江湖人称星爷

tf.truncated_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None从截断的正态分布中输出随机值。 生成的值服从具有指定平均值和标准偏差的正态分布，如果生成的值大于平均值2个标准偏差的值则丢弃重新选择。在正态分布的曲线中，横轴区间（μ-σ，μ+σ）内的面积为68.2

计算图的概念TensorFlow两个重要概念:Tensor和Flow,Tensor就是张量（可以理解为多维数组）,Flow就是计算相互转化的过程。TensorFlow的计算方式类似Spark的有向无环图(DAG),在创建Session之后才开始计算（类似Action算子）。简单示例import tensorflow as tf a = tf.constant([1.0,2.0],

一. 准备原始数据首先，我们需要准备训练的原始数据，本次训练为图像分类识别，因而一开始，笔者从网上随机的下载了Dog的四种类别：husky，jiwawa，poodle，qiutian。每种类别30种，一共120张图片。在训练之前，需要做的就是进行图像的预处理，即将这些大小不一的原始图片转换成我们训练需要的shape。下载的原始图片分别放到同一文件的不同文件夹下，如：二. 编程实现

一. 说明在上一博客，利用tensorflow训练自己的图片数据（1）中，我们已经得到了后续训练需要的图片的指定shape大小；接下来我们需要做的就是对指定大小的生成图片进行sample与label分类制作，获得神经网络输入的get_files文件，同时为了方便网络的训练，输入数据进行batch处理。二. 编程实现import osimport mathimport numpy a

一. 说明在上一博客——利用tensorflow训练自己的图片数据（2）中，我们已经获得了神经网络的训练输入数据：image_batch，label_batch。接下就是建立神经网络模型，笔者的网络模型结构如下：输入数据：（batch_size，IMG_W，IMG_H，col_channel）= （20,  64,  64,  3）卷积层1： （conv_kernel，num_ch

一  . 说明在上一篇博客——利用tensorflow训练自己的图片数据（3）中，我们建立好了本次训练的模型，接下来就是开始网络训练，并保存训练后的网络参数，以便测试时使用。二 . 编程实现#======================================================================#导入文件import osimport nu

一.说明上一篇博客中，我们已经将建立好的网络模型训练好了，并将训练的网络参数保存在相应的文件中；下面我们就开始测试网络，验证网络的训练效果；本次测试为随机的单图片测试，即随机的从训练集或测试集中读取一张图片，送入到神经网络中进行识别，打印识别率及识别的图像。二. 编程实现#=========================================================

下面是利用模拟的数据集训练神经网络，解决二分类问题：#===========================================================================#==============神经网络解决二分类问题========================================#===========================

工欲善其事，必先利其器。相信很多人在初次接触Python时，在开始编程前，都需要先安装相应的工具。对于Python而言也不例外，Python官方下载安装：https://www.python.org/downloads/但是，Python使用过程中存在的一个最大的问题，就是需要不断安装编程过程中可能涉及到函数包，这是一个很烦心的过程。因此，可能大家可能就在想，是否存在一款既支持Python