略略略的博客

TensorFlow 1.0 重大功能及改善 XLA（实验版）：初始版本的XLA，针对TensorFlow图（graph）的专用编译器，面向CPU和GPU。 TensorFlow Debugger（tfdbg）：命令行界面和API。 添加了新的python 3 docker图像。 使pip包兼容pypi。TensorFlow现在可以通过 [pip install tensorflo

最近下载jupyter notebook老是下载不下来，原因是pip版本太低， 于是升级pip但是版本还是原来的版本，查看方法是pip -V，于是卸载了pip，命令是 sudo apt-get remove python-pip，版本于是就成最新的了，嘎嘎嘎

import tensorflow as tf #此时，权值构成了一个矩阵，而非向量，每个“特征权值列"对应一个输出类别 W = tf.Variable(tf.zeros([4, 3]), name = "Weights") #每个偏置也是如此，每个偏置对应一个输出类 b = tf.Variable(tf.zeros([3]), name = "bias") def inference(X):

#encoding:utf-8 #encoding:utf-8 import tensorflow as tf import numpy as np import matplotlib.pyplot as plt # 神经层函数参数， 输入值， 输入的大小， 输出的大小，激励函数（默认为空） def add_layer(inputs, in_size, out_size, activation_fu

import tensorflow as tf#初始化变量和模型参数， 定义训练闭环中运算 W = tf.Variable(tf.zeros([2, 1]), name = "weights") b = tf.Variable(0.0, name = "bias")#计算推断模型在数据X上的输出， 并将结果返回 def inference(X): return tf.matmul(X, W)

从kaggle下载的泰坦尼克数据集import tensorflow as tf#对数几率回归参数和变量的初始化 W = tf.Variable(tf.zeros([5, 1]), name="weights") b = tf.Variable(0.0, name="bias")#之前的推断现在用于值的合并 def combine_inputs(X): return tf.matmul(X,

鸢尾花数据集。在数据集包含三个特征值及其三个可能的输出类（不同的鸢尾花），因此权值矩阵的维数应为4*3（下载链接)import tensorflow as tf#此时，权值构成了一个矩阵，而非向量，每个“特征权值列"对应一个输出类别 W = tf.Variable(tf.zeros([4, 3]), name = "Weights") #每个偏置也是如此，每个偏置对应一个输出类 b = tf.Var

1.tf.argmax()a = tf.constant([[1,5,3], [4,2,6]]) sess = tf.Session() print sess.run(tf.argmax(a, 0))#[1 0 1] print sess.run(tf.argmax(a, 1))#[1 2] #argmax()函数返回最大值的索引，0返回每一列

import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data#载入数据集 mnist = input_data.read_data_sets("MNIST_data", one_hot = True)#批次大小 batch_size = 100 #计算一共有多少个批次 n_batch = mni