<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[weixin_42713739的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/weixin_42713739</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; weixin_42713739]]></copyright><item><title><![CDATA[tensorflow2.x 多层自编码器]]></title><link>https://blog.youkuaiyun.com/weixin_42713739/article/details/111315575</link><guid>https://blog.youkuaiyun.com/weixin_42713739/article/details/111315575</guid><author>weixin_42713739</author><pubDate>Thu, 17 Dec 2020 15:01:23 +0800</pubDate><description><![CDATA[import  os
import  tensorflow as tf
import  numpy as np
from    tensorflow import keras
from    PIL import Image
from    matplotlib import pyplot as plt

“”"------------------------------多层自编码器-------------------------------"""
tf.random.set_seed(22)
np.ra]]></description><category></category></item><item><title><![CDATA[tensorflow2.x RNN进行情感分析]]></title><link>https://blog.youkuaiyun.com/weixin_42713739/article/details/111175353</link><guid>https://blog.youkuaiyun.com/weixin_42713739/article/details/111175353</guid><author>weixin_42713739</author><pubDate>Mon, 14 Dec 2020 16:13:07 +0800</pubDate><description><![CDATA[使用RNN(循环神经网络)对电影评论进行情感分析，结果为positive或negative，分别代表积极和消极的评论。至于为什么使用RNN而不是普通的前馈神经网络，是因为RNN能够存储序列单词信息，得到的结果更为准确。
使用的RNN模型架构如下

上代码：
import  os
import  tensorflow as tf
import  numpy as np
from tensorflow import keras


"""在这里我们将使用RNN(循环神经网络)对电影评论进行情感分析，结果为pos]]></description><category></category></item><item><title><![CDATA[tensorflow1.X tf.estimator.Estimator详解以及代码详细举例]]></title><link>https://blog.youkuaiyun.com/weixin_42713739/article/details/110367499</link><guid>https://blog.youkuaiyun.com/weixin_42713739/article/details/110367499</guid><author>weixin_42713739</author><pubDate>Tue, 01 Dec 2020 08:57:23 +0800</pubDate><description><![CDATA[简介
Estimator 类，用来训练和验证 TensorFlow 模型。
Estimator 对象包含了一个模型 model_fn，这个模型给定输入和参数，会返回训练、验证或者预测等所需要的操作节点。
所有的输出（检查点、事件文件等）会写入到 model_dir，或者其子文件夹中。如果 model_dir 为空，则默认为临时目录。
config 参数为 tf.estimator.RunConfig 对象，包含了执行环境的信息。如果没有传递 config，则它会被 Estimator 实例化，使用的是默认配]]></description><category></category></item><item><title><![CDATA[tensorflow2.X tf.data.Dataset详解]]></title><link>https://blog.youkuaiyun.com/weixin_42713739/article/details/109855146</link><guid>https://blog.youkuaiyun.com/weixin_42713739/article/details/109855146</guid><author>weixin_42713739</author><pubDate>Tue, 24 Nov 2020 11:56:51 +0800</pubDate><description><![CDATA[tf.data.Dataset(variant_tensor)

tf.data.Dataset.from_tensor_slice
a = (1,2,3,4,5,6)
aa = tf.constant(a, shape=(2,3))
dataset = tf.data.Dataset.from_tensor_slices(aa)
for element in dataset:
    print('element', element)

输出：
element tf.Tensor([1 2 3], sha]]></description><category></category></item><item><title><![CDATA[tensorflow2.0 最详细的模型训练步骤 直接上代码]]></title><link>https://blog.youkuaiyun.com/weixin_42713739/article/details/109676397</link><guid>https://blog.youkuaiyun.com/weixin_42713739/article/details/109676397</guid><author>weixin_42713739</author><pubDate>Fri, 13 Nov 2020 15:46:29 +0800</pubDate><description><![CDATA[import  os
import  tensorflow as tf
from    tensorflow import keras
from    tensorflow.keras import layers, optimizers, datasets
import numpy as np
import matplotlib.pyplot as plt
import datetime

def prepare_mnist_features_and_labels(x, y):
  x = tf.cast(]]></description><category></category></item><item><title><![CDATA[tensroflow2.X keras中回调函数Callbacks大讲解]]></title><link>https://blog.youkuaiyun.com/weixin_42713739/article/details/109612299</link><guid>https://blog.youkuaiyun.com/weixin_42713739/article/details/109612299</guid><author>weixin_42713739</author><pubDate>Thu, 12 Nov 2020 09:52:44 +0800</pubDate><description><![CDATA[回调函数Callbacks
回调函数是一组在训练的特定阶段被调用的函数集，你可以使用回调函数来观察训练过程中网络内部的状态和统计信息。通过传递回调函数列表到模型的.fit()中，即可在给定的训练阶段调用该函数集中的函数。虽然我们称之为回调“函数”，但事实上Keras的回调函数是一个类，回调函数只是习惯性称呼
CallbackList
keras.callbacks.CallbackList(callbacks=[], queue_length=10)

Callback
keras.callbacks.Ca]]></description><category></category></item><item><title><![CDATA[报错‘Failed to import pydot. You must `pip install pydot` and install graphviz解决]]></title><link>https://blog.youkuaiyun.com/weixin_42713739/article/details/109546473</link><guid>https://blog.youkuaiyun.com/weixin_42713739/article/details/109546473</guid><author>weixin_42713739</author><pubDate>Sat, 07 Nov 2020 14:19:07 +0800</pubDate><description><![CDATA[1.安装pydotplus
pip install pydotplus 

2.安装graphviz
下载地址：
https://www2.graphviz.org/Packages/development/windows/10/cmake/Release/x64/graphviz-install-2.44.2~dev.20201107.0123-win64.exe

安装的时候设置系统路径选上
3.不要安装pydot和pydot_ng如果安装了这2个依然会报错

...]]></description><category></category></item><item><title><![CDATA[ResNet 残差网络详解级代码详细注释]]></title><link>https://blog.youkuaiyun.com/weixin_42713739/article/details/109513158</link><guid>https://blog.youkuaiyun.com/weixin_42713739/article/details/109513158</guid><author>weixin_42713739</author><pubDate>Thu, 05 Nov 2020 15:30:31 +0800</pubDate><description><![CDATA[ResNet是一种残差网络，咱们可以把它理解为一个子网络，这个子网络经过堆叠可以构成一个很深的网络。咱们可以先简单看一下ResNet的结构，之后会对它的结构进行详细介绍。

为什么要引入ResNet？
我们知道，网络越深，咱们能获取的信息越多，而且特征也越丰富。但是根据实验表明，随着网络的加深，优化效果反而越差，测试数据和训练数据的准确率反而降低了。这是由于网络的加深会造成梯度爆炸和梯度消失的问题。
目前针对这种现象已经有了解决的方法：对输入数据和中间层的数据进行归一化操作，这种方法可以保证网络在反向传播中]]></description><category></category></item><item><title><![CDATA[tensorflow2.0中BatchNormalization详解 代码举例说明]]></title><link>https://blog.youkuaiyun.com/weixin_42713739/article/details/109352203</link><guid>https://blog.youkuaiyun.com/weixin_42713739/article/details/109352203</guid><author>weixin_42713739</author><pubDate>Thu, 29 Oct 2020 10:03:28 +0800</pubDate><description><![CDATA[BatchNormalization即对所有样本归一化，典型的图片的例子，设某一层输入shape为(m, h, w, c),其中m为样本数，h为高，w为宽，c为通道数，应用公式(x-mean)/std，这里的mean的shape为(c,),即对于每一个通道，使用全部样本的这个通道进行归一化。
tf.keras.layers.Batchnormalization()：
training：布尔值，指示图层应在训练模式还是在推理模式下运行。
training=True：该图层将使用当前批输入的均值和方差对其输入进]]></description><category></category></item><item><title><![CDATA[tensorflow2.0 数字识别]]></title><link>https://blog.youkuaiyun.com/weixin_42713739/article/details/109175353</link><guid>https://blog.youkuaiyun.com/weixin_42713739/article/details/109175353</guid><author>weixin_42713739</author><pubDate>Tue, 20 Oct 2020 10:02:24 +0800</pubDate><description><![CDATA[import  os
import  tensorflow as tf
from    tensorflow import  keras
from    tensorflow.keras import datasets, layers, optimizers
import  argparse
import  numpy as np
from network_mode import VGG16

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'  # or any {'0', ]]></description><category></category></item><item><title><![CDATA[神经网络中参数权重w,偏置b的作用]]></title><link>https://blog.youkuaiyun.com/weixin_42713739/article/details/109156098</link><guid>https://blog.youkuaiyun.com/weixin_42713739/article/details/109156098</guid><author>weixin_42713739</author><pubDate>Mon, 19 Oct 2020 10:51:59 +0800</pubDate><description><![CDATA[我们都知道，神经网络学习的本质，其实就是利用损失函数来对权重参数w的不停迭代更新以期达到较好的性能。
y = weight*x + bias
bias神经元的引入使您可以沿输入轴水平（左/右）移动传递函数曲线，同时保持形状/曲率不变。这将允许网络产生与默认值不同的任意输出，因此您可以自定义/更改输入到输出的映射以适合您的特定需求。bias可以上下移动线以更好地将预测与数据拟合。如果没有bias，则直线始终穿过原点（0，0），因此拟合度可能较差。

...]]></description><category></category></item><item><title><![CDATA[交叉熵损失函数CategoricalCrossentropy 和 categorical_crossentropy]]></title><link>https://blog.youkuaiyun.com/weixin_42713739/article/details/109112928</link><guid>https://blog.youkuaiyun.com/weixin_42713739/article/details/109112928</guid><author>weixin_42713739</author><pubDate>Mon, 19 Oct 2020 10:00:16 +0800</pubDate><description><![CDATA[CategoricalCrossentropy 和 categorical_crossentropy 都是类别交叉熵损失函数，前者是类的实现形式，后者是函数的实现形式。CategoricalCrossentropy 调用的还是categorical_crossentropy 的实现。
y_true = [[0, 1, 0], [0, 0, 1]]
y_pred = [[0.05, 0.95, 0], [0.1, 0.8, 0.1]]
loss = tf.keras.losses.categorical_cr]]></description><category></category></item><item><title><![CDATA[什么是损失函数？什么是梯度]]></title><link>https://blog.youkuaiyun.com/weixin_42713739/article/details/109155168</link><guid>https://blog.youkuaiyun.com/weixin_42713739/article/details/109155168</guid><author>weixin_42713739</author><pubDate>Mon, 19 Oct 2020 09:59:22 +0800</pubDate><description><![CDATA[什么是损失函数？
损失函数就一个具体的样本而言，模型预测的值与真实值之间的差距。
对于一个样本（xi,yi）其中yi为真实值，而f（xi）为我们的预测值。使用损失函数L（f(xi),yi）来表示真实值和预测值之间的差距。两者差距越小越好，最理想的情况是预测值刚好等于真实值。
什么是梯度？
百度上面：梯度的本意是一个向量（矢量），表示某一函数在该点处的方向导数沿着该方向取得最大值，即函数在该点处沿着该方向（此梯度的方向）变化最快，变化率最大（为该梯度的模）。
梯度下降：简单说就是从山顶上找一个最快，最陡峭的路]]></description><category></category></item><item><title><![CDATA[tensorflow2.0 简单代码实现模型训练]]></title><link>https://blog.youkuaiyun.com/weixin_42713739/article/details/109013419</link><guid>https://blog.youkuaiyun.com/weixin_42713739/article/details/109013419</guid><author>weixin_42713739</author><pubDate>Sun, 11 Oct 2020 16:29:42 +0800</pubDate><description><![CDATA[import random

"""1.做最简单的模型训练模型。
设g(a, x)=a*(x**2+x)，我们把g(a, x)看成是一个模型，其中a是输入，x是变量"""
def Y(a, x):
    return a*(x**2 + 4)

"""2.这里我们设定一个最终训练好的函数，假设我们最终想把x值训练成4，那么我们有：（这个函数用来帮我们获取标签，用来计算损失值）"""
def Z(a):
    return a*(4**2 + 4)

"""3.定义学习效率"""
lr = 0.01
""]]></description><category></category></item><item><title><![CDATA[tensroflow2.0 报错AttributeError: Tensor.name is meaningless when eager execution is enabled.解决]]></title><link>https://blog.youkuaiyun.com/weixin_42713739/article/details/109012107</link><guid>https://blog.youkuaiyun.com/weixin_42713739/article/details/109012107</guid><author>weixin_42713739</author><pubDate>Sun, 11 Oct 2020 15:14:47 +0800</pubDate><description><![CDATA[报错代码如下：
import random
import tensorflow as tf

def Z(a):
    return a*(4**2 + 4)

def Y(a, x):
    return a*(x**2 + 4)

x = tf.constant(0.0)
optimizer = tf.keras.optimizers.Adam(0.01)

for _ in range(500):
    input = random.randint(1,255)
    target = Z(i]]></description><category></category></item><item><title><![CDATA[Fashion MNIST 数据及分类 常用的几种模型训练方式]]></title><link>https://blog.youkuaiyun.com/weixin_42713739/article/details/108863662</link><guid>https://blog.youkuaiyun.com/weixin_42713739/article/details/108863662</guid><author>weixin_42713739</author><pubDate>Tue, 29 Sep 2020 10:30:33 +0800</pubDate><description><![CDATA[import  os
import  tensorflow as tf
from    tensorflow import keras
from    tensorflow.keras import layers, optimizers, datasets

def prepare_mnist_features_and_labels(x, y):
  x = tf.cast(x, tf.float32) / 255.0 #类型转为float32
  y = tf.cast(y, tf.int64)
  re]]></description><category></category></item><item><title><![CDATA[tensorflow2.0 函数举例详解]]></title><link>https://blog.youkuaiyun.com/weixin_42713739/article/details/108789172</link><guid>https://blog.youkuaiyun.com/weixin_42713739/article/details/108789172</guid><author>weixin_42713739</author><pubDate>Sun, 27 Sep 2020 17:13:48 +0800</pubDate><description><![CDATA[import tensorflow as tf
from  tensorflow.keras import datasets, layers, optimizers, Sequential, metrics
import numpy as np

1、tf.data.Dataset.from_tensor_slices:它的作用是切分传入Tensor的第一个维度，生成相应的dataset。
将输入的张量的第一个维度看做样本的个数，沿其第一个维度将tensor切片，得到的每个切片是一个样本数据。实现了输入张量]]></description><category></category></item><item><title><![CDATA[tensorflow2.0线性回归代码实现 代码里面注释详细]]></title><link>https://blog.youkuaiyun.com/weixin_42713739/article/details/108832009</link><guid>https://blog.youkuaiyun.com/weixin_42713739/article/details/108832009</guid><author>weixin_42713739</author><pubDate>Sun, 27 Sep 2020 17:12:21 +0800</pubDate><description><![CDATA[import  tensorflow as tf
import  numpy as np
from    tensorflow import keras
import  os


#基础线性模板
class Regressor(keras.layers.Layer):

def __init__(self):
    super(Regressor, self).__init__()

    # here must specify shape instead of tensor !
    # name ]]></description><category></category></item><item><title><![CDATA[pytorch RNN:循环神经网络 代码详解 注释详细]]></title><link>https://blog.youkuaiyun.com/weixin_42713739/article/details/108752267</link><guid>https://blog.youkuaiyun.com/weixin_42713739/article/details/108752267</guid><author>weixin_42713739</author><pubDate>Wed, 23 Sep 2020 14:24:06 +0800</pubDate><description><![CDATA[import torch
from torch import nn, optim
from torch.autograd import Variable
from torch.utils.data import DataLoader
from torchvision import transforms
from torchvision import datasets


# 定义超参数
batch_size = 100
learning_rate = 1e-3
num_epoches = 2

# 下载训练]]></description><category></category></item><item><title><![CDATA[pytorch nn.LSTM详解 代码里有详细的参数说明]]></title><link>https://blog.youkuaiyun.com/weixin_42713739/article/details/108746797</link><guid>https://blog.youkuaiyun.com/weixin_42713739/article/details/108746797</guid><author>weixin_42713739</author><pubDate>Wed, 23 Sep 2020 11:05:36 +0800</pubDate><description><![CDATA[nn.LSTM(in_dim, hidden_dim, n_layer, batch_first=True):LSTM循环神经网络
参数：
input_size： 表示的是输入的矩阵特征数
hidden_size： 表示的是输出矩阵特征数
num_layers 表示堆叠几层的LSTM，默认是1
bias： True 或者 False，决定是否使用bias
batch_first： True 或者 False，因为nn.lstm()接受的数据输入是(序列长度，batch，输入维数)，这和我们cnn输入的方式不]]></description><category></category></item></channel></rss>