TensorFlow
文章平均质量分 66
星辰同学wwq
每天进步一点点,让经验转化自我,让行动成就自己。
加油!加油!!加油!!!
展开
-
Python中pass、exit()的区别
pass:不做任何事情,只起到占位的作用exit():结束整个程序for i in "Python": if i == "y": pass else: print(i)print("#" * 10)for i in "Python": if i == "t": exit() else: print(i)print("#" * 10)for i in range(10): print(i原创 2021-05-17 15:33:50 · 313 阅读 · 2 评论 -
Tensorflow的训练流程和部署流程你知道吗?
训练流程 数据的处理:使用tf.data和TFRecord可以高效地构建和预处理数据集,构建训练数据流。同时可以使用TensorFlow Datasets快速载入常用的公开数据集。 模型的建立与调试:使用即时执行模式和著名的神经网络高层API框架Keras,结合可视化工具TensorBoard,简易、快速地建立和调试模型。也可以通过TensorFlow Hub方便地载入已有的成熟模型。 模型的训练:支持在CPU、GPU、TPU上训练模型,支持单机和多机集群并行训练模型,充分利用海量数据和计算资..原创 2021-05-13 11:20:37 · 745 阅读 · 3 评论 -
越来越火的tf.keras模型,这三种构建方式记住了,你就是大佬!!!
很多人会说,keras模型和tf.keras模型我到底选择那个模型呢?好纠结啊,但是,真的需要纠结吗?就像两个不同大美女在你面前叫你选择,你做如何选择呢?手动滑稽。>(个_个)<以下总结了tf.keras模型的三种构建方式1. 首先,最常用的就是使用tf.keras.Sequential按层顺序构建模型,代码示例或者使用以下方式那么这种构建方式适用于什么场合呢?以及它的缺点呢?(1)适用场合对于顺序结构的模型(没有多个输入输出,也没有分支),优先使用Sequential方法构原创 2021-05-13 10:28:55 · 1083 阅读 · 6 评论 -
五、神经网络过拟合处理方法(二):手写数字识别(Mnist)数据集
神经网络过拟合处理方法手写数字识别(Mnist)数据集Mnist数据集是一个手写数字识别数据集,被称为深度学习界的“Hello World”。Mnist数据集包含:训练集:60,000张28×28灰度图测试集:10,000张28×28灰度图共有0~9这10个手写数字体类别。导入必要的模块import tensorflow as tffrom tensorflow.keras import datasets, regularizers, Input, Modelfrom te原创 2021-05-12 18:51:49 · 1460 阅读 · 2 评论 -
五、神经网络过拟合处理方法(一)
1. 什么是过拟合?过拟合(Overfitting):模型过于复杂(所包含的参数过多),以致于模型对训练集的拟合很好,但对未知数据预测很差的现象(泛化能力差)。过拟合可以通过观测训练集和验证集的loss变化判断:随着epoch或step的增加,训练集loss不断下降,而验证集loss先下降后抬升。2. 常见过拟合解决办法有哪些?(1)增加训练数据量(2)减少模型复杂度(3)添加正则项(4)提前终止(Early Stopping)训练的过程中,记录到目前为止最好的验证集原创 2021-05-12 14:29:12 · 12340 阅读 · 5 评论 -
四、深度学习基础:深度学习基础之手写Mnist数字识别
手写数字识别Mnist数据集是一个手写数字识别数据集,被称为深度学习界的“Hello World”。Mnist数据集包含:训练集:60,000张28×28灰度图测试集:10,000张28×28灰度图共有0~9这10个手写数字体类别。导入必要的模块import numpy as npimport pandas as pdimport matplotlib.pyplot as pltimport tensorflow as tffrom tensorflow.keras i原创 2021-05-12 14:00:47 · 495 阅读 · 6 评论