weixin_44918105的博客

循环核参数时间共享，循环层提取时间信息前向传播时：记忆体内存储的状态信息ht，在每个时刻都被刷新，三个参数矩阵wxh,whh,why自始至终都是固定不变的。反向传播时：三个参数矩阵被梯度下降法更新。循环核按时间步展开循环神经网络：借助循环核提取时间特征后，送入全连接。每个时刻ht被刷新，但是三个参数是固定不变的，只有当梯度下降时才会对参数进行优化更新。循环计算层循环计算层的层数是向输出方向生长的。一个循环核纵向连接构成一层循环计算层。TF描述循环计算层tf.keras.Sim

卷积计算过程待优化参数过多容易过拟合（全连接网络）卷积计算可以认为是一种有效提取图像特征的方法一般会用一个正方形的卷积核，按指定步长，在输入特征图上滑动，遍历输入特征图中的每个像素点。每一个步长，卷积核会与输入特征图出现重合区域，重合区域对应元素相乘、求和再加上偏置项得到输出特征的一个像素点。卷积核的通道数要与输入特征图的深度一致当前层卷积核个数决定了当前输出特征图的深度感受野卷积神经网络各输出特征图中每个像素点，在原始输入图片上映射区域的大小全零填充TF描述卷积层tf.keras.

自制数据集观察数据集结构，给x_train,y_train,x_test,y_test赋值数据增强image_gen_train=tf.keras.preprocessing.image.ImageDataGenerator（rescale=所有数据将乘以该数值rotation_range=随机旋转角度数范围width_shift_range=随机宽度偏移量height_shift_range=随机高度偏移量horizontal_flip=是否随机水平翻转zoom_range=随机缩放的范

搭建网络八股六步法import-导入所需模块train,test-输入训练集和测试集model=tf.keras.models.Sequential-搭建网络model.compile-选择优化器，评价指标，损失函数model.fit-输入特征和标签，batch，epochmodel.summary-网络结构和参数统计model=tf.keras.models.Sequential（[网络结构]）#描述各层网络拉直层：tf.keras.layers.Flatten()全连接层：tf.ke

预备知识tf.where(条件语句，A，B)条件语句真返回A，假返回Bimport tensorflow as tfa=tf.constant([1,2,3,1,1])b=tf.constant([0,1,3,4,5])c=tf.where(tf.greater(a,b),a,b)print(c)运行结果：tf.Tensor([1 2 3 4 5], shape=(5,), dtype=int32)np.random.RandomState.rand(维度)返回一个[0,1）之间的

Tensorflow2.0（1）