A_Coding_Man

tf.random_normal() tf.random_normal()函数用于从“服从指定正态分布的序列”中随机取出指定个数的值。 tf.random_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None) - shape: 输出张量的形状，必选 - mean: 正态分布的均值，默认为0 - stddev: 正态分布的标准差，默认为1.0 - dtype: 输出的类型，默认为tf.float32 - seed

传送门 tf.gather()： tf.gather() 单一维度方向的数据，进行任意顺序的切片。 源张量是一维数据 代码：import tensorflow as tf print("源张量") a = tf.constant([0,1,2,3,4,5,6,7,8,9]) print(a) b = tf.gather(a, indices=[0,2,4,6,8,1,3,5,7,9]) print(b) b = tf.gather(a, indices=[0,2,4]) print(b

3.1 线性回归的从零开始实现3.2 线性回归的从零开始实现3.2.1 生成数据集3.2.2 读取数据3.2.5 定义损失函数3.2.6 定义优化算法3.2.7 训练模型 3.2 线性回归的从零开始实现 在了解了线性回归的背景知识之后，现在我们可以动手实现它了。尽管强大的深度学习框架可以减少大量重复性工作，但若过于依赖它提供的便利，会导致我们很难深入理解深度学习是如何工作的。因此，本节将介绍如何只利用Tensor和GradientTape来实现一个线性回归的训练。 首先，导入本节中实验所需的包或模块，其中的

转载：本节原书传送门 3.1 线性回归 线性回归输出是一个连续值，因此适用于回归问题。回归问题在实际中很常见，如预测房屋价格、气温、销售额等连续值的问题。与回归问题不同，分类问题中模型的最终输出是一个离散值。我们所说的图像分类、垃圾邮件识别、疾病检测等输出为离散值的问题都属于分类问题的范畴。softmax 回归则适用于分类问题。 由于线性回归和softmax回归都是单层神经网络，它们涉及的概念和技术同样适用于大多数的深度学习模型。我们首先以线性回归为例，介绍大多数深度学习模型的基本要素和表示方法。 3.1.

import tensorflow as tf print(tf.__version__) # 2.4.0 ################################ # # 2.2.1 创建tensor # ################################ """ 先介绍tensor的最基本功能，我们用range函数创建一个行向量。""" x = tf.constant(range(12)) print(x.shape) # (12,) # 一个tensor实例，其中包.

Tensorflow2.3 GPU版本的安装使用pip直接安装Tensorflow-GPU 我这电脑的Nivdia驱动版本是11.0，我查到的教程里都是要求10.1，没办法，自己莽一下吧。 使用pip直接安装Tensorflow-GPU 先创建一个conda虚拟环境 conda create -n tf23gpu python=3.7 安装完成界面是这个 激活新环境tf23gpu activate tf23gpu 安装tensorflow-gpu，豆瓣源比较快 pip install t

回归问题回归问题1.连续值预测连续值预测--例子 回归问题 1.连续值预测 结果在实数范围内给出一个值 fθ:x→yf_{\theta}:x → yfθ​:x→y 其中f(x)是预测结果，x是输入数据，y是真实结果 连续值预测–例子 y=1.477×x+0.089+ϵy = 1.477 × x + 0.089 + \epsilony=1.477×x+0.089+ϵ ...

CUDA、cudnn的安装 https://blog.csdn.net/weixin_44170512/article/details/103990592

TensorFlow函数整理tf.placeholder()函数说明：返回值实例 tf.placeholder() tf.placeholder(dtype, shape=None, name=None) 函数说明： dtype：被填充的张量(Tensor)的元素类型。 shape：被填充张量(Tensor)的形状(可选参数)。如果没有指定张量(Tensor)打形状，你可以填充该张量(Tensor)为任意形状。 name：为该操作提供一个名字(可选参数)。 返回值 一个张量(Tensor)。 必须在使用句柄