- 博客(5)
- 资源 (2)
- 收藏
- 关注
RSS订阅原创 Normalization and Standardization（归一化 & 标准化）
归一化和标准化基本上是在机器学习里为了统一数据尺度的概念 归一化 normalization： xi−xminxmax−xmin \frac{x_i-x_{min}} {x_{max}-x_{min}} xmax−xminxi−xmin 将数据压缩到 [0,1] 标准化 standardization：x−mean(x)std(x) \frac{x- mean(x)} {std(x)}std(x)x−mean(x) 优缺点 假设有 1， 20， 500 三个数 normalization：
2021-03-08 13:11:31
278
1
原创 tensorflow模型代码框架
模型训练和评估的一个通用的代码框架 import tensorflow as tf # 初始化变量和模型参数，定义训练闭环中的运算 def inference(X): # 计算推断模型在数据 X 上的输出，并将结果返回 def loss(X, Y): # 依据训练数据 X 及其期望输出 Y 计算损失 def inputs(): # 读取或生成训练数据 X 及其期望输出 Y def train(total_loss): # 依据计算的总损失训练或调整模型参数 def evaluat
2020-11-11 19:18:37
914
1
原创 tensorflow 相关书籍推荐
TensorFlow for Machine Intelligence (written by Sam Abrahams et al) 中文译本 面向机器智能的 TensorFlow 实践 其中，基本概念如 graph 、session、等阐述的非常清晰 第一版和第二版的代码稍有不同（tensorflow的版本导致） TensorFlow Machine Learning Cookbook （written by Nick McClure） 中文译本 TensorFlow 机器学习实站指南 TensorF.
2020-11-11 17:44:48
1104
原创 TensorFlow 概念的解析（i.e. 缘由）
TensorFlow 基本概念解析 —— TensorFlow Machine Learning Cookbook TensorFlow 中的基本概念解析 声明张量 tensorflow 中的主要数据结构，用来操作计算图。可以把变量或者占位符声明为张量。 一旦创建好张量，就可以通过 tf.Varaiable() 函数封装张量作为变量，更多细节如下。 创建张量并不一定得用 tensorflow 的内建函数，可以使用 tf.convert_to_tensor() 函数将任意 numpy 数组转换为 pyth
2020-11-10 20:56:12
636
原创 TensorFlow 模型的运行机制
了解 TensorFlow 模型的运行机制 tensorflow 的运行机制属于“定义”于“运行”相互分离。从操作层面可以认为是 模型构建 和 模型运行。 在模型构件中，需要了解几个概念： 张量（tensor）：数据，N维向量 变量（variable）：模型参数，通过不断训练得到的值 占位符（placeholder）：输入变量的载体 图中的节点操作（operation，op）：执行相关计算，从而获取新的 tensor 上述定义的内容都是在一个叫做“图”的容器中完成的。关于“图”，有以下几点需要注意理解：
2020-11-10 20:04:01
1181
1
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人