tensorflow
小鱼编程
越努力,越幸运
展开
-
从此明白了卷积神经网络(CNN)
一、为什么要引入卷积神经网络?前面我们学习了全连接网络:每个神经元与前后相邻层的每一个神经元都有连接关系,输入是特征,输出为预测的结果。可以看到,一个28*28的黑白单通道图像,就要训练将近40万个参数,图像的分辨率一般很大的,RGB3通道,其参数将会更大。还有待优化的参数过多, 容易导致模型过拟合。 为避免这种现象 ,实际应用中一般 不会将原始图片直接喂入全连接网络 。在实际应用中,会先对...原创 2020-01-13 19:42:12 · 1140 阅读 · 0 评论 -
卷积神经网络应用于MNIST数据集分类(详细)
import tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_datamnist=input_data.read_data_sets('MNIST_data',one_hot=True)batch_size=100n_batch=mnist.train.num_examples//batch_siz...原创 2020-01-12 11:17:10 · 2184 阅读 · 0 评论 -
MNIST数据集分类简单版本(详细)
import tensorflow as tfimport numpy as npfrom tensorflow.examples.tutorials.mnist import input_data#载入Mnist数据集mnist=input_data.read_data_sets("MNIST_data",one_hot=True)batch_size=100n_batch=mnis...原创 2020-01-12 10:51:52 · 2221 阅读 · 0 评论 -
搭建神经网络的四个步骤(背诵,可做模板)
随机产生32组生产出的零件的体积和重量,训练3000轮,当体积和重量的和小于1时为合格。x0和x1对应体积和重量。#导入模块,生成数据集import tensorflow as tfimport numpy as npBATCH_SIZE=8seed=23455#基于seed产生随机数rng=np.random.RandomState(seed)#随机数返回32行2列的矩阵,表示3...原创 2020-01-12 10:50:45 · 896 阅读 · 0 评论 -
入门tensorflow必敲的几个例子
1.创建图,启动图import tensorflow as tfm1=tf.constant([[3,3]])#定义两个常量m2=tf.constant([[3],[2]])product=tf.matmul(m1,m2)#创建一个矩阵乘法opprint(product)#session第一种写法sess=tf.Session()result=sess.run(product)p...原创 2020-01-12 00:22:21 · 254 阅读 · 0 评论 -
几个必会的matplotlib入门例子
1.条形图from matplotlib import pyplot as plt x = [5,8,10] y = [12,16,6] x2 = [6,9,11] y2 = [6,15,7] plt.bar(x, y, color = 'r', align = 'center') plt.bar(x2, y2, color = 'g', align = 'cente...原创 2020-01-11 23:28:53 · 267 阅读 · 0 评论 -
numpy学习笔记,为了tensorflow
废话少说,来import numpy as npa=np.arange(4) #产生0,1,2,3c=a**2 #python的平方这样表达print(c)[0 1 4 9]a = np.arange(24) print (a.ndim) # a 现只有一个维度#现在调整其大小b = a.reshape(2,4,3) # b 现在拥有...原创 2020-01-07 22:00:09 · 161 阅读 · 0 评论 -
tensorflow学习笔记(开篇综述)
好久没写过blog了,现在要开启一个全新的阶段性学习笔记。前段时间毕业论文选题,看到有tensorflow方向的,果断选了,这个坑还真大,之前好多概念都忘记了,从头开始学习tensorflow,这个学习量好大,一定要做好笔记,反复看,反复写。然后我的毕业论文题目是《基于tensorflow的人体姿势识别》。一边在科大讯飞实习,一边学习tensorflow,一点一滴记录,努力学习。学习资料:B站大...原创 2020-01-07 17:16:08 · 168 阅读 · 0 评论