TensorFlow是谷歌基于DistBelief进行研发的第二代人工智能学习系统，其命名来源于本身的运行原理。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为张量从流图的一端流动到另一端计算过程。TensorFlow是将复杂的数据结构传输至人工智能神经网中进行分析和处理过程的系统。TensorFlow可被用于语音识别或图像识别等多项机器深度学习领
转载
2024-05-27 15:08:22
98阅读
简介概述TensorFlow三级目录概述深度学习是目前机器学习学科发展最蓬勃的分支, 在整个 AI 有广阔的应用. 人工智能是计算机科学的一个分支, 著名的 “图灵测试” 是 AI 的终极目标.深度学习是在人工神经网络基础上发展而来的一种表示学科.深度学习的优势:海量的训练数据非常灵活的模型足够的运算能力足够的对抗维度灾难的先验模型TensorFlow随着各种图像识别, 语音识别的记录被不断刷新, 深度学习被证明是一个极具潜力的技术方向. 构建高效, 可靠, 可扩展的基础工具, 能
原创
2021-02-25 08:59:13
172阅读
笔记内容：TensorFlow简介笔记日期：2018-01-23什么是TensorFlow一句话介绍：Google开源的基于数据流图的科学计算库，适合用于机器学习、深度学习等人工智能领域百度百科的介绍：TensorFlow是谷歌基于DistBelief进行研发的第二代人工智能学习系统，其命名来源于本身的运行原理。Tensor（张量）意味着N维数组，Flow（流）意味着基于数据流图的计算，Tenso
原创
2018-01-26 18:49:40
10000+阅读
点赞
AdamOptimizer是TensorFlow中实现Adam算法的优化器。Adam即AdaptiveMomentEstimation（自适应矩估计），是一个寻找全局最优点的优化算法，引入了二次梯度校正。Adam算法相对于其它种类算法有一定的优越性，是比较常用的算法之一。一、算法流程初始化：更新规则：二、参数定义init(learning_rate=0.001,beta1=0.9,beta2=0.
转载
2020-08-27 15:52:09
6865阅读
组成TendorFlow Lite转换器：用于将已经存在的模型转换为TensorFlow Lite兼容的模型(.tflite)，并将训练的模型保存在硬盘上。还可以在移动或者嵌入式应用程序中使用提前训练的模型Java/C++ API：用于载入.tflite模型并调用解释器。Java API是在C++ API上进行的封装，只能应用在Android系统。解释器和内核：内核帮助解释器根据选择载入...
原创
2023-01-06 10:07:47
310阅读
作者：Kshitiz Rimal导读对图像分割方法Fast-SCNN的解释以及实现的代码分析。Fast Segmentation Convolutional Neural Network (Fast- scnn)是一种针对高分辨率图像数据的实时语义分割模型，适用于低内存嵌入式设备上的高效计算。原论文的作者是：Rudra PK Poudel, Stephan Liwicki and Roberto
转载
2024-08-08 22:13:37
25阅读
本文主要介绍了AutoRec自编码机与协同过滤思路融合的单层神经网络推荐模型，和TensorFlow2.0代码实践 1. 简介本篇文章先简单介绍论文思路，然后使用Tensoflow2.0、Keras API复现算法部分。包括：自定义模型自定义损失函数自定义评价指标RMSE就题目而言《AutoRec: Autoencoders Meet Collaborati
转载
2024-04-24 19:51:41
91阅读
TensorFlow是一个开源软件库，用于各种感知和语言理解任务的机器学习。目前被50个团队用于研究和生产许多...
原创
2023-08-19 14:01:35
178阅读
1.TensorFlow是什么：TensorFlow 是一个端到端开源机器学习平台借助 TensorFlow，初学
原创
2022-09-14 10:46:24
163阅读
前言以下内容中使用环境为 tensorflow 2.3.0 且 import tensorflow as tf1. 张量1.1 创建tf.constant(张量)例子：x=tf.constant([[2，3]，[1，5]])
print(x)输出：1.2 操作（张量，shape(形状),dtype(数据类型)）由上图输出图中可以清楚看到其数据中包含三个元素：张量，shape(形状),dtype(数
第四百一十六节，Tensorflow简介与安装TensorFlow是什么Tensorflow是一个Google开发的第二代机器学习系统，克服了第一代系统DistBelief仅能开发神经网络算法、难以配置、依赖Google内部硬件等局限性，应用更加广泛，并且提高了灵活性和可移植性，速度和扩展性也有了大幅提高。字面上理解，TensorFlow就是以张量（Tensor）在计算图（Graph）上流动（Fl
转载
2024-01-02 23:37:18
67阅读
TensorFlow简介与Python基础2018.9.10一、概述TF使用数据数据流图进行数值计算，亮点是支持异构设备分布式计算机常用的ML库有MXNetTorch/PytorchTheanoCNTKCaffe等0阶张量（纯量），1阶张量（向量），2阶张量（矩阵）tensor（张量）flow（流动）编程模式命令式编程（Torch）符号式编程（Tensorflow，theano描述算法流程放到其他
原创
2018-09-10 21:57:50
2541阅读
摘要：本文介绍了tensorflow的常用函数。1、tensorflow常用函数TensorFlow 将图形定义转换成分布式执行的操作, 以充分利用可用的计算资源(如 CPU 或 GPU。一般你不需要显式指定使用 CPU 还是 GPU, TensorFlow 能自动检测。如果检测到 GPU, TensorFlow 会尽可能地利用找到的第一个 GPU 来执行操作.
并行计算能让代价大的算法计算加速执
转载
2024-05-17 13:00:29
27阅读
tf.nn.l2_loss()的用法 计算张量的误差值 sum(t**2)/2l2_loss()这个函数的作用是利用L2范数来计算张量的误差值，但是没有开发并且只取L2范数的值的一半 函数：tf.nn.l2_loss(
t,
name=None
)参数：t：一个张量(tensor)，类型可以为：half, bfloat16, float32, float64name：op的一
转载
2024-03-31 08:45:45
30阅读
tensorflow：TensorFlow是一个通过计算图的形式来表述计算的编程系统——TensorFlow中的每一个计算都是计算图上的一个节点，而节点之间的边描述了计算之间的依赖关系。 在TensorFlow中，张量可以被简单理解为多维数组。 Flow：流、飞。直接表达了张量之间通过计算相互转化的过程 张量是TensorFlow管理数据的形式。在TensorFlow中，所有的数据都是通过张量的形
转载
2024-05-11 22:40:51
56阅读
2、tf函数TensorFlow 将图形定义转换成分布式执行的操作, 以充分利用可用的计算资源(如 CPU 或 GPU。一般你不需要显式指定使用 CPU 还是 GPU, TensorFlow 能自动检测。如果检测到 GPU, TensorFlow 会尽可能地利用找到的第一个 GPU 来执行操作.
并行计算能让代价大的算法计算加速执行，TensorFlow也在实现上对复杂操作进行了有效的改进。大部分
关于 TensorFlowTensorFlow 是一个采用数据流图（data flow graphs），用于数值计算的开源软件库。节点（Nodes）在图中表示数学操作，图中的线（edges）则表示在节点间相互联系的多维数据数组，即张量（tensor）。它灵活的架构让你可以在多种平台上展开计算，例如台式计算机中的一个或多个CPU（或GPU），服务器，移动设备等等。TensorFlow 最初由Goog
转载
2024-04-26 19:52:05
5阅读
一.神经网络模型可以理解为，给定多个输入，然后给定每个输入不同的权重值，和一定的偏置，最终可以给出一个输出。 如图,x就是我们的输入，w就是为不同的输入分配的权重值，b就是我们的偏置，最后就可以得到我们的输出y。 如果用矩阵的形式来看，可以用下面的图来表示： 我们给定输入的特征x，这个时候我们为了得到准确的输出y，前提是我们的w和b是准确可靠的。所以我们训练神经网络的过程就是找到这个w和b的过程。
转载
2024-05-14 19:59:02
76阅读
文章目录1、梯度下降法变种1.1 批量梯度下降法 batch gradient descent1.2 随机梯度下降法 stochastic gradient descent1.3 小批量梯度下降法 mini-batch gradient descent2 、难点3、常用梯度优化算法3.1 Momentum3.2 Nesterov 加速梯度下降法3.3 Adagard3.4 Adadelta3.5
转载
2024-03-19 20:03:55
189阅读
AutoGraph的机制原理有三种计算图的构建方式：静态计算图，动态计算图，以及Autograph。TensorFlow 2.0主要使用的是动态计算图和Autograph。动态计算图易于调试，编码效率较高，但执行效率偏低。静态计算图执行效率很高，但较难调试。而Autograph机制可以将动态图转换成静态计算图，兼收执行效率和编码效率之利。当然Autograph机制能够转换的代码并不是没有任何约束的
转载
2024-06-19 07:12:14
30阅读
