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$\sigma$
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
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
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
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
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
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
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
一、项目描述10类花的图片1100张，按{牡丹，月季，百合，菊花，荷花，紫荆花，梅花，…}标注，其中1000张作为训练样本，100张作为测试样本，设计一个CNN卷积神经网络花卉分类器进行花卉的分类，完成模型学习训练后，进行分类测试，并做误差分析，检查模型的泛化性。二、项目界面花卉识别器界面点击“CNN卷积”，读取当前路径下的花卉库CNN训练完成，点击图片进行识别；点击“测试CNN”按钮进行识别；可
转载
2024-03-18 11:28:20
59阅读
import tensorflow as tf matrix1 = tf.constant([[3,3]]) matrix2 = tf.constant([[2],[2]]) product = tf.matmul(matrix1,matrix2) #矩阵相乘 # sess = tf.Session
原创
2021-08-25 14:44:30
165阅读
仅仅是防止自己忘记，这里不可避免地肯定夹杂着大量别人写的东西，我本质上不过是把这些东西集中在一起罢了（简称：大融合怪）。第一步 安装Anaconda第二步 换源C:\Users\用户名 文件夹下找到 .condarcshow_channel_urls: true
ssl_verify: true
channels:
- https://mirrors.tuna.tsinghua.edu.cn/
张量的一些数学操作一 、标量运算1 maximum 与 minimum2 幅值裁剪clip_by_value 与 clip_by_norm 二、 向量运算1 reduce_sum、mean、max、min2 reduce_prob 乘积3 reduce_all 与 reduce_any [逻辑符and or】4 foldr 实现匿名函数5 cum累计6 argmax 与 argmmin 极值索引
转载
2024-04-23 14:23:04
84阅读
会话控制 Session：
TensorFlow中的Session主要用于执行命令，不管你前面做了什么，比如使用add()，mul()方法，相加也好，相乘也好，不执行Session().run()就不会执行相应的操作。
例子如下：
[python]
view plain
copy
1. import ten
稀疏矩阵的应用此设计实现在三元组，十字链表下的稀疏矩阵的加、转、乘的实现。1.稀疏矩阵的存储2.稀疏矩阵的加法3.矩阵乘法4.矩阵转置 一：存储结构设计 采用三元组结构和十字链表结构存储稀疏矩阵的具体信息。其中：在三元组中，所有元素的信息用数组表示，每
转载
2024-05-13 17:22:28
50阅读
矩阵如何做乘法，一直没搞清楚，今天写个实例：如下：a = tf.constant([[1,2],[3,4]])b = tf.constant([[0,0],[1,0]])c =a *bwith tf.Session() as sess: print(sess.run(a)) print(sess.run(b)) print(sess.run(c))输出如下： 从上...
原创
2021-07-12 11:48:00
758阅读
多分类任务的混淆矩阵处理在多分类任务中，不适合使用PR曲线和ROC曲线来进行指标评价，但我们仍可以通过混淆矩阵来进行处理。可以通过matplotlib的matshow()函数，直观地展示分类结果的好坏。先使用cross_val_predict得出各个分类值的分数y_train_pred = cross_val_predict(sgd_clf, X_train_scaled, y_train, cv
