tf.keras概述

本文介绍了TensorFlow的特点,包括可移植性、多语言支持、灵活性和效率,并强调了谷歌对其的强大支持。文章通过示例展示了如何检查TensorFlow版本,并探讨了机器学习模型的建立,特别是线性关系的表示和误差最小化的概念。最后,通过实例演示了使用tf.keras建立模型的过程,指出随着训练迭代次数增加,模型的均方差损失逐渐减小。
摘要由CSDN通过智能技术生成

Tensorflow tf.keras概述

Tensorflow特点:

1.真正的可移植性

引入各种计算机设备的支持包括CPU/GPU/TPU,以及能够很好的运行在移动端,如安卓设备、ios、树莓派等等。

2.多语言支持

Tensorflow有一个合理的c++使用界面,也有一个易用python使用界面来构建和执行你的graphs,可以直接写python/c++程序。

3.高度灵活与效率

Tensorflow是一个采用数据流图(data flow graphs),用于数值计算的开源软件库能够灵活进行组装图,执行图。随着开发的进展,Tensorflow的效率在不断提高。

4.支持

Tensorflow由谷歌提供支持,谷歌投入了大量精力开发Tensorflow,它希望Tensorflow成为机器学习研究人员的通用语言。

 

在安装好tensorflow时可以用以下代码查看安装得版本:

import tensorflow as tf
print('Tensorflow Version: {}'.format(tf.__version__))#查看版本   
Tensorflow Version: 2.1.0
import pandas as pd#安装pandas包
data = pd.read_csv(r'C:/Users/HP/Desktop/tf/Income.csv',sep=',')#读取数据(受教育年限与收入)
data#查看数据集
Unnamed: 0 Unnamed: 0 Education Income
0 1 10.000000 26.658839
1 2 10.401338 27.306435
2 3 10.842809 22.132410
3 4 11.244147 21.169841
4 5 11.645449 15.192634
5 6
  • 1
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
这是一个使用 TensorFlow 实现的 CRN(Causal Residual Network)模型,用于音频信号处理。下面是对代码的详细注释: ``` class CrnModel: def __init__(self, feature_num): self.feature_num = feature_num # 初始化类的特征数 self.input_magnitude = layers.Input(shape=[128, feature_num], name='input_magnitude') # 定义输入层,输入维度为 [128, feature_num] model_output = self.structure_model() # 定义模型输出 self.model = tf.keras.Model(inputs=self.input_magnitude, outputs=model_output) # 定义完整模型 self.model.summary() # 打印模型概述 def structure_model(self): layer_input = self.input_magnitude # 定义输入层 layer_output = layers.Conv1D(filters=64, padding='causal', dilation_rate=1, kernel_size=3, activation='relu')(layer_input) # 第一层卷积层 layer_output = layers.Conv1D(filters=64, padding='causal', dilation_rate=2, kernel_size=3, activation='relu')(layer_output) # 第二层卷积层 layer_output = layers.Conv1D(filters=64, padding='causal', dilation_rate=4, kernel_size=3, activation='relu')(layer_output) # 第三层卷积层 layer_output = layers.Conv1D(filters=64, kernel_size=1, activation='linear')(layer_output) # 用 1x1 卷积层降维 layer_output = layers.Conv1D(filters=257, kernel_size=1, activation='relu')(layer_output) # 最终输出层,输出维度为 257 return layer_output # 返回最终输出层 ``` 该模型使用了四个卷积层,其中 dilation_rate 表示膨胀率,padding 表示填充方式,kernel_size 表示卷积核大小,filters 表示卷积核数量,activation 表示激活函数。模型输入维度为 [128, feature_num],输出维度为 [128, 257],其中 257 表示频域的维度。最后使用 Keras 的 Model 类定义完整模型,并打印模型概述

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值