- 博客(4)
- 收藏
- 关注
RSS订阅原创 最新版tensorflow 2.2 的最简洁安装
目前，tensorfow 2.2 正式版已经发布，我们简单来看一下， tensorflow 2.2 最新版的安装。 首先要明确你希望安装CPU版本还是GPU版本？安装GPU版本需要你有nvidia的算力大于3.5的显卡。 如果安装 CPU版本，分两步： 第一步，升级 pip 版本。 python -m pip install --upgrade pip 第二步，使用豆瓣源安装： pip install tensorflow-cpu==2.2.0 -i https://pypi.douba
2020-05-22 12:35:08
2783
1
原创 Tensorflow使用中最常见的错误——distributed 显存错误
在Tensorlfow课程答疑过程中，一个很常见的错误就是显存分配错误。 常常会包含如下的错误提示： Interal Error：Blas GEMM launch failed. 这个错误是GPU显存分配错误，也就是说显存不足造成的。 这里有两种情况， 第一，你的数据很小，却产生这个报错。 这是由于 Tensorflow 默认申请可使用的全部显存，当tensorflow程序运行会话却没有关闭会话释放资源的时候，就会出现此错误，尤其是使用 jupyter notebook 的时候。可使用 nvidia-s
2020-05-21 09:44:42
499
原创 解决过拟合的最终方法
今天有同学提问：老师，用预训练网络过拟合，微调，降低学习率以后，还是过拟合。 训练集在0.99或者1，测试集在0.95上不去了，测试集的loss也大得多。还有什么方法能再提高测试集的准确率或者减小过拟合吗？ 这里可以看到这位同学已经探索了一些方法，可以继续使用dropout和正则化来抑制过拟合问题，但是解决过拟合最终的方法仍然是使用更多的训练数据。 过拟合的本质是模型对于train数据分布不能代表全部数据的分布，假设train数据足够多甚至囊括了全部数据的话，模型就会学习到所有数据的表达，而不会在test上
2020-05-20 09:25:55
863
原创 Keras中当Loss和Metrics定义都是mse时，为什么显示不同？
Keras中当Loss和Metrics定义都是mse时，为什么显示不同？ 这个问题不少细心的同学都有发现，我们感觉，既然loss和metrics都是一样的计算方法时，为什么会不同呢？ 实际上，造成这个微小差异的原因在于，模型评价的时候（metrics的结果）是模型训练完一个批次后，对这个批次做的评价。而显示的loss却是在训练过程中的这个批次样本产生的loss的均值。 来自 日月光华课程答疑《Tensorflow深度学习入门与实战》 ...
2020-05-20 09:23:33
2275
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人