tensorflow

最新推荐文章于 2023-03-30 22:43:47 发布
最新推荐文章于 2023-03-30 22:43:47 发布
阅读量618 收藏 15
点赞数 5
分类专栏： 深度学习 机器学习相关 文章标签： 机器学习 深度学习 tensorflow
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/u013527419/article/details/58204402
版权

已看完：
TensorFlow极速入门
http://weibo.com/ttarticle/p/show?id=2309351000224074036907921465

机器学习的敲门砖：手把手教你TensorFlow初级入门
https://yq.aliyun.com/articles/64410

『深度长文』Tensorflow代码解析（一）
https://mp.weixin.qq.com/s?__biz=MzI1NTE4NTUwOQ==&mid=2650325923&idx=1&sn=da78a25969828712dc9a4f2bb5651b1d

未看：
github： TensorFlow-Examples
https://github.com/aymericdamien/TensorFlow-Examples/blob/master/notebooks/3_NeuralNetworks/autoencoder.ipynb

十个主题，最全的优秀 TensorFlow 相关资源列表
https://my.oschina.net/hardbone/blog/798552

快速上手｜TensorFlow从入门到实战资料汇总
http://mp.weixin.qq.com/s?__biz=MzIwMTgwNjgyOQ==&mid=2247484695&idx=1&sn=1961dfe8ddb6a9a5a37e72e3e3c4e11a

蓁蓁尔
关注
  • 5
    点赞
  • 踩
  • 15
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
交叉熵代价函数+方向导数+梯度（详细作用及公式推导）
蓁蓁尔的博客
03-04 4713
交叉熵代价函数（作用及公式推导） http://blog.csdn.net/u014313009/article/details/51043064交叉熵代价函数 http://blog.csdn.net/u012162613/article/details/44239919两篇结合着看。
theano tutorial -- 用theano实现逻辑回归LR（三）theano实现LR算法
蓁蓁尔的博客
01-07 412
>>> import numpy >>> import theano >>> import theano.tensor as T >>> rng = numpy.random>>> N = 400 # 训练数据的数量 400个样本 >>> feats = 784 # 特征数
TensorFlow实战——个性化推荐
热门推荐
chengcheng1394的专栏
12-16 5万+
原创文章，转载请注明出处： http://blog.csdn.net/chengcheng1394/article/details/78820529请安装TensorFlow1.0，Python3.5 项目地址： https://github.com/chengstone/movie_recommender前言本项目使用文本卷积神经网络，并使用MovieLens数据集完成电影推荐的任务。 推
Tensorflow-gpu保姆级安装教程（Win11, Anaconda3，Python3.9）
最新发布
weixin_43412762的博客
03-30 8万+
Tensorflow-gpu保姆级安装教程（Win11, Anaconda3，Python3.9）
在Anaconda中安装TensorFlow1.14.0与TensorFlow2.0.0
howard2005的专栏
12-16 3万+
安装TensorFlow2.0
TensorFlow
07-23
关于t上面的资源适合于tensorflow的初学者，简要的介绍了神经网络
TensorFLOW
09-16
tensorflow论文相关资料方便查询tensorflow应用相关内容。
Tensorflow
01-23
Tensorflow是目前深度学习领域常用的开发框架之一，但对于初学者而言最难的是如何学着其框架内的函数，本文档详细介绍了Tensorflow的内部函数
时间序列分析--ARIMA模型
蓁蓁尔的博客
10-15 7万+
http://blog.csdn.net/u010414589/article/details/49622625 指数平滑法对时间序列上连续的值之间的相关性没有要求。但是，如果你想使用指数平滑法计算出预测区间， 那么预测误差必须是不相关的， 且必须是服从零均值、 方差不变的正态分布。即使指数平滑法对时间序列连续数值之间相关性没有要求，在某种情况下， 我们可以通过考虑数据之间的相关性来创建更好的预测
网络表示学习（DeepWalk，LINE，node2vec，SDNE）
蓁蓁尔的博客
07-24 5万+
1.传统：基于图的表示（又称为基于符号的表示） 如左图 G =（V，E），用不同的符号命名不同的节点，用二维数组（邻接矩阵）的存储结构表示两节点间是否存在连边，存在为1，否则为0。   缺点：长尾分布下大部分节点间没有关系，所以邻接矩阵非常稀疏，不利于存储计算。 2. 网络表示学习（Network Representation Learning，NRL），也称
时间序列分析--指数平滑法
蓁蓁尔的博客
10-15 1万+
一. 基础知识：1. 概念：时间序列是指一个数据序列，特别是之由一段时间内采集的信号组成的序列，序列前面的信号表示采集的时间较早。 2. 前提假设：时间序列分析一般假设我们获得的数据在时域上具有一定的相互依赖关系，例如股票价格在t时刻很高，那么在t+1时刻价格也会比较高（跌停才10%）；如果股票价格在一段时间内获得稳定的上升，那么在接下来的一段时间内延续上升趋势的概率也会比较大。 3. 目标
异构信息网络+推荐===总结
蓁蓁尔的博客
06-22 1万+
关于异构信息网络的基本概念，可以先看看：异构信息网络–基本概念和定义学习笔记 ** 一、元路径（Meta Path） ** - 因为异构信息网络（以后简称为HIN）中包含着更多的节点类型和边的类型，相对于同构网络来说比较复杂，所以Yizhou Sun【1】第一次提出了元路径（meta path）的概念，基于元路径来分析HIN，简单来说元路径就是连接两个节点之间的边类型和节点类型...
KL散度（相对熵，信息增益）学习笔记
蓁蓁尔的博客
06-28 1万+
1.定义根据查阅相关资料，知相对熵（relative entropy）又称为KL散度（Kullback–Leibler divergence，简称KLD），信息散度（information divergence），信息增益（information gain）。 KL散度是两个概率分布P和Q差别的非对称性的度量。 对一个离散随机变量的两个概率分布P和Q来说，他们的KL散度定义为： 对于连续的随机
用数据可视化直观理解数据--iris数据集为例
蓁蓁尔的博客
04-07 1万+
原文：https://www.kaggle.com/benhamner/d/uciml/iris/python-data-visualizations See Kaggle Datasets for other datasets to try visualizing. The World Food Facts data is an especially rich one for visualiza
反向传播（back propagation）算法学习笔记
蓁蓁尔的博客
12-28 9140
反向传播算法最早于上世纪70年代被提出，但是直到1986年，由David Rumelhart, Geoffrey Hinton, 和Ronald Williams联合发表了一篇著名论文（Learning representations by back-propagating errors）之后，人们才完全认识到这个算法的重要性。 最最基础入门： 通过一个简单的实例理解反向传播的基本计算过程： 英
SimRank--基于结构的相似度度量方法学习笔记
蓁蓁尔的博客
07-18 7788
详见：Glen Jeh 和 Jennifer Widom 的论文SimRank: A Measure of Structural-Context Similarity∗一、简介 目前主要有两大类相似性度量方法： (1) 基于内容(content-based)的特定领域(domain-specific)度量方法，如匹配文本相似度，计算项集合的重叠区域等； (2) 基于链接（对象间的
中文语料库and分词
蓁蓁尔的博客
02-25 6554
北京大学计算语言学研究所： 《人民日报》切分/标注语料库 中文对白语料：可用作聊天机器人训练语料 THUOCL：清华大学开放中文词库 （1） http://thuocl.thunlp.org/ （2）一篇微信文章 THULAC：一个高效的中文词法分析工具包 专栏 | 中文分词工具测评 http://chuansong.me/n/1205988942333
《统计学习方法》学习笔记（4）--k近邻法及常用的距离（or 相似度）度量
蓁蓁尔的博客
07-20 5701
一、k近邻法基础知识 1. 特征空间中两个实例点的距离反应了两个实例点的相似程度。 2. k近邻模型三要素 = 距离度量（有不同的距离度量所确定的最邻近点不同）+k值的选择（应用中，k值一般取一个比较小的值，通常采用交叉验证法来确定最优k值）+分类决策规则（往往是多数表决规则（majority voting rule），此规则等价于经验风险最小化） 3. 在训练数据量太大

“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

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
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