TensorFlow
林林同學
要得到你想要的某样东西,最好的办法是让你自己配得上它。
展开
-
TensorFlow中cnn-cifar10样例输入部分代码详解
参考的官方代码和别人的博客,整理下来以便自己学习,督促自己学习!!!争取看越来越多的代码原创 2017-03-13 20:56:43 · 2321 阅读 · 0 评论 -
Tensorflow图片数据读取
关于Tensorflow读取数据,有三种方法:供给数据(feeding):在Tensorflow程序运行的每一步,让Python代码来供给数据。从文件中读取数据:在Tensorflow图的开始,让一个输入管线从文件中读取数据。预加载数据:在Tensorflow图中定义常量或者变量来保存所有的数据(仅适用于数据量比较小的情况) 对于数据量较小而言,一般选择直接将数据加载进内存,然后再分batc原创 2017-05-25 22:49:25 · 1867 阅读 · 0 评论 -
tf.argmax()以及axis解析
tf.argmax()以及axis解析转载 2017-05-16 11:43:49 · 1374 阅读 · 0 评论 -
学习笔记:自编码和稀疏自编码(TensorFlow代码)
自编码和稀疏自编码原创 2017-04-25 21:58:07 · 1583 阅读 · 4 评论 -
TensorFlow实现K-means
TensorFlow实现K-means原创 2017-04-26 20:00:41 · 2110 阅读 · 2 评论 -
tensorflow 错误总结
ValueError: Only call softmax_cross_entropy_with_logits with named arguments (labels=…, logits=…, …) 原来这个函数,不能按以前的方式进行调用了,只能使用命名参数的方式来调用。 原来是这样的: tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logi原创 2017-06-13 15:19:31 · 351 阅读 · 0 评论 -
学习笔记之Tensorflow Line Model Tutorial (tf.learn人口普查二分类)
本Markdown编辑器使用StackEdit修改而来,用它写博客,将会带来全新的体验哦:Markdown和扩展Markdown简洁的语法代码块高亮图片链接和图片上传LaTex数学公式UML序列图和流程图离线写博客导入导出Markdown文件丰富的快捷键快捷键加粗 Ctrl + B 斜体 Ctrl + I 引用 Ctrl + Q插入链接 Ctrl +原创 2017-07-08 22:40:24 · 565 阅读 · 0 评论 -
tf.shape()与tf.get_shape()
import tensorflow as tfimport numpy as npx=tf.constant([[1,2,3],[4,5,6]])y =[[1,2,3],[4,5,6]]z= np.arange(24).reshape([2,3,4])sess = tf.Session()x_shape= tf.shape(x)y_shape=tf.shape(y)z_shape=t原创 2017-10-16 21:32:11 · 12464 阅读 · 0 评论 -
tensorflow之tensorboard的使用
Tensorboard:可视化学习 为了方便Tensorflow程序的理解、调试与优化,Tensorflow自带了一个可视化工具-Tensorboard,可以用来展现Tensorflow图像,绘制图像生成的定量指标以及附加数据。 Tensorboard的数据形式标量:Scalars图片:Images音频:Audio计算图:Graph数据分布:Distribution直方图:Histo原创 2017-10-17 15:38:51 · 536 阅读 · 0 评论 -
学习笔记:自编码神经网络 TensorFlow(代码)
自编码网络的作用是,将输入样本压缩到隐藏层(隐藏层神经元个数小于输入层),再在输出端重建样本。也就是说,自编码网络输出层与输入层存在如下关系:注意:由于神经元的输出只在0和1之间,因此输入需要进行均值归一化自编码网络可以看做将数据进行压缩(由原来的“n-维”压缩成“m维”(m=隐藏层神经元数目)),然后再在需要的时候用损失尽量小的方式将数据恢复出来。这里有两原创 2017-04-15 21:02:34 · 5134 阅读 · 0 评论 -
对抗生成模型
转载作者:author:DivinerShi 转载地址:http://blog.csdn.net/sxf1061926959/article/details/54630462生成模型和判别模型理解对抗网络,首先要了解生成模型和判别模型。判别模型比较好理解,就像分类一样,有一个判别界限,通过这个判别界限去区分样本。从概率角度分析就是获得样本x属于类别y的概率,是一个条件概率P转载 2017-04-12 21:30:07 · 3939 阅读 · 1 评论 -
TensorFlow中cnn-cifar10样例部分代码详解
第二次写博客,参考了官方代码和别人的博客,以便自己学习,还有很多不懂得地方,如有侵权,请及时告知,马上修改原创 2017-03-14 21:50:48 · 2670 阅读 · 0 评论 -
MNIST的简单实现
MNIST的第一次简单实现原创 2017-03-15 19:55:41 · 1285 阅读 · 0 评论 -
利用CNN实现MNIST
import tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_datamnist = input_data.read_data_sets("MNIST_data/", one_hot=True)sess=tf.InteractiveSession()x=tf.placeholder(tf.f原创 2017-03-15 19:57:19 · 461 阅读 · 0 评论 -
学习笔记:csv文件的读取和tf.contrib.learn Quickstart
tf.contrib.learn 是TensorFlow高层次机器学习API。以下是TensorFlow官方文档的实例代码解析from __future__ import absolute_importfrom __future__ import divisionfrom __future__ import print_functionimport itertoolsimpor原创 2017-04-07 18:00:24 · 1011 阅读 · 0 评论 -
学习笔记:Creating Estimators in tf.contrib.learn
tf.contrib.learn是一个高级的训练API,利用它可以简单的创建和训练机器学习模型。提供了四种模型:1、LinearClassifier:线性分类模型2、LinearRegressor:线性回归模型3、DNNClassifier:神经网络分类模型4、DNNRegressor:神经网络回归模型注:回归和分类的区别:回归问题通常是用来预测一个值,如预测房价、未来的天原创 2017-04-08 10:52:51 · 1588 阅读 · 0 评论 -
tensorflow线性模型以及Wide deep learning
看到了这个不错的博客,,就转载了,如有侵权,请及时告知什么是线性模型相信大多数人,刚开始接触机器学习的时候,就会接触到线性模型。来看一个简单的例子:通过人的年龄、受教育年数、工作年限等信息,可以预测出一个人的基本收入水平,预测方法就是对前面的限定特征赋予不同的权值,最后计算出工资;此外,线性模型也可以用于分类,例如逻辑回归就是一种典型的线性分类器。相对于其他的复杂模型来说,线性模型主要转载 2017-04-09 10:36:53 · 1585 阅读 · 0 评论 -
生成对抗网络 生成模型和判决模型
摘抄自【机器学习基础】生成模型和判别模型 - 简书 http://www.jianshu.com/p/d195b887a32e监督学习的任务就是学习一个模型(或者得到一个目标函数),应用这一模型,对给定的输入预测相应的输出。这一模型的一般形式为一个决策函数Y=f(X),或者条件概率分布P(Y|X)。监督学习方法又可以分为生成方法(generative approach)和判别方法(转载 2017-04-12 20:33:30 · 1489 阅读 · 0 评论 -
学习笔记:TensorFlow Wide & Deep Learning Tutorial
from __future__ import absolute_importfrom __future__ import divisionfrom __future__ import print_functionimport argparseimport sysimport tempfilefrom six.moves import urllibimport pandas as原创 2017-04-10 15:44:56 · 3767 阅读 · 1 评论 -
学习笔记:SAE TensorFlow代码
栈式自编码:一.基本原理AE的原理是先通过一个encode层对输入进行编码,这个编码就是特征,然后利用encode乘第2层参数(也可以是encode层的参数的转置乘特征并加偏执),重构(解码)输入,然后用重构的输入和实际输入的损失训练参数。对于我的应用来说,我要做的首先是抽取特征。AE的encode的过程很简单,是这样的:SAE是这样的:原创 2017-04-16 15:59:44 · 6253 阅读 · 12 评论