qq_42433311的博客

目录1.Keras简介2.常见功能模块2.1 常见网络层类2.2 网路容器3.模型装配、训练、测试3.1 模型装配3.2 模型训练3.3模型测试4.模型的保存与加载4.1 张量方式4.2网络方式4.3 SaveModel方式5.自定义网络5.1自定义网络层5.2自定义网络6.测量工具7.可视化7.1模型端7.2浏览器端1.Keras简介Keras是一个主要由 Python语言开发的开源神经网络计...

import osos.environ['TF_CPP_MIN_LOG_LEVEL']='2'import tensorflow as tffrom tensorflow.keras import datasets, layers, optimizers, Sequential, metricsfrom tensorflow import kerasdef preprocess(x, y): # [0~255] => [-1~1] x = 2 * tf..

1.导数与梯度导数定义：自变量x产生一个微小扰动△x后，函数输出值的增量△y与自变量增量△x的比值在△x趋于0时的极限a，如果存在，a即为在x处的导数：函数的导数记为：从几何角度看，一元函数在某处的导数就是函数的切线在此处的斜率，即函数值沿着x方向的变化率 。导数本身是标量，没有方向。但是导数表征了函数值在某个方向△x上的变化率。在这些任意△x方向中，沿着坐标轴的几个方向比较特殊，此时的导数也叫做偏导数（偏导数是导数的特例，也没有方向）利用梯度下降法优化网络时，需要求出网络的所.

1.感知机2.全连接层3.神经网络4.激活函数5.输出层设计6.误差计算7.神经网络类型

1.tf.wheretf.where(a)返回的是a tensor中判断为true的坐标tf.where(cond,A,B)2.tf.scatter_nd()根据模板shape（必须是全0）更新tensor的值实现对tensor值的更新，对A tensor值记进行更新，构造一个和A维度一样的全0 tensor，先执行tf.scatter_nd，再进行相加操作3.tf.meshgrid()例如，[5,5,2],一共有5*5=25个点，每个点是一个二维的点，用...

1.张量排序①sort按照参数direction指定方式对张量进行升序或者降序DESCENDING排列，返回排序后的张量②argsort按照参数direction指定方式对张量进行升序或者降序DESCENDING排列，返回其对应位置的索引③top_k返回前k个最大值以及索引④Top_k accuracy预测Prob4种类别预测概率为0.1,0.2,0.3,0.4，实际目标种类为第2类 ①计算top_1，预测为[3]，则准确率为0/...

1.前向传播（三层梯度实战）import tensorflow as tffrom tensorflow import kerasfrom tensorflow.keras import datasets# 去除警告import osos.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'# 导入数据集# x:[60k,28,28]# y:[60k](x, y), _ = datasets.mnist.load_data()# 转换为tensorfl

1.维度变换对一个4维的tensor理解：[4,28,28,1]，4这一维度叫batch，28这一维度叫row(height)，28这一维度叫column(width)，1这一维度叫channel，理解view和content①Reshape（改变的是tensor的view，无论怎样reshape都需要有你赋予的确切的物理含义）Reshape非常灵活，只要总体的view不改变，中间可以随便变换，只要有你赋予的物理意义要保证你的content不会改变②tf...

索引与切片

数据类型、tensor属性、判断tensor类型、类型之间的转换、创建不同维度的tensor、使用小案例