Tensroflow练习

目录

1、基础
基本语法
tensorBoard使用
dropout
模型保存与重载
基本神经网络
卷积神经网络

2、自然语言相关
static_RNN
dynamic_RNN
LSTM
LSTM_regression
seq2seq
seq2seq_attention

3、强化学习相关
Q-learning
SARSA
SARSA-lambda
DQN
Double DQN
Dueling DQN
Prioritized Replay DQN
Policy Gradient
Actor-Critic
DDPG
Pointer-Network
MADDPG

4、推荐系统
FM
FFM
DeepFM
Deep Cross Network
P NN
NFM
AFM
MLR
DIN
Bandit
GBDT+LR
evaluation-metrics
NCF

5、GAN
Basic GAN
SeqGAN



 

推荐阅读

1、基础
TensorFlow基础知识点总结
用tensorboard来看看我们的网络流吧
使用dropout来避免过拟合吧
使用Tensorflow实现第一个神经网络吧!
实现CNN对mnist手写数字分类

2、自然语言相关
使用简单的RNN观测数字中的规律
更进一步,使用LSTM实现对手写数字识别
简单的Seq2Seq实现作对联
使用Seq2Seq+attention model实现简单的Chatbot

3、强化学习相关
实战深度强化学习DQN-理论和实践
DQN三大改进(一)-Double DQN
DQN三大改进(二)-Prioritised replay
DQN三大改进(三)-Dueling Network
深度强化学习-Policy Gradient基本实现
深度强化学习-Actor-Critic算法原理和实现
深度强化学习-DDPG算法原理和实现
Pointer-network理论及tensorflow实战
探秘多智能体强化学习-MADDPG算法原理及简单实现

4、推荐系统
推荐系统遇上深度学习(一)--FM模型理论和实践
推荐系统遇上深度学习(二)--FFM模型理论和实践
推荐系统遇上深度学习(三)--DeepFM模型理论和实践
推荐系统遇上深度学习(四)--多值离散特征的embedding解决方案
推荐系统遇上深度学习(五)--Deep&Cross Network模型理论和实践
推荐系统遇上深度学习(六)--PNN模型理论和实践
推荐系统遇上深度学习(七)--NFM模型理论和实践
推荐系统遇上深度学习(八)--AFM模型理论和实践
推荐系统遇上深度学习(九)--评价指标AUC原理及实践
推荐系统遇上深度学习(十)--GBDT+LR融合方案实战
推荐系统遇上深度学习(十一)--神经协同过滤NCF原理及实战
推荐系统遇上深度学习(十二)--推荐系统中的EE问题及基本Bandit算法
推荐系统遇上深度学习(十三)--linUCB方法浅析及实现
推荐系统遇上深度学习(十四)--《DRN:A Deep Reinforcement Learning Framework for News Recommendation》
推荐系统遇上深度学习(十五)--强化学习在京东推荐中的探索
推荐系统遇上深度学习(十六)--详解推荐系统中的常用评测指标
推荐系统遇上深度学习(十七)--探秘阿里之MLR算法浅析及实现
推荐系统遇上深度学习(十八)--探秘阿里之深度兴趣网络(DIN)浅析及实现
推荐系统遇上深度学习(十九)--探秘阿里之完整空间多任务模型ESSM
推荐系统遇上深度学习(二十)--贝叶斯个性化排序(BPR)算法原理及实战
推荐系统遇上深度学习(二十一)--阶段性回顾
推荐系统遇上深度学习(二十二)--DeepFM升级版XDeepFM模型强势来袭!
推荐系统遇上深度学习(二十三)--大一统信息检索模型IRGAN在推荐领域的应用
推荐系统遇上深度学习(二十四)--深度兴趣进化网络DIEN原理及实战!
推荐系统遇上深度学习(二十五)--当知识图谱遇上个性化推荐
推荐系统遇上深度学习(二十六)--知识图谱与推荐系统结合之DKN模型原理及实现
推荐系统遇上深度学习(二十七)--知识图谱与推荐系统结合之RippleNet模型原理及实现

5、GAN
听说GAN很高大上,其实就这么简单
对抗思想与强化学习的碰撞-SeqGAN模型原理和代码解析

### TensorFlow 兼容性概述 TensorFlow 设计了多种机制来确保不同版本之间的兼容性,尤其是对于那些依赖特定版本的功能或数据结构的应用程序[^1]。 #### 向后兼容策略 为了保障代码和数据能在新旧版本间顺利迁移,官方采取了一系列措施: - **GraphDef 版本控制**:当某个 TensorFlow 版本能够识别并处理指定的计算图(GraphDef)版本,则其行为应当尽可能匹配最初创建此图时所使用TensorFlow 版本环境。这意味着即便是在不同的主要版本下,只要 GraphDef 被支持,那么对应的检查点文件依旧可以正常工作[^2]。 - **长期稳定性承诺**:尽管按照语义化版本管理(semver),理论上仅保证同一大版本内的次版本与修复版间的兼容;然而实际上,团队会尽力维持跨大版本的向后兼容能力,从而允许较早时期保存下来的图形或模型在未来很长时间里仍可被读取利用[^3]。 #### API 层面的支持 值得注意的是,这种兼容性特别适用于 TensorFlow 的公共API接口,在次要版本(minor version)及修补更新(patch release)期间这些公开暴露出来的函数签名、类定义等不会发生破坏性的变动[^5]。 #### 实际操作指南 面对实际项目中遇到的具体问题,如因版本更迭带来的潜在不兼容情况,建议借助官方提供的 `tf_upgrade_v2` 工具来进行自动化的转换尝试。虽然该工具无法覆盖所有场景——例如已被废弃模块的手动调整需求——但它确实可以帮助缓解大部分常见难题[^4]。 ```bash pip install --upgrade tensorflow_estimator python -m tensorflow.tools.compatibility.convert_files \ --input_dir=path/to/old_code \ --output_dir=path/to/new_converted_code ```
评论
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