TensorFlow
机智的frank
唯爱琳
展开
-
TensorFlow --- 建立第一个模型
深度学习的四个步骤 (1)准备数据 (2)搭建模型 (3)迭代训练 (4)使用模型 1.准备数据 这里使用y=2x为主体,通过加入一些干扰噪声让它的等号变成约等于 import tensorflow as tf import numpy as np import matplotlib.pyplot as plt # np.linspace()函数。在指定的间隔内返回均匀间隔的数字 ...原创 2018-06-20 17:30:25 · 808 阅读 · 0 评论 -
TensorFlow -- session,feed,fetch使用和指定GPU计算
1.session的使用 import tensorflow as tf # 定义一个常量 hello = tf.constant('Hello TensorFlow!') # 建立一个session sess = tf.Session() # 通过session.run()函数运行结果 print(sess.run(hello)) # 关闭session sess.close 交互式se...原创 2018-06-20 18:44:47 · 708 阅读 · 0 评论 -
TensorFlow --- 保存和载入模型
1.保存模型 文本生成模拟数据之后,加入对图变量的重置,在session创建之前定义saver及保存路径,在session中训练结束后,保存模型 # -*-coding:utf-8 -*- import tensorflow as tf import numpy as np import matplotlib.pyplot as plt # np.linspace()函数。在指定的间隔内返...原创 2018-06-20 19:52:29 · 261 阅读 · 0 评论 -
TensorFlow -- TensorBoard可视化
1.tensorBoard 执行下列程序 # -*-coding:utf-8 -*- import tensorflow as tf import numpy as np import matplotlib.pyplot as plt # np.linspace()函数。在指定的间隔内返回均匀间隔的数字 train_X = np.linspace(-1, 1, 100) # Y的值。 #...原创 2018-06-21 16:30:41 · 188 阅读 · 0 评论 -
TensorFlow --- 共享变量
1.使用get_variable获取变量 get_variable一般会配合variable_scope使用,以实现共享变量。 variable_scope的意思是变量作用域。 # get_variable的定义 tf.get_variable(<name>, <shape>,<initializer>)原创 2018-06-21 18:55:10 · 335 阅读 · 1 评论 -
TensorFlow --- 图的基本操作
1.建立图 关于建立图的几个基本操作 tf.Graph() # 建立图 tf.get_default_graph() # 获取图 tf.reset_default_graph() # 重置图 import numpy as np import tensorflow as tf # 在默认图里建立的 c = tf.constant(0.0) # 建立了一个图,并且在新建的图里添加变量...原创 2018-06-22 17:22:25 · 410 阅读 · 0 评论 -
TensorFlow -- 训练MNIST数据集
# -*- coding:utf-8 -*- import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data import pylab # 下载并解压数据 mnist = input_data.read_data_sets('MNIST_data/', one_hot=True) # 重置图...原创 2018-06-23 11:53:45 · 258 阅读 · 0 评论 -
TensorFlow优化 --- softmax算法与损失函数的综合应用
损失函数的作用是用来描述模型预测值与真实值的差距大小。一般有两种常见的算法,均值平方差(MSE)和交叉熵 1.均值平方差       均值平方差在神经网络中表达预测值与真实值之间的差异。在数理统计中,均方误差是指参数估计值与参数真值之差平方的期望值。公式为:  &am原创 2018-06-28 17:40:07 · 3272 阅读 · 0 评论