![](https://img-blog.csdnimg.cn/20190918140037908.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
(2)tensorflow专栏
学习tensorflow的笔记
RosebudTT
这个作者很懒,什么都没留下…
展开
-
TensorFlow WaveNet声音合成
WaveNet 是生成原始音频波形的深层生成模型。这项突破性的技术已经被 Google DeepMind引入(https://deepmind.com/blog/generate-mode-raw-audio/),用于教授如何与计算机对话。结果确实令人惊讶,在网上你可以找到合成声音的例子,电脑学习如何用名人的声音与人们谈话。所以,你可能想知道为什么学习合成音频是如此困难。听到的每个数字声音都是基于每秒 16000 个样本(有时是 48000 个或更多)建立一个预测模型,在这个模型中学习基于以前所有的样本.转载 2020-05-14 19:19:14 · 826 阅读 · 0 评论 -
k均值聚类算法原理和TensorFlow实现
1.原理简介k均值聚类是一种对数据进行聚类的技术,即将数据分割成指定数量的几个类,揭示数据的内在性质及规律。k 均值聚类是一种无监督学习方法。聚类技术很多,例如层次法、贝叶斯法和划分法。k 均值聚类属于划分聚类方法,将数据分成 k 个簇,每个簇有一个中心,称为质心,k 值需要给定。k 均值聚类算法的工作原理如下:随机选择 k 个数据点作为初始质心(聚类中心)。 将每个数据点划分给距离最近的质心,衡量两个样本数据点的距离有多种不同的方法,最常用的是欧氏距离。 重新计算每个簇的质心作为新的聚类中心,转载 2020-05-14 18:43:26 · 2610 阅读 · 0 评论 -
主成分分析法(PCA)原理和步骤
主成分分析(Principal Component Analysis,PCA)是一种多变量统计方法,它是最常用的降维方法之一,通过正交变换将一组可能存在相关性的变量数据转换为一组线性不相关的变量,转换后的变量被称为主成分。可以使用两种方法进行 PCA,分别是特征分解或奇异值分解(SVD)。假定有 p×n 维数据样本 X,共有 p 个样本,每行是 n 维,p×n 实矩阵可以分解为:这里,正交阵 U 的维数是 p×n,正交阵 V 的维数是 n×n(正交阵满足:UUT=VTV=1),Σ 是 n×.原创 2020-05-14 16:22:19 · 1401 阅读 · 0 评论 -
RNN循环神经网络原理与示例
循环神经网络(Recurrent Neural Network,RNN)很多实时情况都能通过时间序列模型来描述。转载 2020-05-14 14:03:07 · 1421 阅读 · 0 评论 -
CNN卷积神经网络原理及示例
一.原理CNN 由许多神经网络层组成。卷积和池化这两种不同类型的层通常是交替的。网络中每个滤波器的深度从左到右增加。最后通常由一个或多个全连接的层组成:Convnets 背后有三个关键动机:局部感受野、共享权重和池化。局部感受野如果想保留图像中的空间信息,那么用像素矩阵表示每个图像是很方便的。然后,编码局部结构的简单方法是将相邻输入神经元的子矩阵连接成属于下一层的单隐藏层神经元。这个单隐藏层神经元代表一个局部感受野。当然,可以通过重叠的子矩阵来编码更多的信息。例如,假设每个子矩阵的大小是转载 2020-05-13 16:12:22 · 1864 阅读 · 0 评论 -
tensorflow实现回归算法
在回归中定义了损失函数或目标函数,其目的是找到使损失最小化的系数。声明一个损失函数需要将系数定义为变量,将数据集定义为占位标准线性回归符。可以有一个常学习率或变化的学习率和正则化常数。1.标准线性回归import tensorflow as tfm=100 //样本数量n=15 //特征数量p=2 //类别数量X=tf.placeholder(tf.float32,name='X')Y=tf.placeholder(tf.float32,name='Y')w0=tf.Variabl原创 2020-05-12 18:11:05 · 485 阅读 · 0 评论 -
tensorflow与感知机
TensorFlow 支持自动求导,可以使用 TensorFlow 优化器来计算和使用梯度。它使用梯度自动更新用变量定义的张量。本文将使用 TensorFlow 优化器来训练网络。原创 2020-05-13 13:04:16 · 164 阅读 · 0 评论 -
TensorFlow入门讲解
TensorFlow 是由 Google Brain 团队为深度神经网络(DNN)开发的功能强大的开源软件库,其允许将深度神经网络的计算部署到任意数量的 CPU 或 GPU 的服务器、PC 或移动设备上,且只利用一个 TensorFlow API。包括 TensorFlow 在内的大多数深度学习库能够自动求导、开源、支持多种 CPU/GPU、拥有预训练模型,并支持常用的NN架构,如递归神经网络(RNN)、卷积神经网络(CNN)和深度置信网络(DBN)。TensorFlow 则还有更多的特点,如下:支持所原创 2020-05-12 20:23:46 · 738 阅读 · 0 评论