赫凯的博客

是这样的，目前手头上需要做正负样本不平衡的二分类，所以找了一圈还是对损失函数下手，只说tensorflow2.0 版本。不平衡数据分类在tensorflow的.fit方法里，藏了一个class_weight的参数，入参就是一个分类比例字典，但我是自定义的训练方式，找了半天没找到合适的加权二分类，只能自己写一个损失函数。

在自己写训练步骤的时候，需要挨个写一遍，费时费事，特此记录一下。

用模型自定义的方式，很好找出模型的每层输出以及每层网络的参数，在call方法中输出就可以了，甚至还可以打断点。而在.fit中，不太好找了，先看代码。下面就是每层参数代码以及每层输出代码演示。PS.必须得predict一下才可以输出每层的输出值奥。

含有LSTM网络的模型，需要使用后缀为.h5的文件保存。

二分类打印信息和混淆矩阵对不上

之前写过Pytorch，现在工作需求用了Tensorflow2.0的框架，经过这段时间的学习，来总结下。Tensorflow2.0提供了两种训练模式可以上手。

Generate music with an RNN啰哩啰嗦一大堆，要注意和的安装，可参照网上资料。下载数据看看下载数据有多大对MIDI文件进行处理再看看下载数据格式，是midi格式的文件，这个需要库来处理将其定义为实例，方便以后操作再定一个方法对数据进行播放，播放时长可以自定义在jupyter执行下面代码，会出现播放控件，可以播放里除了音乐还有一些音乐介绍数据打印打印出来的可以看成乐谱，有一些音符信息，有音高，有持续时间，还有步长将信息处理成模型可输入的格式也可以看一些音符信

做曲线拟合逼近的时候，如果知道拟合的大致方程，如何求出方程的系数呢？其实在numpy中已经有函数去求多项式系数了，如下但是有时候曲线不只是多项式，而是指数函数、幂函数，这就需要我们自己写了，其实就和之前求线性函数的系数一样，只不过换了一个方程式就酱...

规范的图片尺寸都一样，不规范也要拉伸到规范，注意好输入输出的数据尺寸就好了数据准备cifar10，图片分类老朋友了。看看长什么样子

其实分布式最核心的方式就是tf.distribute.Strategy这个函数，只要在这个函数的管理范围都可以。自定义循环训练自定义循环训练引包数据准备创建一个分布式策略模型准备跑起来加载模型循环数据引包引入一些基础包# Import TensorFlowimport tensorflow as tf# Helper librariesimport numpy as npimport osprint(tf.__version__)数据准备fashion_mnist = tf.ke

Keras 的分布式训练引包数据准备模型准备跑起来保存模型引包tf.distribute.MirroredStrategy的用法# 导入 TensorFlow 和 TensorFlow 数据集import tensorflow_datasets as tfdsimport tensorflow as tftfds.disable_progress_bar()import os数据准备下载MNIST在TensorFlow Datasets 加载。将 with_info 设置为 Tr

文章目录张量操作网络层操作自定义训练引包数据准备放入tf.data.Dataset里模型准备跑起来评估之前都是用model.fit()来训练模型，有没有一种方法可以像PyTorch那样，我可以掌握每一代的数据呢？有的，也是写for循环的。Customization basics张量操作import tensorflow as tfprint(tf.math.add(1, 2)) # 简单相加print(tf.math.add([1, 2], [3, 4])) # 矩阵对应元素相加print

文章目录图像引包数据准备下载数据随机打印数据查看图片图对应的标签加载格式化图片tf.data.Dataset跑起来数据集训练参数设置传入模型中总结CSV引包数据准备数据预处理离散的数据连续的浮点数据模型准备跑起来Numpy引包数据准备跑起来pandas dataframes引包数据准备读取数据模型准备并跑起来代替特征列TFRecord 和 tf.Example文本数据引包数据准备数据变成 tf.data.TextLineDataset数据变为数字变量划分训练测试集模型准备跑起来总结图像官方图像引包i

文章目录Keras Tuner调整超参数引包数据准备模型准备跑起来Keras Tuner调整超参数Keras Tuner 是一个库，可帮助您为 TensorFlow 程序选择最佳的超参数集。为您的机器学习 (ML)应用选择正确的超参数集，这一过程称为超参数调节或超调。模型超参数：影响模型的选择，例如隐藏层的数量和宽度算法超参数：影响学习算法的速度和质量，例如随机梯度下降 (SGD) 的学习率以及 k 近邻 (KNN) 分类器的近邻数Keras Tuner 简介引包import tens

文章目录保存加载模型引包数据准备模型准备跑起来并保存模型加载模型checkpoint 回调选项保存模型的另外一些方式SaveModel文件格式HDF5 文件格式保存加载模型训练完模型之后，需要保存的，要不每次想测试的时候，都要走一遍训练，多麻烦呀。所以就需要保存以及加载。而且，有时候，模型跑着跑着就断了，还可以接着训练。保存加载模型引包一般是保存成.h5格式的文件。import osimport tensorflow as tffrom tensorflow import keras

来看看Tensorflow对于过拟合欠拟合问题是如何解决的，官网是做了一个例子来证明过拟合欠拟合的解决方案的，探索了几种正则化技术。文章目录过拟合欠拟合引包数据准备模型准备过拟合欠拟合引包import tensorflow as tffrom tensorflow.keras import layersfrom tensorflow.keras import regularizersprint(tf.__version__)!pip install git+https://github

分类和回归是两种问题，就看下回归。文章目录回归引包数据准备模型准备跑起来做预测整体代码回归引包seaborn 是绘制矩阵图的包import pathlibimport matplotlib.pyplot as pltimport pandas as pdimport seaborn as snsimport tensorflow as tffrom tensorflow import kerasfrom tensorflow.keras import layersprint(

上一章是对MNIST的手写数字分类，这次对Fashion MNIST进行分类，基本都一样的，只不过换了一个数据库，还是用fit函数进行训练，fit对规整的数据集，训练还是蛮方便的。官方教程文章目录服装图像分类引包数据准备模型准备跑起来测试整体代码基本文本分类引包数据准备模型准备跑起来完整代码服装图像分类引包多了一个matplotlib包，就是画图用的。# TensorFlow and tf.kerasimport tensorflow as tffrom tensorflow import k

文章目录基础版引包数据准备模型准备跑起来整体代码进阶版引包数据准备模型准备跑起来整体代码TensorFlow 2.0 教程跟着官方教程走试试看第一个简单例子是MNIST手写数字分类基础版引包首先引入TensorFlow包# 安装 TensorFlowimport tensorflow as tf数据准备再引入数据，并将整数转换为浮点数，因为这个图片，每个像素0-255，变成0-1有利于运算mnist = tf.keras.datasets.mnist(x_train, y_tr