输入：x= tf.truncated_normal([32, 32, 3], dtype=tf.float32)print(tf.shape(x))print(x.get_shape())print(x.get_shape().as_list())输出：Tensor("Shape:0", shape=(3,), dtype=int32)(32, 32, 3)[32, 32, 3]
转载
2019-05-14 17:12:00
175阅读
2评论
模型定义一致，但有些小参数传入不一致。
原创
2022-07-19 16:32:45
176阅读
import numpy as np x = np.array([[1,2,5],[2,3,5],[3,4,5],[2,3,6]]) # 输出数组的行和列数 print(x.sh
转载
2020-01-15 17:11:00
702阅读
2评论
一、数学计算1.加减乘除加法：tf.math.add( x, y, name=None)减法：tf.math.subtract( x, y, name=None )乘法：tf.math.multiply( x, y, name=None )除法：tf.math.divide( x, y, name=None )2.指数、开方、对数指数：tf.math.pow( x, y, name=None ),
转载
2024-04-17 16:44:47
100阅读
tf.shape()很显然这个是获取张量的大小的x.get_shape()，只有tensor才可以使用这种方法，返回的是一个元组代码示例a_array=np.array([[1,2,3],[4,5,6]])b_list=[[1,2,3],[3,4,5]]c_tensor=tf.constant([[1,2,3],[4,5,6]])print(c_tensor.get_shape...
原创
2021-07-12 11:47:37
380阅读
1、其中其使用input_shape=(12,)，这个指的是输入一维的数据，其例子如下：# as first layer in a Sequential model
model = Sequential()
model.add(Reshape((3, 4), input_shape=(12,)))
# now: model.output_shape == (None, 3, 4)
# note:
转载
2024-03-19 20:32:57
77阅读
Tensorflow基础Tensorflow基础基础概念图op会话张量tensorboard可视化线性回归的实现模型保存和加载 Tensorflow基础基础概念tensor：张量（数据）operation(op)：专门运算的操作节点，所有操作都是一个opgraph：图，整个程序的结构Session：会话，运算程序的图Tensorflow属于计算密集型，大多是在cpu上进行计算。 django、s
转载
2024-04-12 07:07:05
8阅读
group(
*inputs,
**kwargs
)创建一个操作，该操作可以对 TensorFlow 的多个操作进行分组。当这个操作完成后，所有 input 中的所有 ops 都已完成。这个操作没有输出。另请参见 tuple 和 control_dependencies 获得更多信息。参数：input：需要进行分组的零个或多个张量。kwargs：构造 NodeDef 时要传递的可选
转载
2024-04-14 13:59:33
41阅读
测试是否安装成功jupyter里import tensorflow as tf
tf.__version__按Ctrl+Enter执行'1.2.1'即为成功。import tensorflow as tf
# 创建一个常量运算， 将作为一个节点加入到默认计算图中
hello = tf.constant("Hello, World!")
# 创建一个TF对话
sess = tf.Session(
转载
2024-03-27 12:18:37
39阅读
矩阵分解特征向量和特征值我们在《线性代数》课学过方阵的特征向量和特征值。定义：设$A{\in}F^{n{\times}n}$是n阶方阵。如果存在非零向量$X{\in}F^{n{\times}1}$使$AX={\lambda}X$对某个常数${\lambda\in}F$成立，则称$\lambda$是A的特征值(eigenvalue)，X是属于特征值${\lambda}$的特征向量。设$\sigma$
import tensorflow as tf
# 1.1矩阵操作
sess = tf.InteractiveSession()
x = tf.ones([2, 3], "float32")
print("tf.ones():", sess.run(x))
tensor = [[1, 2, 3], [4, 5, 6]]
x = tf.ones_like(tensor)
print("ones_
转载
2024-03-22 14:18:30
66阅读
在TensorFlow中，变量(Variable)是特殊的张量(Tensor)，它的值可以是一个任何类型和形状的张量。
与其他张量不同，变量存在于单个 session.run 调用的上下文之外，也就是说，变量存储的是持久张量，当训练模型时，用变量来存储和更新参数。除此之外，在调用op之前，所有变量都应被显式地初始化过。
1.创建变量
最常见的创建变量方式是
转载
2024-04-21 17:08:21
37阅读
记录关键内容与学习感受。未完待续。。TensorFlow Linear Model Tutorial——在本教程中，我们将使用tensorflow中tf.learnAPI来解决一个二元分类的问题：对于给定的人口普查数据，例如一个人的年龄、性别、教育、职业（特征），我们要试图预测出一个人一年是否能赚超过50000美元（目标标签），我们将训练一个逻辑回归模型，并且给模型一个人的信息后，模型将输出数字0
转载
2024-05-23 21:24:36
22阅读
1.placeholder 占位符 可以通过run方法传入值 测试代码如下： 运行结果如下： 2.矩阵的定义 类似于二维数组，测试代码如下： 运行结果如下： 3.矩阵的基本运算 同维度矩阵相加减，内积，外积等，测试代码如下： 运行结果如下： 4.特殊矩阵 特殊矩阵的测试代码如下： 运行结果如下：
原创
2021-07-15 10:23:21
137阅读
矩阵QR分解矩阵的QR分解概述演示分析实现QR分解 矩阵的QR分解和LU分解的目的都是为了便于矩阵计算。 矩阵的QR分解概述这一过程将矩阵分解为和两部分，其中是标准正交矩阵，是一个上三角矩阵。矩阵的分解能够简化计算可以以线性系统的计算为例，是非常好计算的，是一个上三角矩阵（相当于Gauss-Jordan消元法的前向过程结束），从下往上推就可以很快计算出线性系统的结果。因为涉及到求取标准正交矩阵
本篇笔记包含张量的合并与分割，范数统计，张量填充，限幅等操作。1.合并与分割合并张量的合并可以使用拼接(Concatenate)和堆叠(Stack)操作实现，拼接并不会产生新的维度，而堆叠会创建新维度。选择使用拼接还是堆叠操作来合并张量，取决于具体的场景是否需要创建新维度。拼接 在 TensorFlow 中，可以通过 tf.concat(tensors, axis)，其中 tensors 保存了所
Variable变量1、Variable变量的创建说明：Variable是tensorflow中的一个类，需要实例化，变量根据传入的初始值的shape决定变量的shape，如传入2*2的矩阵，则变量的shape为2*2。 Variable的构造函数：tf.Variable.__init__(initial_value,trainable=True, collections=None, d
转载
2024-07-30 13:28:47
74阅读
文章目录深度学习介绍Tensorflow1、图（op+tensor）2、会话3、张量 深度学习介绍（1）介绍：深度学习，如深度神经网络、卷积神经网络和递归神经网络已被应用 计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域 并获取了极好的效果。（2）深度学习框架Tensorflow（1）认识Tensorflow （2）Tensorflow特点真正的可移植性 引入各种计算设备的支持包括
训练模型时，需要使用变量(Variables)保存和更新参数。Variables是包含张量(tensor)的内存缓冲。变量必须要先被初始化(initialize)，而且可以在训练时和训练后保存(save)到磁盘中。之后可以再恢复(restore)保存的变量值来训练和测试模型。 1、变量op能够持久化保存，普通张量不行2、定义一个变量时，在会话中必须初始化3、name参数：在tensorb
转载
2024-03-26 10:13:43
62阅读
import numpy as npfrom numpy impo数据的个数print matrix1.size#矩阵每个数据的类型print matrix1.dtype
原创
2023-07-10 20:47:17
81阅读
