讲解4、三种自定义层的方法

1、模型保存与加载2、目录3、Keras模型保存和加载，第二种比第三中华更大，因为保存了优化器的参数4、自定义模型保存和加载，跟Keras方法基本一致5、模型保存与加载的区别6、自定义模型代码7、本章小结...

1、计算图详解2、课程目录3、计算图有哪些？4、什么是autoGraph？5、autoGraph使用规范和代码6、autoGraph机制原理7、使用案例解决办法代码8、本章小结最后...

1、神经网络的正向传播与反向传播2、正向传播

1、tensorflow2.0模型训练2、目录3、Keras版本的模型训练4、回调函数。Keras在模型训练的时候会调用多个函数5、多输入多输出模型6、Keras模型训练代码

1、自定义操作与建模方式2、本节课的目录3、知识树4、张亮与操作5、张量，传的不是tensor的变量就会报错，由两个部分组成，分别为数据类型和shape这三个都是用来表示张量的，只是表示的方式不同代码部分，张量有很多种创建方式6、numpy和tensorflow中张量方式的对比7、张量的一些操作方式，比如字符串类型的张量，整型类型的张量，这些操作tensorflow都有对应好封装的库文件推荐学习的网站，第二个网址适合中等水平，其他三个适

1、开始2、知识树3、tensorflow的CPU的安装4、tensorflow的GPU的安装5、tensorflow的GPU安装需要的文件6、anaconda安装，minianaconda的包较少，站的内存小，安装的非常快，很多包需要自己安装。安装的时候需要配置环境变量，但是博主人为在anaconda的安装过程中可以选择自动配置环境变量，因为无需手动配置环境变量7、tensorflow安装的代码8、tensorflow的GPU的安装是重点，NVI

1、tensorflow简介2、课程目录3、本节课的知识树4、tensorflow简介，重要部分使用黄色部分标记出来了5、为什么要学习tensorflow6、为啥要学tensorflow2.0，因为，1.0非常难debug,对于新手非常不友好；7、tensorflow就是为了改进1.08、tensorflow1.0和2.0的区别，全局化是所有的变量都会被记录下来，2.0下有些参数不再使用的话就会自动的剔除9、tensorflow2.0 的变化

1、深度之眼学习路径2、完善知识体系3、求职面试经验，简历需要和自己的岗位相关4、未来发展5、为什么要学习这么课？6、深度之眼特点7、学习这门课的方法8、学习路线9、核心作业10、注意事项，看的太多没用，一定要动手写代码11、推荐资料和书籍12、没了...