tensorflow: 如何定义常量tensor与变量tensor

本文介绍了如何在TensorFlow中声明常量和变量Tensor,包括`tf.zeros`, `tf.ones`, `tf.fill`, `tf.constant`, `tf.linspace`, `tf.range`, `tf.random_uniform`, `tf.random_normal`等函数的使用,并展示了变量的初始化和操作。此外,还提到了将数据转换为Tensor的方法。" 105804854,9530511,Pandas索引详解:从单级到多级,"['数据处理', 'Pandas库', '数据分析', 'Python编程']

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

Refence:  《Tensorflow machine learning cookbook》 : Declaring Tensors


Packt.TensorFlow.Machine.Learning.Cookbook.2017 笔记


主要应用领域:计算机视觉,语音识别,机器翻译,健康医疗
流行的GPU架构:Nvidia Tesla and Pascal,4G RAM,
GPU软件支持:Nvidia Cuda Toolkit and also v 5.x +
通用十步骤:
1.导入或生成数据集;
2.转换和标准化数据;data = tf.nn.batch_norm_with_global_normalization(...)
3.划分训练、测试和验证数据集;
4.设置超参数,集中设置;
learning_rate = 0.01
batch_size = 100
iterations = 1000
5.初始化变量与占位符;通过占位符喂数据,模型调整变量,权重和偏好。
a_var = tf.constant(42)
x_input = tf.placeholder(tf.float32, [None, input_size])
y_input = tf.placeholder(tf.float32, [None, num_classes])
6.定义模型结构;构建计算图。
y_pred = tf.add(tf.mul(x_input, weight_matrix), b_matrix)
7.定义损失函数;
loss = tf.reduce_mean(tf.square(y_actual – y_pred))
8.初始化和训练模型
with tf.Session(graph=graph) as session:
...
session.run(...)
...
或:
session = tf.Session(graph=graph)
session.run(…)
9.评估模型;在训练集和测试集上。
10.超参数调优;在验证集上
11.应用,部署上线,预测新输出;


http://tensorfly.cn/tfdoc/mltools.html有广泛的机器学习资源介绍。
但tensorflow的api在tensorfly.cn上还没有。可以下一个tensorflow manual,里面包括了tensorflow的基础教程,运作方式和python,c++的api.


图一:模型的各类参数

评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值