tensorflow
文章平均质量分 89
gentelyang
呵呵
展开
-
tensorflow之tensorflow.contrib.slim中的slim的用法
slim的作用主要是用来简化代码,使代码更加简洁规整。https://blog.csdn.net/mao_xiao_feng/article/details/73409975看这个博客,如何搭建模型,如何训练,如何保存模型非常详细不错的博客。 ...原创 2018-08-03 09:18:16 · 6201 阅读 · 0 评论 -
tensorflow的7中经典损失函数
1:交叉熵:它描述两个概率分布之间的距离,当交叉熵小时说明两者之间越接近,它是分类问题中使用比较广的一种损失函数2:回归问题中常用的均方误差MSE回归问题解决的是具体数值的预测,比如放假预测、销售预测等都是回归问题,这些问题需要预测的不是一个事先定义好的类别,而是一个任意的实数,解决回归问题的神经网络一般只有一个输出节点,这个节点的输出值就是预测值。3:自定义损失函数输出:[4.0,3.0,3.0...原创 2018-03-05 20:20:52 · 3681 阅读 · 0 评论 -
神经网络参数和tensorflow变量
神经网络参数是神经网络实现分类和回归的重要部分,要了解tensorflow如何组织、保存以及使用神经网络中的参数的。tensorflow中的变量tf.Variable()的作用就是保存和更新神经网络的参数。tensorflow中的变量需要指定初始值,给参数赋予初始值最为常见,所以一般也使用随机数给Tensorflow中的变量初始化;weights=tf.Variable(tf.random_nor...原创 2018-03-05 17:03:29 · 529 阅读 · 0 评论 -
tensorflow基础知识介绍
Tensorflow具有强大的可移植性,支持GPU、CPU、安卓、ios等多计算平台,所以开发者可以在移动平台上开发复杂的深度学习应用;例如谷歌翻译中广受好评的图片即时翻译,即依赖于移动平台上Tensorflow,使用户手机本地完成计算的。一:神经网络的发展历史:①:1943仿生机器学习。②:1958年,发现感知模型,感知机是首个可以根据样例数据来学习特征权重的模型。③:1969年,不能解决异或问...原创 2018-03-05 12:07:52 · 1203 阅读 · 0 评论 -
tensorflow中变量的管理与模型持久化
激活函数、隐藏层、滑动平均模型、指数衰减的学习率和正则化都对正确率有影响。函数的参数包括了神经网络中的所有参数,神经网络的结构更加复杂、参数更多时,就需要一个更好的方式来传递和管理神经网络的参数,tensorflow提供了通过变量名称来创建或者获取一个变量的机制,通过这个机制,在不同的函数中可以直接通过变量的名字使用变量,而不需要将变量通过参数的形式到处传递。tf.get_variable和tf....原创 2018-03-06 17:22:37 · 343 阅读 · 0 评论 -
迁移学习和finetune的区别及迁移学习代码实现
1:迁移学习是将已经学习到的知识应用到其他领域,比如通用的语音模型迁移到某个人的语音模型上。 迁移学习就是将一个问题上训练好的模型通过简单的调整使其适用于一个新的问题。 例如利用ImageNet数据集上训练好的Inception-V3模型来解决一个新的图像分类问题,可以保留训练好的Inception-v3模型中所有卷积层的参数,只是替换最后一层全连接层,在最后这一层全连接层之前的网络...原创 2017-08-23 22:14:16 · 18565 阅读 · 3 评论 -
深度自编码器python实现
深度自编码器的原理上一节已经讲过,这次我们来看一下它的python代码实现,这是基于mnist的自编码实现。from __future__ import division, print_function, absolute_importimport tensorflow as tfimport numpy as npimport matplotlib.pyplot as plt原创 2017-08-22 15:28:29 · 8438 阅读 · 0 评论 -
深度自编码器原理
自编码器的目标:使用少量高阶特征重构输入定义:使用自身的高阶特征编码自己思想:自编码器其实也是一种神经网络,他的输入和输出一致的,借助稀疏编码的思想,目标是使用高阶特征重新组合来重构自己。特点:期望输入和输出一致;希望使用高阶特征来重构自己,而不只是复制像素点。Hinton提出基于信念网络(deep belief Networds,DBN,由多层RBM堆叠而成)可以使用无监督学习逐层训练的贪心算法...原创 2017-08-22 14:05:09 · 7512 阅读 · 0 评论 -
文本与序列的深度模型
文本或者序列预测注意①:语法多义性 ·一个东西有多个名字,对相关的文本能够做到参数共享是比较好的 ·需要识别单词,还要识别关系,此时需要大量的标签数据②:无监督学习 :不用标签进行训练,训练文本是非常多的,关键是要找到训练的内容 :相似的词汇出现在相似的场景中 :不需要知道每一个词的意义,词的含义由它所处的历史环境决定的③:Embe原创 2017-08-21 21:31:34 · 548 阅读 · 0 评论 -
循环神经网络(rnn)的时间序列预测
一:我们利用rnn循环神经网络来预测sin函数的一个例子来学习:在预测sin函数之前我们首先来了解一下tensorflow的高层封装TFLearn,它可以让tensorflow的代码效率更高效,TFLearn集成在tf.contrib.learn里,TFLearn即封装了一些神经网络结构,又省去了模型训练的部分,让tensorflow的程序变得更加简短。from sklearn imp原创 2017-08-21 20:09:54 · 12917 阅读 · 1 评论 -
PTB数据集上用循环神经网络实现语言建模
一:PTB文本数据集是语言模型学习中目前最广泛的数据集,tensorflow对ptb数据集是支持的,首先要下载数据集http://www.fit.vutbr.cz/~imikolov/rnnlm/simple-examples.tgz,数据集中我们只需要利用data中的ptb.test.txt, ptb.train.txt. ptb.valid.txt三个数据文件,这三个数据文件是已经经过预处理原创 2017-08-21 16:24:44 · 5696 阅读 · 1 评论 -
keras学习笔记
keras中文文档中写的很详细,学习的最佳笔记没有之一。https://keras-cn-docs.readthedocs.io/zh_CN/latest/原创 2018-08-03 11:39:21 · 221 阅读 · 0 评论