luoganttcc的博客

矩阵转置的本质是坐标轴的互换原文链接

本质就是矩阵相乘 Amn *Bnp这里会提取输入矩阵最后一层的dim 比如说是Amn的nimport keras import tensorflow as tfclass Linear(keras.layers.Layer): def __init__(self, units=32): super(Linear, self).__init__() self.units = units def build(self, input_shape): .

import tensorflow as tf# x has a shape of (2, 3) (two rows and three columns):x = tf.constant([[1, 1, 1], [1, 1, 1]])x.numpy()array([[1, 1, 1], [1, 1, 1]], dtype=int32)# sum all the elements# 1 + 1 + 1 + 1 + 1+ 1 = 6tf.reduce_sum(x).numpy()

tf 1.ximport tensorflow as tf keys_tensor = tf.constant([1, 2])vals_tensor = tf.constant([3, 4])input_tensor = tf.constant([1, 5])table = tf.lookup.StaticHashTable( tf.lookup.KeyValueTensorInitializer(keys_tensor, vals_tensor), -1)out = table.loo

tf.nn.embedding_lookup函数的用法主要是选取一个张量里面索引对应的元素。tf.nn.embedding_lookup（params, ids）:params可以是张量也可以是数组等，id就是对应的索引ids只有一行：p=tf.Variable(tf.random_normal([10,1]))#生成10*1的张量b = tf.nn.embedding_lookup(p, [1, 3])#查找张量中的序号为1和3的 with tf.Session() as sess: s

import tensorflow as tfx= tf.constant( [[2,3],[4,5],[6,7]], tf.int32)print(x.numpy())[[2 3] [4 5] [6 7]]x1=tf.reshape(x, shape = (tf.shape(x)[1], tf.shape(x)[0]))print(x1.numpy())[[2 3 4] [5 6 7]]

import tensorflow as tf# 创建一个常量 op, 产生一个 1x2 矩阵. 这个 op 被作为一个节点# 加到默认图中.## 构造器的返回值代表该常量 op 的返回值.matrix1 = tf.constant([[3., 3.]])# 创建另外一个常量 op, 产生一个 2x1 矩阵.matrix2 = tf.constant([[2.],[2.]])...

为了取回操作的输出内容, 可以在使用 Session 对象的 run() 调用 执行图时,传入一些 tensor, 这些 tensor 会帮助你取回结果. 在之前的例子里,我们只取回了单个节点 state, 但是你也可以取回多个 tensor:import tensorflow as tfinput1 = tf.constant(3.0)input2 = tf.constant(2.0)...

链接

max pooling是CNN当中的最大值池化操作，其实用法和卷积很类似有些地方可以从卷积去参考【TensorFlow】tf.nn.conv2d是怎样实现卷积的？tf.nn.max_pool(value, ksize, strides, padding, name=None)参数是四个，和卷积很类似：第一个参数value：需要池化的输入，一般池化层接在卷积层后面，所以输入通常是featur...

import tensorflow as tftemp = [0., 0., 1., 0., 0., 0., 1.5, 2.5]# Reshape the tensor to be 3 dimensions.values = tf.reshape(temp, [1, 8, 1])# Use an averaging pool on the tensor.p_avg = tf.nn...

添加链接描述

1. tf.nn.conv2dtf.nn.conv2d(input, # 张量输入 filter, # 卷积核参数 strides, # 步长参数 padding, # 卷积方式 use_cudnn_on_gpu=None, # 是否是gpu加速 data_format=None, # 数据格式，与步长参数配合，决定移动方式 ...

CPUwith tf.Session() as sess: ...: with tf.device("/cpu:0"): ...: m1=tf.constant([[3,3]]) ...: m2=tf.constant([[2],[2]]) ...: product=tf.matmul(m1,m2) ...

import tensorflow as tf #导入tensorflowa=tf.constant([[1,2]]) #定义了一个1×2的矩阵b=tf.constant([[2], [4]]) #定义了一个2×1的矩阵c=tf.matmul(a,b) #两者相乘赋给c节点 #两种方式执行session,第一种比较直观，但比较麻烦...

#程序 不是我写的，注释是我做的，转载请注明“lg土木设计”#最小二乘法拟合，用y=ax+b a=weight b=biasesfrom __future__ import print_functionimport tensorflow as tfimport numpy as np# create data 生成100个0-1之间的随机数 np.random.rand(10...

import tensorflow as tf#发起会话sess = tf.Session()#两行都可以执行 具体意思见下方注释A = tf.Variable(tf.truncated_normal([2,3],0,1,dtype=tf.float32,seed=3))#A = tf.Variable(tf.random_uniform([3,4], 1, 10))#变量初始化s...

43个模型

注释链接所有代码# -*- coding: utf-8 -*-"""Created on Wed Apr 19 12:30:49 2017@author: lg同济大学B406"""import tensorflow as tfimport numpy as npx_data=np.random.rand(100).astype(np.float32)y_data=x_data*0.1+0

import tensorflow as tfstate=tf.Variable(0,name='counter')one=tf.constant(1)new_value=tf.add(state,one)update=tf.assign(state,new_value)init=tf.initialize_all_variables()with tf.Session() as sess:

placeholder 传入值要用字典并且tf.mul、tf.sub 和 tf.neg 被弃用，现在使用的是 tf.multiply、tf.subtract 和 tf.negative.import tensorflow as tfinput1=tf.placeholder(tf.float32)input2=tf.placeholder(tf.float32)outpu...

#程序 不是我写的，注释是我做的，转载请注明“lg土木设计”#最小二乘法拟合，用y=ax+b a=weight b=biasesfrom __future__ import print_functionimport tensorflow as tfimport numpy as np# create data 生成100个0-1之间的随机数 np.random.rand(100) 1

# -*- coding: utf-8 -*-"""Created on Wed Apr 19 22:24:49 2017@author: user"""import tensorflow as tfimport numpy as npdef add_layer(inputs,in_size,out_size,activation_function=None): Weights=t

# -*- coding: utf-8 -*-"""Created on Thu Apr 20 15:40:48 2017同济大学 土木大楼B406@author: Administrator"""from __future__ import print_function import tensorflow as tffrom tensorflow.examples.tutorials.m

这篇关于卷积与池化讲的比较好这篇也不错哦

tf.argmax(input, axis=None, name=None, dimension=None) 此函数是对矩阵按行或列计算最大值 参数 input：输入Tensor axis：0表示按列，1表示按行 name：名称 dimension：和axis功能一样，默认axis取值优先。新加的字段 返回：Tensor 一般是行或列的最大值下标import tensorflow a

import numpy as npimport tensorflow as tfx = np.array([[1.,2.,3.],[4.,5.,6.]])sess = tf.Session()mean1 = sess.run(tf.reduce_mean(x))mean2 = sess.run(tf.reduce_mean(x, 0))mean3 = sess.run(tf.reduce_

cast(x, dtype, name=None) 将x的数据格式转化成dtype.例如，原来x的数据格式是bool， 那么将其转化成float以后，就能够将其转化成0和1的序列。反之也可以a = tf.Variable([1,0,0,1,1])b = tf.cast(a,dtype=tf.bool)sess = tf.Session()sess.run(tf.initiali...

我们通常采用tensorflow来训练，训练完之后应当保存模型,即保存模型的记忆（权重和偏置），这样就可以来进行人脸识别或语音识别了。  1.模型的保存# 声明两个变量v1 = tf.Variable(tf.random_normal([1, 2]), name="v1")v2 = tf.Variable(tf.random_normal([2, 3]), name="v2")init_op

原文链接#!/usr/bin/env python3# -*- coding: utf-8 -*-"""Created on Thu Mar 15 21:49:08 2018@author: luogan"""import tensorflow as tffrom sklearn.datasets import load_digitsimport numpy as np...

np.random.rand (,)np.random.rand 表示随机数为0-1之间np.random.rand(100) #1*100的矩阵#  生成100个0-1之间的随机数   其每个元素为0-1的随机数#np.random.rand(3,3) 3*3的矩阵，其每个元素为0-1的随机数np.random.uniform([5], 1, 10)