tensorflow_cookbook
MachineLP
成功收获成果,失败收获智慧,投入收获快乐!
展开
-
01 TensorFlow入门(2)
Working with Matrices: 了解TensorFlow如何使用矩阵对于通过计算图理解数据流非常重要。 Getting ready: 许多算法依赖矩阵运算。 TensorFlow为我们提供了易于使用的操作来执行这种矩阵计算。 对于以下所有示例,我们可以通过运行以下代码创建图表会话(graph session):import原创 2017-04-27 18:12:58 · 1322 阅读 · 0 评论 -
01 TensorFlow入门(1)
tensorflow_cookbook--第1章 TensorFlow入门 Google的TensorFlow引擎具有独特的解决问题的方法。 这种独特的方式允许我们非常有效地解决机器学习问题。 机器学习几乎在使用所有的生活和工作领域,但一些更着名的领域是计算机视觉,语音识别,语言翻译和医疗保健。 我们将介绍基本步骤,以了解TensorFlow如何运行,并最终在本书后面建立生产原创 2017-04-27 09:51:58 · 1796 阅读 · 0 评论 -
02 The TensorFlow Way(1)
The TensorFlow WayIntroduction: 现在我们介绍了TensorFlow如何创建张量,使用变量和占位符,我们将介绍如何在计算图中对这些对象采取处理。 从此,我们可以设置一个简单的分类器,看看它的表现如何。Operations in a Computational Graph: Getting ready:原创 2017-04-28 10:09:41 · 957 阅读 · 0 评论 -
02 The TensorFlow Way(2)
Implementing Loss Functions: 损失函数是非常重要的机器学习算法。他们测量模型输出和目标(真理)值之间的距离。 Getting ready: 为了优化我们的机器学习算法,我们将需要评估的结果。结果tensorflow评价取决于指定损失函数。损失函数告诉TensorFlow如何好或坏的预测进行了比较理想的结果。在原创 2017-04-28 11:09:59 · 2341 阅读 · 0 评论 -
02 The TensorFlow Way(3)
Implementing Back Propagation 使用TensorFlow的好处之一是可以跟踪操作,并根据反向传播自动更新模型变量。如下,我们将介绍如何在训练机器学习模型时将这一方面作为优势。 Getting ready: 现在我们将介绍如何在模型中改变我们的变量,使损失函数最小化。 我们已经了解了如何使用对象和操作,并创建了可以测量原创 2017-05-01 10:16:29 · 887 阅读 · 0 评论 -
03 Linear Regression
Introduction: 线性回归可能是统计学,机器学习和科学中最重要的算法之一。 它是最常用的算法之一,了解如何实现它和其各种avors是非常重要的。 线性回归与许多其他算法相比的优点之一是它是非常可解释的。 我们最终得到一个直接代表该特征如何影响目标或因变量的每个特征的数字。 在本章中,我们将介绍如何实现线性回归,然后介绍如何在TensorFlow中最好地实现。 所有代原创 2017-05-01 21:01:49 · 1344 阅读 · 0 评论 -
tensorflow_cookbook--preface
Preface TensorFlow在2015年11月由Google开放,从此,它已经成为GitHub上最受欢迎的机器学习库。 TensorFlow的普及是由于创建计算图,自动区分和可定制性的方法。 由于这些功能,TensorFlow是一款功能强大且适应性强的工具,可用于解决许多不同的机器学习问题。 本书涉及许多机器学习算法,将其应用于实际情况和数据,并显示原创 2017-04-27 08:40:24 · 1088 阅读 · 0 评论 -
04 Support Vector Machines
Introduction: 支持向量机是二进制分类的方法。 基本思想是在两个类之间找到线性分离线(或超平面)。 我们假设二进制类目标是-1或1,而不是先前的0或1个目标。 由于可能有很多超平面可以分离两个类,所以我们定义了最大化两个类之间距离的最佳线性分隔线。 超平面可以定义为: 这里,A是我们的部分斜率的向量,x是输入的向量原创 2017-05-02 10:45:15 · 1116 阅读 · 1 评论