1.数据类型TensorFlow主要有以下几种数据类型2.张量1.张量定义TensorFlow 中的 Tensor 表示张量，是多维数组、多维列表，用阶表示张量的维数。0 阶张量叫做标量，表示的是一个单独的数，如 1 2 3；1 阶张量叫作向量，表示的是一个一维数组如[1,2,3]；2 阶张量叫作矩阵，表示的是一个二维数组，它可以有 i 行 j 列个元素，每个元素用它的行号和列号共同索引到，如在[
转载
2024-07-26 07:39:00
89阅读
import tensorflow as tf
import numpy as np
import os
#%% fileos
def get_files(file_dir):
cats =[]
label_cats = []
dogs = []
label_dogs =[]
转载
2024-02-13 15:02:24
56阅读
AI 前线导读： 文本分类是指将给定文本按照其内容判别到一个或多个预先确定的文本类别中的过程。文本分类计数用于识别文档主题，并将之归类到预先定义的主题或主题集合中。需要注意的是，多类文本分类与多标签分类并不同，其中多类分类区别于二分类问题，即在 $n (n>2)$ 个类别中互斥地选取一个作为输出；而多标签分类，是在 n 个标签中非互斥地选取 $m (m 本文介绍了如何基于="" t
转载
2024-10-22 20:42:17
24阅读
一、概述本博文基于tensorflow的官方指南，演示一个基本分类的例子，环境为win10+spyder3.3.3+python3.6，直接上代码。 二、代码与运行结果1、导入依赖库# TensorFlow and tf.keras
import tensorflow as tf
from tensorflow import keras
# Helper libraries
impor
最近下决心要好好学习一下，从11月4日开始学习《Tensorflow实战》这本书，跟着书上一句句敲代码并调试，中间遇到了如下一些常见问题：1.tensorflow首先通过定义好计算图，然后再把真实的数据喂进图中来得到一个结果。有点像形参和实参的意味。喂进数据的时候也就是先获得输入，然后获得输出：image_batch, label_batch = sess.run([train_image, tr
转载
2024-04-06 11:09:24
68阅读
在上一篇文章中，我们介绍了 高效的数据流水线模块 tf.data 的基本使用方式。本篇文章我们将介绍如何通过 prefetch 和 map 的并行化参数，让 tf.data 的性能得到明显提升。使用 tf.data 的并行化策略提高训练流程效率当训练模型时，我们希望充分利用计算资源，减少 CPU/GPU 的空载时间。然而有时，数据集的准备处理非常耗时，使得我们在每进行一次训练前都需要花费大量的时间
转载
2024-10-12 20:33:50
33阅读
在上一篇文章中，我们介绍了 高效的数据流水线模块 tf.data 的基本使用方式。本篇文章我们将介绍如何通过 prefetch 和 map 的并行化参数，让 tf.data 的性能得到明显提升。使用 tf.data 的并行化策略提高训练流程效率当训练模型时，我们希望充分利用计算资源，减少 CPU/GPU 的空载时间。然而有时，数据集的准备处理非常耗时，使得我们在每进行一次训练前都需要花费大量的时间
转载
2024-10-15 18:13:49
26阅读
之前我们介绍过逻辑回归的二分类问题，但是在我们实际应用中往往都是多分类问题，这里我们以Mnist数据集为例来分析多分类问题，首先Mnist输入为图片，是高维度数据，不同于我们之前的一行或者一列，这里我们先从简单的开始，将28x28矩阵，转化为1x784的矩阵，这样我们的输入数据就和前面的一样，既然要对数据进行处理，那我们先分析一下我们要解析的数据是什么样的。以
转载
2024-02-09 08:32:46
18阅读
深度学习本质上是表示学习，它通过多层非线性神经网络模型从底层特征中学习出对具体任务而言更有效的高级抽象特征。针对一个具体的任务，我们往往会遇到这种情况：需要用一个针对特定任务已经被训练好的模型学习出特征表示，然后将学习出的特征表示作为另一个模型的输入。这就要求我们会获取模型中间层的输出，下面以具体代码形式介绍两种具体方法。深度学习具有强大的特征表达能力。有时候我们训练好分类模型，并不想用来进行分类
转载
2024-03-18 23:10:35
100阅读
本文是根据Tensorflow slim github上的教程，结合自己的实战经历所整理的。该篇主要是小白入门，所以这里实战使用的数据集是官方提供的数据集Flowers，后续还会再写一篇如何使用slim在自己的数据集上进行分类。更新：在对自己数据集分类时，参考了一个博主的教程，写的很详细，我就不写了: ）。链接：Tensorflow Slim github：https://github.com/t
转载
2024-04-03 11:03:45
158阅读
1. 线性回归：知识点：平方损失函数（用来评估评为 i 的样本误差)优化函数-随机梯度下降 当模型和损失函数形式较为简单时，上面的误差最小化问题的解可以直接用公式表达出来。这类解叫作解析解（analytical solution）。 线性回归和平方误差刚好属于这个范畴。 然而，大多数深度学习模型并没有解析解，只能通过优化算法有限次迭代模型参数来尽可能降低损失函数的值。这类解叫作数值解（numeri
转载
2024-06-19 07:30:29
74阅读
多分类问题softmax的分类器为什么要探索多分类之前我们在处理糖尿病数据集的时候我们只是有两种分类，但是很多情况的数据集不只有两种，例如MNIST数据集就是手写数字的数据集有10种不同的标签。所以我们必须有处理多种分类标签的能力。探索多分类是否还可以使用二分类的操作？当然还是可以使用二分类的方法来解决这个问题，某分类设置位p=1其他全部p=0就可以了，还是使用交叉熵损失函数来处理。这里我们要注意
转载
2023-09-27 17:28:54
442阅读
基于Python（Tensorflow和Pytorch）的深度学习开发环境搭建前言一、搭建的主要思路二、硬件配置环境检查1.CPU检查2.GPU检查三、确定TensorFlow版本和主要软件的版本号四、下载TensorFlow以及Pytorch1.TensorFlow下载2.Pytorch下载五、安装python六、安装和配置CUDA1.下载CUDA2.安装CUDA3.配置CUDA环境变量4.安
转载
2024-03-19 12:45:34
75阅读
标签：1、概述朴素贝叶斯分类是贝叶斯分类器的一种，贝叶斯分类算法是统计学的一种分类方法，利用概率统计知识进行分类，其分类原理就是利用贝叶斯公式根据某对象的先验 概率计算出其后验概率(即该对象属于某一类的概率)，然后选择具有最大后验概率的类作为该对象所属的类。总的来说：当样本特征个数较多或者特征之间相关性较大时，朴素贝叶斯分类效率比不上决策树模型；当各特征相关性较小时，朴素贝叶斯分类性能最为良好。另
转载
2023-10-11 20:11:55
97阅读
1.TensorFlow简介TensorFlow是一个采用数据流图（data flow graphs），用于数值计算的Google开源软件库，为机器学习工程中的问题提供了一整套解决方案。Tensor(张量)意味着 N 维数组，Flow(流)意味着基于数据流图的计算，TensorFlow即为张量从图的一端流动到另一端。2.TensorFlow优点 第一，基于Python，写的很快并且具有可
转载
2024-03-05 10:07:57
200阅读
from __future__ import print_functionimport tensorflow as tffrom tensorflow.examples.tutorials.mnist import i
原创
2022-08-02 09:08:43
30阅读
# PyTorch 分类输出结果一致性分析
在深度学习中，使用 PyTorch 训练分类模型时，确保模型在不同运行中输出结果一致性是一个重要课题。本文将探讨如何处理模型的随机性，并通过示例代码演示如何实现分类结果的一致性。我们还将讨论输出结果在不同条件下的变化，并用可视化工具进行展示。
## 1. PyTorch 的随机性
PyTorch 中的模型可能因为多个因素而导致输出结果的差异。这些因
1 基本概念2 文本分类与情感分析获取数据集加载数据集训练数据集性能设置为了提升训练过程中数据处理的性能，keras技术框架提供数据集缓存的功能，使用缓存可以避免读取磁盘数据集时由于IO消耗太多而出现性能瓶颈的问题，如果数据集的容量太大，该缓存功能也可以将大量小文件对应的数据样本集中存储在磁盘形式的缓存中。如上所示，prefetch方法提供将数据集预先加载到缓存中的功能，以上三
转载
2024-04-19 14:58:13
56阅读
Tensorflow算是老牌深度学习框架了，但是相比Pytorch来说，会稍微显得有些笨重，主要是计算必须在session中进行，在编写某些更为灵活的网络结构时，会比较麻烦。不过Tensorflow对分布式训练的支持较好，所以如果是需要使用分布式计算的情况下，使用Tensorflow会相对更加稳定一些。
转载
2024-05-13 12:34:39
30阅读
基本分类官网示例：https://www.tensorflow.org/tutorials/keras/basic_classification主要步骤： 加载Fashion MNIST数据集 探索数据：了解数据集格式 预处理数据 构建模型：设置层、编译模型 训练模型 评估准确率 做出预测：可视化Fashion M
