tensorflow的 jupyter环境 问题集

一、tensorflow的 jupyter环境 error :UnrecognizedFlagError: Unknown command line flag ‘f’ 解决办法:
tf.app.flags.DEFINE_string(‘f’, ‘’, ‘kernel’)
二、DuplicateFlagError: The flag ‘xxx’ is defined twice.的错误处理

import tensorflow as tf
tf.reset_default_graph()
try:
    flag =tf.get_variable(name='flag',shape=[2],initializer=tf.constant_initializer(1.0))
    FLAGS = tf.flags.FLAGS
    tf.flags.DEFINE_string('f', '', 'kernel')
    tf.flags.DEFINE_string('ckpt_path', 'model/model.ckpt-100000', '''模型保存路径''')
    tf.flags.DEFINE_float('learning_rate', 0.0001, '''初始学习率''')
    tf.flags.DEFINE_integer('train_steps', 50000, '''总的训练轮数''')
    tf.flags.DEFINE_boolean('is_use_gpu', False, '''是否使用GPU''')
except:
    print("has been  defined")
print('模型保存路径: {}'.format(FLAGS.ckpt_path))
print('初始学习率: {}'.format(FLAGS.learning_rate))
print('总的训练次数: {}'.format(FLAGS.train_steps))
print('是否使用GPU: {}'.format(FLAGS.is_use_gpu))

pip国内的一些镜像
  阿里云 http://mirrors.aliyun.com/pypi/simple/
  中国科技大学 https://pypi.mirrors.ustc.edu.cn/simple/
  豆瓣(douban) http://pypi.douban.com/simple/
  清华大学 https://pypi.tuna.tsinghua.edu.cn/simple/
  中国科学技术大学 http://pypi.mirrors.ustc.edu.cn/simple/
修改源方法:
临时使用:
可以在使用pip的时候在后面加上-i参数,指定pip源
eg: pip install scrapy -i https://pypi.tuna.tsinghua.edu.cn/simple
永久修改:
linux:
修改 ~/.pip/pip.conf (没有就创建一个), 内容如下:

[global]

index-url = https://pypi.tuna.tsinghua.edu.cn/simple

windows:
直接在user目录中创建一个pip目录,如:C:\Users\xx\pip,在pip 目录下新建文件pip.ini,内容如下
或者按照网友的建议:win+R 打开用户目录%HOMEPATH%,在此目录下创建 pip 文件夹,在 pip 目录下创建 pip.ini 文件, 内容如下

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
人工神经网络(Artificial Neural Network,ANN)是一种模拟人脑神经系统的计算模型,可以广泛应用于数据分类问题。鸢尾花数据(Iris dataset)是一个常用的分类数据,包含了150个样本,用于分析鸢尾花的特征并进行分类。 在Jupyter(一种基于Web的交互式计算环境)中,我们可以使用Python语言和相应的库来构建和训练人工神经网络模型对鸢尾花数据进行分类。 首先,我们需要导入相关的库,如tensorflow和keras。然后,我们可以使用keras搭建一个简单的人工神经网络。这个神经网络可以包含输入层、隐藏层和输出层,其中输入层的节点数等于鸢尾花数据的特征数,输出层的节点数等于数据的分类数。 接下来,我们需要将鸢尾花数据拆分为训练和测试。训练用于训练模型,测试用于评估模型的预测性能。 然后,我们可以使用训练来训练神经网络模型。这里的训练过程是通过不断调整神经网络的权重和偏差来最小化模型在训练上的误差。 训练完成后,我们可以使用测试来评估模型的分类性能。通过将测试中的样本输入到已训练的神经网络中,我们可以获得每个样本属于不同类别的概率预测值。然后可以根据这些预测值确定最终的分类结果。 最后,我们可以在Jupyter中展示模型的分类结果,并通过计算准确率(正确分类的样本数/总样本数)来评估模型的性能。 通过这样的步骤,我们可以使用人工神经网络对鸢尾花数据进行分类,并在Jupyter中展示和评估分类结果。同时,可以通过调整神经网络的结构和参数来优化模型的性能。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值