tensorflow
讲故事的猫猫
微博:小说家讲故事的猫猫
知乎:讲故事的猫猫
展开
-
3.1 tensorflow 循环神经网络初探
循环神经网络是有一个状态和输入序列结合拟合出结果,然后状态会继续带入下一个序列import numpy as npX = [1,2] # 输入序列state = [0.0,0.0] # 状态向量# 分开定义不同输入部分的权重w_cell_state = np.asarray([[0.1,0.2],[0.3,0.4]])w_cell_input = np.asarray([0.5,0.6])b_cell = np.asarray([0.1,-0.1])#定义用于输出的全连接层参数w_o原创 2021-07-06 23:02:37 · 196 阅读 · 2 评论 -
2.4 tensorflow学习率优化和正则化
import tensorflow as tffrom tensorflow.python.ops.math_ops import reduce_mean# 学习率优化方法 每过一定的步长对学习率进行衰减global_step = tf.Variable(0)# 每过100轮训练,学习率乘以0.96learning_rate = tf.train.exponential_decay(0.1,global_step,100,0.96,staircase=True)# 使用指数衰减学习率,在mi.原创 2021-06-21 23:32:13 · 185 阅读 · 0 评论 -
2.3 tensorflow简单自定义损失函数
import tensorflow as tf# 利用numpy生成数据集from numpy.random import RandomState# 定义训练集的barch大小batch_size = 8# 定义神经网络的参数w1 = tf.Variable(tf.random_normal([2,3],stddev = 1,seed=1))# 在shape的一个维度上使用None可以方便使用不同规模大小的batchx = tf.placeholder(tf.float32,shap.原创 2021-06-20 20:53:25 · 291 阅读 · 0 评论 -
2.2 tensorflow实现神经网络(反向传播算法)
import tensorflow as tfw1 = tf.Variable(tf.random_normal([2,3],stddev=1,seed=1))w2 = tf.Variable(tf.random_normal([3,1],stddev=1,seed=1))# 定义placeholder作为存放输入数据的地方,这里的维度也不一定要定义# 但是如果维度是确定,那么给出维度可以降低出错的概率x = tf.placeholder(tf.float32,shape=(1,2),nam.原创 2021-06-19 21:36:12 · 212 阅读 · 0 评论 -
2.1 TensorFlow实现神经网络(前向传播过程)
在看本博文的之前请自行搜索神经网络的前向传播过程先及介绍下TensorFlow如何生成随机数# 生成了一个2*3的矩阵,均值为0,标准差为2的正态分布随机数weights = tf.Variable(tf.random_normal([2,3],stddev=2,mean=0)) 函数名称 随机数分布 主要参数 tf.random_normal 正态分布 平均值,标准差,取值类型 tf.truncated_normal 正态分布,如果随机值原创 2021-06-15 22:17:19 · 244 阅读 · 1 评论 -
1.3 TensorFlow 会话
session是执行定义好的运算计算完成之后要关闭会话来帮助系统回收资源一般会用两种方式来调用会话模式1. 用sess.close() 控制import tensorflow as tf# 创建会话sess = tf.Session()# 执行会话 这里是伪代码,不要直接跑sess.run()# 关闭会话释放资源sess.close()2. 用with 控制# 创建一个会话并用上下文管理with tf.Session() as sess: sess.run(原创 2021-04-27 14:46:13 · 133 阅读 · 0 评论 -
1.2 TensorFlow 张量
在tensorflow中所有的数据都通过张量的形式表现可以简单理解为张量就是多维数组张量不保存数值只是保存这个数字的计算结果# tf.constant是计算常数的方法,计算结果是一个张量,保存在变量之中a = tf.constant([1.0,2.0],name='a')b = tf.constant([2.0,3.0],name='b')# tf.add是计算加和的方法result = tf.add(a,b,name='add')print(result)'''输出:Ten原创 2021-04-27 11:55:38 · 105 阅读 · 0 评论 -
1.1 TensorFlow 计算图的使用
TensorFlow的使用一般分为两个阶段1. 定义计算图中的所有计算2. 执行计算import tensorflow as tfa = tf.constant([1.0,2.0],name='a')b = tf.constant([2.0,3.0],name='b')result = a + b如果说我们没有指定计算图的话张量就会存储到默认图中print(a.graph is tf.get_default_graph())可以用以上方法查询张量所属的图T.原创 2021-04-27 11:38:23 · 149 阅读 · 0 评论