xueli1991的博客

众所周知TensorFlow在发展的这一年多里，足足让那些Linux/Mac users骄傲了一把。为啥，人家官方只支持这两个系统！让我们占世界90%以上的Windows用户情何以堪！实验室只得买服务器装Linux，装Nvidia显卡，各种坑各种bug，说不完的血泪史，道不尽的忧愁殇。虽然之前几个月也开始支持windows的编译安装，但是各种工具各种配置，用过的人都知道，都是坑！然而我

在TensorFlow中文文档的教程中， 关于MNIST机器学习入门 一节，开头 down load mnist数据集的代码 import tensorflow.examples.tutorials.mnist.input_data mnist = input_data.read_data_sets(“MNIST_data/”, one_hot=True) 直接复制运行会报错，

一、卷积神经网络模型知识要点卷卷积卷积一、卷积神经网络模型知识要点卷1、卷积2、池化3、全连接4、梯度下降法5、softmax本次就是用最简单的方法给大家讲解这些概念，因为具体的各种论文网上都有，连推导都有，所以本文主要就是给大家做个铺垫，如有错误请指正，相互学习共同进步。二、卷积神经网络讲解    2.1卷积神经网络作用

加入神经网络的意义 * 前面也讲到了，使用普通的训练方法，也可以进行识别，但是识别的精度不够高，因此我们需要对其进行提升，其实MNIST官方提供了很多的组合方法以及测试精度，并做成了表格供我们选用，谷歌官方为了保证教学的简单性，所以用了最简单的卷积神经网络来提升这个的识别精度，原理是通过强化它的特征（比如轮廓等），其实我也刚学，所以能看懂就说明它确实比较简单。 * 我的代

在计算loss的时候，最常见的一句话就是tf.nn.softmax_cross_entropy_with_logits，那么它到底是怎么做的呢？首先明确一点，loss是代价值，也就是我们要最小化的值tf.nn.softmax_cross_entropy_with_logits(logits, labels, name=None)除去name参数用以指定该操作的name，

机器之心编译参与：沈泽江　　梯度下降法，是当今最流行的优化（optimization）算法，亦是至今最常用的优化神经网络的方法。本文旨在让你对不同的优化梯度下降法的算法有一个直观认识，以帮助你使用这些算法。我们首先会考察梯度下降法的各种变体，然后会简要地总结在训练（神经网络或是机器学习算法）的过程中可能遇到的挑战。　　目录：梯度下降的各种变体