政安晨：示例演绎TensorFlow的官方指南（一）{基础知识}

已于 2024-03-29 17:24:58 修改
阅读量1.6k 收藏 22
点赞数 25
CC 4.0 BY-SA版权
分类专栏： TensorFlow与Keras机器学习实战 文章标签： TensorFlow Eager Execution 演绎官方指南 Python Keras 机器学习 自动微分
于 2024-02-07 15:51:34 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/snowdenkeke/article/details/136067030
本文是政安晨对TensorFlow官方指南的示例演绎，着重介绍了Eager Execution，这是一种命令式编程环境，能立即评估运算，简化模型调试。内容包括Eager Execution的设置和基本用法、动态控制流、训练模型、自动微分等主题，旨在帮助读者更好地理解和应用TensorFlow。

目录

为什么要示例演绎？

Eager Execution

设置和基本用法

动态控制流

Eager 训练

计算梯度

训练模型

变量和优化器

基于对象的保存

面向对象的指标

摘要和 TensorBoard

自动微分高级主题

动态模型

自定义梯度

性能

基准

使用函数

写在最后

政安晨的个人主页：政安晨

欢迎 👍点赞✍评论⭐收藏

收录专栏: TensorFlow与Keras机器学习实战

希望政安晨的博客能够对您有所裨益，如有不足之处，欢迎在评论区提出指正！

为什么要示例演绎？

既然有了官方指南，咱们在官方指南上看看就可以了，为什么还要写示例演绎的文章呢？

其实对于初步了解TensorFlow的小伙伴们而言，示例演绎才是最重要的。

官方文档已经假定了您已经具备了相当合适的基础知识以及工作/学习环境，而这两点恰恰是很多小伙伴们的差异所在。

了解本专栏 订阅专栏 解锁全文 超级会员免费看
政安晨：示例演绎TensorFlow的官方指南（二）{Estimator}
政安晨——致力于AI人工智能数字互动领域
02-07 1315
TensorFlow的Estimator API是一种高级的机器学习API，用于简化模型的训练、评估和推理过程。它提供了一种更加高层次的抽象，使开发者能够更加专注于模型的架构和数据流水线的设计，而不需要太多地关注底层的实现细节。
政安晨：示例演绎TensorFlow的官方指南（三）{快速使用数据可视化工具TensorBoard}
政安晨——致力于AI人工智能数字互动领域
02-09 1413
这篇文章里咱们演绎TensorFLow的数据可视化工具：TensorBoard。 在机器学习中，要改进模型的某些参数，您通常需要对其进行衡量。TensorBoard 是用于提供机器学习工作流期间所需测量和呈现的工具。它使您能够跟踪实验指标（例如损失和准确率），呈现模型计算图，将嵌入向量投影到较低维度的空间等。
政安晨：示例演绎Python的布尔值和条件语句
政安晨——致力于AI人工智能数字互动领域
02-04 915
使用布尔值进行分支逻辑，是Python语言开发的必要方式。
政安晨：示例演绎Python的函数与获取帮助的方法
政安晨——致力于AI人工智能数字互动领域
02-04 1203
调用函数和定义我们自己的函数，并使用Python内置的文档，是成为一位Pythoner的开始。 通过我的上篇文章，相信您已经看过并使用了print和abs等函数。但是Python还有许多其他函数，并且定义自己的函数是Python编程的重要部分。 在本篇中，你将学习更多关于使用和定义函数的知识。
政安晨：示例演绎Python语言的字符串与字典
政安晨——致力于AI人工智能数字互动领域
02-05 835
使用字符串和字典，这两种是Python的基本数据类型。 Python语言真正闪耀的一个领域是字符串的操作。 本节将涵盖一些Python内置的字符串方法和格式化操作。在数据科学工作的背景下，这样的字符串操作模式经常出现。 字典是Python中的一种内置数据结构，用于将键映射到值。
政安晨：专栏目录【TensorFlow与Keras】【机器学习/深度学习/神经网络/实例实战】
政安晨——致力于AI人工智能数字互动领域
03-25 2438
本文篇是作者政安晨的专栏《TensorFlow与Keras实战演绎机器学习》的总纲，专栏文章不断更新，这篇总纲也会随着专栏不断更新。 TensorFlow给自己的定位是端到端机器学习平台，是一个开源的机器学习框架，用于构建和训练各种机器学习模型。 Keras给自己的定位是一个用 Python 编写的高级神经网络 API，是一个开源的高级神经网络库，用于构建和训练深度学习模型。
政安晨：示例演绎机器学习中（深度学习）神经网络的数学基础——快速理解核心概念（一）{两篇文章讲清楚}
政安晨——致力于AI人工智能数字互动领域
02-10 1986
进入人工智能领域免不了与算法打交道，算法依托数学基础，很多小伙伴可能新生畏惧，不用怕，算法没那么难，也没那么玄乎，未来人工智能时代说不得人人都要了解算法、应用算法。 本文试图以一篇文章，用程序演绎的方式给大家把这里面的数学基础先讲清楚，以便于咱们未来深入，呵呵。 机器学习中，那些“机器”学习的是什么？——数据。学习到的是什么？——模式和规律（或者说是可以解决实际问题的模型）。
政安晨：示例演绎机器学习中（深度学习）神经网络的数学基础——快速理解核心概念（二）{两篇文章讲清楚}
政安晨——致力于AI人工智能数字互动领域
02-10 1929
如果把人工智能领域比作星辰大海，那么机器学习就是渡海之舟，而神经网络就是这舟中的机器， 咱们这篇文章要介绍的张量运算，就是这架机器中的齿轮！这是基础的基础，也是核心的核心！ 计算机程序最终都可以简化为对二进制输入的一些二进制运算（AND、OR、NOR等），与此类似，深度神经网络学到的所有变换也都可以简化为对数值数据张量的一些张量运算（tensor operation）或张量函数（tensor function），如张量加法、张量乘法等。
政安晨：示例演绎Python的列表
政安晨——致力于AI人工智能数字互动领域
02-04 1012
列表和你可以用它们做的事：包括索引、切片和对象变动 (变异-Mutation)。
复杂系统中的机器学习瓦解与解体早期预警信号
weixin_54607024的博客
11-14 592
被移除的瞬间，LCC 才会发生断崖式下跌。这时再预警为时已晚。
Machine Learning Case Studies
2509_93939242的博客
11-11 283
通过分析大量的医疗影像数据，如X光片、CT扫描和MRI图像，机器学习模型能够识别出疾病模式，甚至在人类专家之前就能预测某些疾病的发展。苹果的Siri、谷歌助手和亚马逊的Alexa等虚拟助手都依赖于机器学习来理解和响应用户的语音命令。这些系统通过分析大量的语音数据来提高识别准确率，并能够适应不同用户的语音模式。这些推荐系统通过机器学习算法不断优化，以提高用户满意度和增加用户粘性。随着技术的不断进步，我们可以预见机器学习将在更多领域发挥重要作用，从提高生产效率到改善生活质量，机器学习将继续塑造我们的未来。
Machine Learning Summary
2509_93941540的博客
11-11 235
Machine Learning, a subset of artificial intelligence, is a field that focuses on the development of computer programs that can access data and use it to learn for themselves. These programs are designed to improve their performance on a specific task with
Machine Learning Tips
2509_93942407的博客
11-11 143
通过这些步骤，你可以减少数据的维度，提高模型的泛化能力。交叉验证可以确保模型在不同的数据子集上都有良好的表现，从而提高模型的泛化能力。总之，掌握这些机器学习技巧，可以帮助你更有效地进行模型训练和优化，提高模型的性能和泛化能力。7. 集成学习：通过组合多个模型的预测结果，可以提高模型的准确性和鲁棒性。通过网格搜索、随机搜索或贝叶斯优化等方法，可以找到最佳的超参数组合，从而提高模型的性能。这些技术可以限制模型的复杂度，提高模型的泛化能力。通过不断地尝试和失败，你可以积累宝贵的经验，提高解决问题的能力。
【高级机器学习】 10. 领域适应与迁移学习
weixin_48846514的博客
11-14 1168
领域适应和迁移学习
【高级机器学习】 12. 强化学习,Q-learning, DQN
最新发布
weixin_48846514的博客
11-14 452
本文介绍了强化学习的基础概念和方法，重点比较了监督学习与强化学习的区别。监督学习依赖带标签的数据训练模型，而强化学习通过试错与环境交互，最大化长期累计奖励。文章详细阐述了强化学习的基本符号、交互过程、目标函数，并通过具体示例比较了不同策略的优劣。核心内容包括Q-value的定义、Bellman方程、TD更新规则，以及Q-table的学习流程。特别对比了Q-learning（off-policy）和Sarsa（on-policy）两种算法的差异。最后指出在处理连续或高维状态空间时，传统Q-table方法受限，
01机器学习中的一些基本概念（重点）
mkbbreak的博客
11-10 475
特征（X）：模型的输入，描述数据属性样本：数据的基本单位，由特征组成标签（y）：监督学习的目标输出数据划分：训练集用于学习，测试集用于评估特征工程：数据预处理对模型性能至关重要。
【高级机器学习】 7. 带噪声数据的学习：从 MLE 到 MAP
weixin_48846514的博客
11-14 548
解释：MLE 找到让数据最“可能”发生的参数值，即在 10 次实验中出现 7 次正面，最合理的概率估计是。“在天阴的情况下下雨的概率 = 天阴在下雨时出现的可能 × 原本的下雨概率 ÷ 天阴的总体概率。结合证据之后的判断。既要数据解释得好（拟合好），又要参数别太奇怪（符合先验）。这就是一个“高斯先验”——参数越远离 0，越不可能。我于是更新我的信念：可能 70% 要下雨（后验）。我先“猜”今天下雨的概率是 30%（先验）。这就是 MLE：找到让数据最可能出现的参数。“在看见新数据后，更新你原来的信念。
第1章 机器学习的诞生与演化
11-14 380
人工智能的发展史，就是从“人教机器做事”到“机器自己学习”，再到“机器自己思考”的过程。
【高级机器学习】 8. 偏差与方差（Bias and Variance）
weixin_48846514的博客
11-14 472
摘要 偏差与方差是机器学习模型的两种基本误差来源。欠拟合（高偏差）指模型过于简单，无法有效学习数据规律；过拟合（高方差）则因模型过于复杂而过度拟合训练数据噪声。两者存在权衡关系：增加模型复杂度会降低偏差但增加方差，反之亦然。通过正则化（约束参数）或增加训练样本量可缓解过拟合问题。经验风险最小化加入正则化项能平衡模型复杂度和泛化能力，其中λ参数控制正则化强度。理想模型应在偏差和方差之间取得平衡，以在训练集和测试集上均表现良好。
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

政安晨

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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