qxdoit的博客

tensorflow 在Session 中运行由每个graph 组成每个graph包含几个option，每个option相当于一个运算一个option连接几个常量或变量（tensor）用with tf.Session（） as sess：不需要再写sess.close() #-*-coding:utf-8-*- import tensorflow as tf m1 = tf.constant([[...

import tensorflow as tf import numpy as np from bert import modeling from bert import tokenization from bert import optimization import os import pandas as pd flags = tf.flags FLAGS = flags.FLAGS ...

1. 生成数据: import numpy as np from sklearn.datasets.samples_generator import make_classification import tensorflow as tf import matplotlib.pyplot as plt import os def generate_data(data_num,data_dim)...

1. skip-gram skip-gram 是用中心词预测上下文 给每个词进行embedding 编码 ，inputs 为 [batch_szie] labels 为 [batch_size,context_len] nce_loss 负采样 用随机梯度下降更新梯度，负采样的选择的概率为按照每个词的频数大的选择概率大 将一个正例和若干个负采样组成的负例，组合起来进行逻辑回归 详细信息见...

加入了predict 的代码，还可以提升准确率，没有解决对于 由于 bert 编码问题带来的 对应不到原句 最大为512，数据都筛选过了 import tensorflow as tf import numpy as np from bert import modeling from bert import tokenization from bert import optimization...

一页简单介绍代码: 首先 pip install bert-tensorflow 权重文件下载地址: href="https://storage.googleapis.com/bert_models/2018_11_03/chinese_L-12_H-768_A-12.zip" import tensorflow as tf import numpy as np from bert im...

1.进入项目目录下，点击右键[git bash] 2.打开git bash 界面，输入， touch .gitignore 执行这条命令后，git自动为我们在项目目录下新建了.gitignore文件 3.用文本编辑器打开【.gitignore]文件，#代表注释 4.如果之前文件已经进入git 缓存，说明这些文件已经被纳入到版本管理中 即使是.gitignore 中已经声明忽...

首先下载google inception V3 图片分类模型并解压缩到本地文件夹项目目录为：github 地址为：#-*-coding:utf-8-*- import tensorflow as tf import os import tarfile import requests #inception 模型下载地址 inception_pretrain_mode_url = 'http://d...

RNN LSTM 是对#-*-coding:utf-8-*- import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data from tensorflow.contrib import rnn #载入数据 minist = input_data.read_data_sets('MNIST_dat...

卷积神经网络，将传统神经网络前面加上若干个卷积层，池化层然后是全连接层，到全连接层就和传统神经网络一样了卷积层和池化层能够减少传统多层神经网络神经元和调节参数过多以及对样本数要求很多的不足#-*-coding:utf-8-*- import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data mi...

TensorFlow里面针对代价函数的训练优化器有多个下面针对各个优化器来分析比较他们各自的特点

使用带3个隐藏层的神经网络为了防止过拟合现象的发生，对于keep_prob可以设置为0.7/0.8等以#-*-coding:utf-8-*- import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data #载入数据集 minist = input_data.read_data_sets('MNI...

神经网络的构建：没有使用中间层，将一张图片[24,24]的矩阵784个点，对应为[0,0,...,1,0...] （只有一个位置为1，表示该下标为对应的图片数字）的10个点神经网络可优化参数为，784x10 的权重，和10个偏置值prediction = tf.nn.softmax(tf.matmul(x,w)+b)prediction 为一个一维数组，里面为识别该图片为每个数字的概率#-*-co...

使用带一层中间层的神经网络来作为非线性模型构建故而共有4个可调节量，分别为 weight_L1, weight_L2, biases_L1, biase_L2  可作为优化调节量构建好模型之后，优化器用梯度下降法来做，运用梯度下降法的过程中，不断调节以上4个量以达到使得最后代价函数最小的 weight_L1, weight_L2, biases_L1, biase_L2神经网络的输出为，经过调节后...

首先得到原始数据x_data ,y_data然后构建自己的线性模型 y = k*x_data+b定义二次代价函数loss定义一个使用梯度下降法训练的优化器optimizer这里只有k,b是未知的，用梯度下降法来寻求使得 loss最小化的k，b进行200次迭代，最后得到使得loss 较小的k，b作为线性模型的预测#-*-coding:utf-8-*- import tensorflow as tf ...

fetch and feed 用法演示：#-*-coding:utf-8-*- import tensorflow as tf #fetch 的用法： input1 = tf.constant(2.0) input2 = tf.constant(3.0) input3 = tf.constant(5.0) add = tf.add(input2,input3) mul = tf.multiply(...

变量定义用tf.Variable(初始化数)定义完成后要用init，在session中完成初始化操作#-*-coding:utf-8-*- import tensorflow as tf x = tf.Variable([1,3]) a = tf.constant([2,3]) sub = tf.subtract(x,a) add = tf.add(x,sub) init = tf.global_...

1. 假设现在 一个输入有 n 帧， 每一帧有 k 个可能 softmax 是 将这个问题看作一个 n 个 k 分类问题 crf 则将这个问题看作是一个 k**n 问题 从 k**n 条路径中选择一条最佳路径 具体来说 ，在 CRF 序列标注问题中，为了得到从输入到每个预测标签的最大预测概率，为了得到这个概率的估计 CRF 做了两个假设 假设1， 该分布是指数分布 其中 Z 是...