做东西，最重要的就是动手了，所以这篇文章动手跑了一个fcn32s和fcn8s以及deeplab v3+的例子，这个例子的数据集选用自动驾驶相关竞赛的kitti数据集， FCN8s在训练过程中用tensorflow2.0自带的评估能达到91%精确率, deeplab v3+能达到97%的准确率。这篇文章适合入门级选手，在文章中不再讲述fcn的结构，直接百度就可以搜到。 文章使用的是tenso
引言：最近，一直在看关于时间序列预测这一方面的东西。在这里总结一下：1.时间序列分析常用的模型有AR,MA,ARIMA,以及RNN和LSTM2.大多数预测模型都能做时间序列分析（主要是如何将已知问题转化为带有时间戳的序列问题）3.我们常说的预测我总结出来有两层含义：（1）目前我查资料遇到最多的“预测”：实际上就是做曲线拟合，根据一部分数据进行建模（拟合曲线），然后用另一部分数据对所建的模型进行测试
转载
2024-05-06 12:24:44
36阅读
这篇文章将讲解如何使用lstm进行时间序列方面的预测，重点讲lstm的应用，原理部分可参考以下两篇文章：Understanding LSTM Networks LSTM学习笔记编程环境：python3.5，tensorflow 1.0本文所用的数据集来自于kesci平台，由云脑机器学习实战训练营提供：真实业界数据的时间序列预测挑战数据集采用来自业
转载
2024-04-19 15:28:13
18阅读
1.指定每段程序的作用域 tf.variable_scope#指定作用域tf.variable_scope
with tf.variable_scope("data"):
# 1.准备数据, x 特征值 [100,1] y 目标值[100]
# 指定均值为0.75 方差为0.5
x = tf.random_normal([100, 1],
转载
2024-03-11 15:39:09
99阅读
项目介绍通过以往的天气数据和实际天气温度，做一次回归预测，模型的输入是当前的所有特征值，而模型的输出是当天的实际天气温度字段分析目前已有的数据有348条svc数据，他们的字段分别代表year：年month：月day：日week：周几temp_2：前天天气temp_1：昨天天气average：在历史中，每年这一天的平均最高温度值actual：当天实际的温度（答案）friend：这一列可能是凑热闹的，
转载
2023-11-06 15:36:30
66阅读
tf.train.Saver API说明保存于恢复变量，对定义好完成训练或者完成部分训练的计算图所有OP操作的中间变量进行保存，保存为检查点文件(checkpoint file)，检查点文件通过restore方法完成恢复，实现从变量到张量值(tensor value)得映射加载，可以进行调用或者继续训练。同时Saver支持全局步长参数，通过对不同的step自动保存为检查点saver.save(se
转载
2024-04-25 15:01:55
70阅读
项目介绍通过以往的天气数据和实际天气温度，做一次回归预测，模型的输入是当前的所有特征值，而模型的输出是当天的实际天气温度字段分析目前已有的数据有348条svc数据，他们的字段分别代表year：年month：月day：日week：周几temp_2：前天天气temp_1：昨天天气average：在历史中，每年这一天的平均最高温度值actual：当天实际的温度（答案）friend：这一列可能是凑热闹的，
转载
2023-11-06 15:36:30
97阅读
一、简介 上一篇中我们较为详细地铺垫了关于RNN及其变种LSTM的一些基本知识，也提到了LSTM在时间序列预测上优越的性能，本篇就将对如何利用tensorflow，在实际时间序列预测任务中搭建模型来完成任务，若你对RNN及LSTM不甚了解，请移步上一篇数据科学学习手札39; 二、数据说明及预处理2.1 数据说明 我们本文使用到的第一个数据来自R中自带的数据集AirPassengers
转载
2024-03-26 11:21:16
28阅读
一、线性回归原理 根据数据建立回归模型，w1x1+w2x2+……+wnxn+b = y，通过真实值与预测值之间建立误差，使用梯度下降优化得到损失最小对应的权重和偏置。最终确定模型的权重和偏置参数。最后可以用这些参数进行预测。 二、实现方式 该部分采用python编程语言实现线性回归，用pycharm导入tensorflow环境，编写完成后，并执行代码，用anaconda prompt命窗口，用ac
转载
2024-03-07 13:30:16
266阅读
TensorFlow 1.3 引入了两个重要功能，您应当尝试一下：数据集：一种创建输入管道（即，将数据读入您的程序）的全新方式。估算器：一种创建 TensorFlow 模型的高级方式。估算器包括适用于常见机器学习任务的预制模型，不过，您也可以使用它们创建自己的自定义模型。下面是它们在 TensorFlow 架构内的装配方式。结合使用这些估算器，可以轻松地创建 TensorFlow 模型和向模型提供
今天要处理的问题对于一个只学了线性回归的机器学习初学者来说还是比较棘手——通过已知的几组数据预测一组数据。用excel看了下，关系不是很明显，平方，log都不是很明显，挨着试也不是办法，所以停下来理了理思路。思路整理磨刀时间tensorflow关于回归的文档教程udacity的Titanic实例砍柴时间python读取excel表格的数据尝试一维输入预测输出尝试五维输入预测输出开始磨刀读Tenso
转载
2024-08-19 01:23:24
41阅读
CnosDB是一款基于分布式架构的高性能时序数据库。TensorFlow则是目前在预测领域中非常受欢迎的深度学习框架之一。在这篇文章中，您将学习如何利用时间序列数据进行预测，特别是结合CnosDB和TensorFlow来进行预测。由于时间序列数据的自相关性，许多数据科学算法无法用于处理此类数据。因此，在使用时间序列数据进行机器学习时需要使用特定的方法，与其他领域的方法略有不同
转载
2024-05-10 10:35:34
34阅读
该数据集包含14个不同的特征，例如气温，大气压力和湿度。 获取数据from __future__ import absolute_import, division, print_function, unicode_literals
try:
# %tensorflow_version only exists in Colab.
%tensorflow_version
转载
2024-02-26 06:32:18
68阅读
数据概览与任务描述： 数据集是精简排序过的，我们唯一需要用到的属性就是[‘Lane 1 Flow (Veh/5 Minutes)’]。 任务就是用前12个连续时刻的状态数据[St0,St1,…,St11]预测第13个时刻的状态pSt12。数据集处理我就min-max归一化了一下，没特别处理。其中lags=12就是时间步，也就是time_step，所有数据都被我做成了三维的矩阵，与LSTM的输入输出
转载
2024-03-26 08:13:58
26阅读
（说明下，本篇的源码有点问题导致预测的温度有问题，请继续往后面的章节看，有原因和解决办法）一、前言最近人工智能、深度学习又火了，我感觉还是有必要研究一下。三年前浅学了一下原理没深入研究框架，三年后感觉各种框架都成熟了，现成的教程也丰富了，所以我继续边学边写。原教程链接：第一章：tensorflow安装与简介课程简介_哔哩哔哩_bilibili所以准备出个系列的教程，给不耐烦看视频或者只是想浅了解一
转载
2024-08-21 11:00:36
26阅读
介绍本系列将介绍如何在阿里云容器服务上运行Kubeflow, 本文介绍如何使用TensorFlow Serving加载训练模型并且进行模型预测。TensorFlow Serving简介TensorFlow Serving是Google开源的一个灵活的、高性能的机器学习模型服务系统，能够简化并加速从模型到生产应用的过程。它除了原生支持TensorFlow模型，还可以扩展支持其他类型的机器学习模型。在
转载
2024-05-10 18:46:39
53阅读
前言： 在前一篇中，已经搭建好了Tensorflow环境，本文将介绍如何准备数据与预处理数据。正文： 在机器学习中，数据是非常关键的一个环节，在模型训练前对数据进行准备也预处理是非常必要的。 一、数据准备： 一般分为三个步骤：数
转载
2024-01-25 19:34:43
164阅读
使用TensorFlow实现线性回归预测需要使用到numpy，所以在实现线性回归预测之前，先介绍需要使用到的相关的numpy函数。一、numpy相关函数介绍介绍一个numpy的api查看网站http://devdocs.io/numpy~1.11/np.random.rand()创建一个向量，参数决定产生向量的维数以及行和列的大小一个参数的时候，产生的是一个行向量，参数的大小决定向量的列数x =
转载
2024-04-20 22:34:23
159阅读
利用TensorFlow解决线性回归问题 1．导入必要的库 import tensorflow as tf 在之前的基础上，还需要导入TensorFlow的库。 2．创建一个训练函数 def train_tf(train_data): # 1.获取数据 trainx = [train_d[0] for train_d in train_data] # list trainy = [train_d[
转载
2024-10-12 11:05:23
80阅读
[教程10]TensorFlow线性模型教程在本教程中，我们将使用TensorFlow中的tf.estimator API来解决二进制分类问题：根据年龄，性别，教育和职业（特征）等个人的普查数据，我们将尝试预测人每年赚取5万多美元（目标标签）。我们将训练逻辑回归模型，并给出个人信息，我们的模型将输出0到1之间的数字，这可以解释为个人年收入超过5万美元的可能性。阅读人口普查数据我们将使用的数据集是&
