进行学习首先需要明确TensorFlow 是一个面向于深度学习算法的科学计算库，内部数据保存在张量(Tensor)对象上，所有的运算操作(Operation, OP)也都是基于张量对象进行。数据类型Tensorflow中的基本数据类型有三种，包括数值型、字符串型和布尔型。【数值型】又包括：（在 TensorFlow 中间，为了表达方便，一般把标量、向量、矩阵也统称为张量，不作区分，需要根据张量的维
转载
2024-05-14 22:16:44
95阅读
综述面向机器学习初学者的 MNIST 初级教程如果你是机器学习领域的新手, 我们推荐你从本文开始阅读. 本文通过讲述一个经典的问题, 手写数字识别 (MNIST), 让你对多类分类 (multiclass classification) 问题有直观的了解.面向机器学习专家的 MNIST 高级教程如果你已经对其它深度学习软件比较熟悉, 并且也对 MNIST 很熟悉, 这篇教程能够引导你对 Tenso
菜鸟学TensorFlow 2.0：TensorFlow2.0基础操作演示1. Tensor数据类型2. 创建Tensor3. Tensor索引和切片4. Tensor维度变换5. Broadcast6. 数学运算7. 手写数字识别流程8. TensorFlow实现神经网络参考资料 1. Tensor数据类型TensorFlow没有那么神秘，为了适应自动求导和GPU运算，它应运而生。为了契合nu
转载
2024-04-30 04:14:05
265阅读
一、《深度学习之Tensorflow入门原理与进阶实战》1、第三章import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
trainx=np.linspace(-1,1,100)
trainy=2*trainx+np.random.randn(*trainx.shape)*0.3
#y=2x with
转载
2024-05-25 16:55:42
130阅读
文章目录前言一、环境准备二、安装TensorFlow2.1发现问题2.2 解决方法一：屏蔽警告2.3 解决方法二：安装适配版本三、安装过程中遇到的其他问题 前言TensorFlow 是一个端到端开源机器学习平台。它拥有一个全面而灵活的生态系统，其中包含各种工具、库和社区资源，可助力研究人员推动先进机器学习技术的发展，并使开发者能够轻松地构建和部署由机器学习提供支持的应用。为了能够在自己的电脑上实
引言：本次安装全部是在window下安装的虚拟环境，电脑显卡为1650ti，给相同配置的朋友一点参考，也给自己记录一下整体过程。1.创建虚拟环境在已经安装anaconda的情况下，搜索点开anaconda prompt创建python版本为3.9.0的虚拟环境用于搭建tensorflow框架 ，命令格式conda create -n name python=x.x.x，我的命令conda crea
TensorFlow2教程。
丰富的代码，让你神游TensorFlow2之中，感觉到机器学习的魅力，还在debugging当中，争取一日一更。
原创
2021-05-20 19:46:38
1807阅读
文章目录1.教程链接1.1官网1.2 安装2.基本图像分类3.基本文本分类4.回归模型5.过拟合与欠拟合6.模型保存与加载7.使用keras tuner调整超参数 1.教程链接1.1官网https://tensorflow.google.cn/overview1.2 安装豆瓣源飞起！！！（秒下！） 其他源暂时有点慢（一下午没下完。。）python -m pip install tensorflo
转载
2024-03-19 16:21:01
15阅读
文章目录使用 pip 安装 TensorFlow1. 环境准备2. 创建虚拟环境（推荐）3. 安装 TensorFlow pip 软件包TensorFlow2 快速入门1. 模型构建2. 参数配置3. 训练和评估训练配置输入数据小型数据大型数据集评估和预测4. 构建复杂模型函数式API模型子类化自定义层回调5. 模型保存与恢复保存权重保存网络结构保存整个模型常用函数速查常用 LayerDense
转载
2024-05-12 15:20:16
92阅读
本文档为TensorFlow参考文档，本转载已得到TensorFlow中文社区授权。卷积神经网络注意:概述对CIFAR-10 数据集的分类是机器学习中一个公开的基准测试问题，其任务是对一组32x32RGB的图像进行分类，这些图像涵盖了10个类别：飞机， 汽车， 鸟， 猫， 鹿， 狗， 青蛙， 马， 船以及卡车。目标本教程的目标是建立一个用于识别图像的相对较小的卷积神经网络，在这一过程中，本教程会：
转载
2024-02-27 13:23:07
46阅读
Tensorflow2.1.0最简教程Tensorflow2.0主要的特性Tensorflow2.0的架构Tensorflow2.0的开发流程Tensorflow 第一个程序1+1/2+1/4+1/8……实现以上操作的基础使用1 . 设置变量（Variable）2.操作3.输出4.额外的知识张量模型搭建1.理论1.1keras是什么1.2损失函数1.3激活函数2.代码片段2.1 引入库文件2.2
转载
2024-03-15 15:23:00
35阅读
文章目录1.环境的搭建2.导入和解析训练数据集3 选择模型类型4 训练模型5 创建优化器6.评估模型的效果7 建立测试数据集8 使用经过训练的模型进行预测 这个教程将利用机器学习的手段来对鸢尾花按照物种进行分类。本教程将利用 TensorFlow 来进行以下操作：
1. 构建一个模型，
2. 用样例数据集对模型进行训练，以及
3. 利用该模型对未知数据进行预测。TensorFlow 编程
转载
2023-11-21 17:24:42
57阅读
Tensorflow 2.3学习笔记安装我先用pip安装了tensorflow，整个装过程很顺利，只需要在bash上输入pip install tensorflow 2.3.0rc0需要注意的是我使用的是macOS 10.15.6，使用时系统会默认使用自带的 python2.7，pip也是对应为老版的，这时候就需要我们手动升级，并在~/.bash_profile中添加alias python =
实现流程 1、准备数据2、全连接结果计算3、损失优化（梯度下降）4、模型评估（计算准确性）5、加入tensorboard图6、使用训练后的模型进行预测 1 def full_connect():
2 #使用占位符时，tersorflow2.X以上会出现tf.placeholder() is not compatible with eager execution报错，需
转载
2024-06-15 07:07:22
60阅读
第一讲 常用函数的使用（包含了很多琐碎的函数，还有第二讲的部分）这里把视频中的给的常用的函数都罗列出来了，我也刚学，以后就没事看这个复习熟悉吧import tensorflow as tf
import numpy as np
from sklearn.datasets import load_iris
##############################################
【Tensorflow】菜鸟学TensorFlow 2.0：TensorFlow2.0基础知识讲解1. 简介2. TensorFlow的特点3. TensorFlow的发展历程4. TensorFlow 2 的框架5. TensorFlow的开发流程6. TensorFlow为研究提供强大的实验工具7. 入门案例8. TensorFlow常见基本概念1. 计算图2. 张量3. 会话4. 运算操作
转载
2024-03-29 13:40:27
81阅读
前言：最近需要使用tensoflow框架进行任务，但是之前没有接触过tensorflow，对于python的了解也不是很多，所以在此记录一下自己学习tensorflow的进度和summary，如果有错误和建议的地方，希望各位大佬指正。1.环境的安装：一开始使用的是annconda+tensorflow的环境安装，但是后面嵌入到pycharm中的时候，出现了很多的错误，多次尝试没有成功（怀疑是环境变
转载
2024-03-19 13:23:38
35阅读
Tensorflow2.1入门 第一章：张量及基本函数一、Tensor 张量1. 什么是张量2. 张量的创建方式（1） 普通创建（2）由numpy转换（3）指定值tensor（4）符合正态分布的tensor（5）均匀分布随机数二、常用函数1.强制将张量转换为其他格式2.找到最小值3.找到最大值4.计算平均值5.求和6.标记为“可训练”7.四则运算（要求：维度相同）8.指数操作9.矩阵相乘10.切
转载
2024-01-28 14:16:32
65阅读
由于开发的需要，我需要将代码移植到TX2上，但是tx2上没有合适的tensorflo
原创
2022-08-12 07:38:29
169阅读
其实内容有一定难度，不适合入门资料，同样的内容可以讲的很简单，需要一定的知识储备。使用 TensorFlow 的基本步骤学习目标：学习基本的 TensorFlow 概念在 TensorFlow 中使用 LinearRegressor 类并基于单个输入特征预测各城市街区的房屋价值中位数使用均方根误差 (RMSE) 评估模型预测的准确率通过调整模型的超参数提高模型准确率设置在此第一个单元格中，我们将加
