刘明的博客

官方解释：import tensorflow as tf# 交叉熵评估代价cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y), reduction_indices=[1]))上面是TensorFlow官方文档中的函数解释。其实在reduce_sum()中，是从维度上去考虑的（感觉这个Matlab中数据的概念比较像）调用 reduce_sum(arg1, arg2) 时，参数arg1即为要求和的数据，arg2有两个取值分

服务器上配置有多个conda的Python环境，在使用jupyter notebook时需要使用其中的一个环境，但是其默认还是使用系统python环境，因此需要解决这个问题.解决方案其实很简答，参考这个帖子.首先，安装nb_conda_kernels包:conda install nb_conda_kernels然后在新建notebook时选择相应的环境：另外还可以对已经存在的notebook更换环境：问题解决！...

tf.argmax(input,axis)根据axis取值的不同返回每行或者每列最大值的索引。 这个很好理解，只是tf.argmax()的参数让人有些迷惑，比如，tf.argmax(array, 1)和tf.argmax(array, 0)有啥区别呢？ 这里面就涉及到一个概念：axis。上面例子中的1和0就是axis。我先笼统的解释这个问题，设置axis的主要原因是方便我们进行多个维度的计算。比如：test = np.array([[1, 2, 3], [2, 3, 4], [5, 4, 3],

tf.reduce_mean 函数用于计算张量tensor沿着指定的数轴（tensor的某一维度）上的平均值，主要用作降维或者计算tensor（图像）的平均值。reduce_mean(input_tensor, axis=None, keep_dims=False, name=None, reduction_indices=None)第一个参数input_tensor： 输入

最近安装了TensoFlow2.0及以上的版本都发现啊出现这个问题：RuntimeError: tf.placeholder() is not compatible with eager execution.这是因为在运行tf.compat.v1.placeholder(dtype, shape = None, name = None)的时候急切执行了这条语句，但是我们一般都是在一个Session前先去定义placeholder，但是不会去执行，然后再在Sesion上下文管理器中去传入我们的数据，

TensorFlow计算图张量(Tensor)张量分为：零阶张量、一阶张量、二阶张量 零阶张量：纯量或标量，也就是一个数值。比如 [1]。 一阶张量：向量，比如[1, 2, 3] 二阶张量: 矩阵，比如[[1, 2, 3], [4, 5, 6], [7, 8, 9]] 以此类推，还有三阶，三维的。。。TensorFlow计算图TensorFlow采用节点和线组...

通过TensorFlow，实现一个两层的神经网络拟合二次函数定义数据import tensorflow as tfimport matplotlib.pyplot as pltimport numpy as np# fake datax = np.linspace(-1, 1, 100)[:, np.newaxis] # shape (100, 1)noi...

tensorboard可以可视化所建造出来的神经网络，有助于理解神经网络的内部结构和复杂运算，展示训练过程中绘制的图像、网络结构等。数据准备import tensorflow as tfwith tf.name_scope('input1'): input1=tf.constant([1.0,2.0,3.0],name="input1")with tf.name_scope...

embedding_lookup( )的用法 关于tensorflow中embedding_lookup( )的用法，在Udacity的word2vec会涉及到，本文将通俗的进行解释。首先看一段网上的简单代码：import tensorflow as tfimport numpy as npinput_ids = tf.placeholder(dtype=tf.int32, s...