TensorFlow
文章平均质量分 93
莫失莫忘Lawlite
github地址:https://github.com/lawlite19 欢迎Follow、Star、Fork!
个人网站:http://lawlite.me
展开
-
TensorFlow学习_02_CNN卷积神经网络_Mnist手写数字识别
github地址:https://github.com/lawlite19/MachineLearning_TensorFlow或者上一篇Tensorflow的博客:http://blog.csdn.net/u013082989/article/details/53510625七、手写数字识别_3_CNN卷积神经网络1、说明关于卷积神经网络CNN可以查看我的博客:http://blog.csd原创 2016-12-16 16:54:40 · 8389 阅读 · 0 评论 -
深度学习(07)_RNN-循环神经网络-02-Tensorflow中的实现
关于基本的RNN和LSTM的概念和BPTT算法可以查看这里本文个人博客地址:http://lawlite.me/2017/06/16/RNN-%E5%BE%AA%E7%8E%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C-02Tensorflow%E4%B8%AD%E7%9A%84%E5%AE%9E%E7%8E%B0/参考文章: https://r2rt.com/原创 2017-06-19 16:49:43 · 19857 阅读 · 6 评论 -
深度学习(08)_RNN-LSTM循环神经网络-03-Tensorflow进阶实现
全部代码:点击这里查看本文个人博客地址:点击这里查看关于Tensorflow实现一个简单的二元序列的例子可以点击这里查看关于RNN和LSTM的基础可以查看这里这篇博客主要包含以下内容 训练一个RNN模型逐字符生成文本数据(最后的部分)使用Tensorflow的scan函数实现dynamic_rnn动态创建的效果使用multiple RNN创建多层的RNN实现Dropout和Layer原创 2017-06-24 18:29:31 · 17605 阅读 · 3 评论 -
论文记录_MobileNets Efficient Convolutional Neural Networks for Mobile Vision Application
本文个人博客地址:点击查看Tensorflow 中的实现:点击查看Caffe 中的实现:点击查看1、概述Google在2017年提出的适用于手机端的神经网络模型主要使用了深度可分离卷积Depthwise Separable Convolution 将卷积核进行分解计算来减少计算量引入了两个超参数减少参数量和计算量 宽度乘数(Width Multiplier): [减少输入和输出的 ch原创 2017-09-13 19:49:30 · 13660 阅读 · 1 评论 -
Tensorflow高级API
本文个人博客地址:点击查看一、Estimator1、介绍编程堆栈Estimator:代表一个完整的模型。Estimator API 提供一些方法来训练模型、判断模型的准确率并生成预测。数据集:构建数据输入管道。Dataset API 提供一些方法来加载和操作数据,并将数据馈送到您的模型中。Dataset API 与 Estimator API 合作无间2、鸢尾花进行分类...原创 2018-10-16 14:26:05 · 2169 阅读 · 0 评论 -
Ubuntu16.04安装Nvidia驱动cuda,cudnn和tensorflow-gpu
本文个人博客地址: 点击查看之前有在阿里云GPU服务器上弄过: 点击查看, 这里从装Nvidia开始一、 安装Nvidia驱动1.1 查找需要安装的Nvidia版本1.1.1 官网官网上查找: https://www.nvidia.com/Download/index.aspx?lang=en-us这里是 GeForce GTX 1080 TI如下图,推荐 410 版本的...原创 2018-10-25 16:47:10 · 10141 阅读 · 0 评论 -
Triplet-Loss原理及其实现、应用
本文个人博客地址: 点击查看欢迎下面留言交流一、 Triplet loss1、介绍Triplet loss最初是在 FaceNet: A Unified Embedding for Face Recognition and Clustering 论文中提出的,可以学到较好的人脸的embedding为什么不适用 softmax函数呢,softmax最终的类别数是确定的,而Triple...翻译 2018-10-30 10:03:46 · 116320 阅读 · 36 评论