- 博客(15)
- 收藏
- 关注
RSS订阅原创 12手写数字识别-LSTM简单代码实现
import tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_data#载入数据集mnist = input_data.read_data_sets("MNIST_data/",one_hot=True)#输入的图片是28*28n_inputs=28 #输入一行，一行有28个数据max_time=28 #一共28行lstm_size=100 #隐层单元个数，即隐藏层有多少个神经元(严格来讲不是神经元
2020-11-16 11:40:58
515
原创 11手写数字识别-卷积神经网络
import tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_datamnist = input_data.read_data_sets("MNIST_data", one_hot=True)#每批次的大小batch_size = 100#计算一共有多少批次n_batch = mnist.train.num_examples // batch_size#定义函数，初始化权值def weight_
2020-11-16 11:39:08
167
原创 10Tensorboard网络运行
import tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_data mnist=input_data.read_data_sets("MNIST_data", one_hot=True) batch_size=100#1.可修改n_batch=mnist.train.num_examples // batch_size#参数概要def variable_summaries(var) :
2020-11-16 11:38:18
141
原创 9优化器
# tensorflow 上的优化器# 1.tf.train.GradientDescentOptimizer# 2.tf.train.AdadeltaOptimizer# 3.tf.train.AdagradOptimizer# 4.tf.train.AdagradDAOptimizer# 5.tf.train.MomentumOptimizer# 6.tf.train.AdamOptimizer# 7.tf.train.FtrlOptimizer# 8.tf.train.Proximal
2020-11-16 11:25:34
146
原创 8多层网络加防止过拟合
#使用dropout防止过拟合，keep_prob用于设置工作神经元占比import tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_data #载入数据集mnist=input_data.read_data_sets("MNIST_data", one_hot=True) #每个批次的大小batch_size=100#计算一共有多少批次n_batch=mnist.train.num_exampl
2020-11-16 11:24:51
96
原创 7多层神经网络手写数字分类mnist优化6
#本次优化修改：#1.增加隐藏层，隐藏层的激活函数使用sigmod函数#2.修改权值（w）和偏置值（b）的初始值#3.修改学习率#3.修改训练次数epochimport tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_data #载入数据集mnist=input_data.read_data_sets("MNIST_data", one_hot=True) #每个批次的大小，每次放入100张图
2020-11-16 11:24:07
115
原创 6神经网络手写数字分类mnist
#MNIST数据集的标签是介于0-9的数字，我们要把标签转化为“one-hot vectors”。#一个one-hot向量除了某一位数字是1以外，其余维度数字都是0，比如标签O将表示为([1,0,0,0,0,0,0.0,0.0])，标签3将表示为([O,0,0,1.0,0,0,0,0,0])。#因此，mnist.train.labels是一个[60000,10]的数字矩阵，60000张图片10个标签。#softmax函数，通常放在分类的最后一层，就是将分类结果通过softmax转化为概率#为提升
2020-11-16 11:22:48
184
原创 5Tensorflow非线性回归
import numpy as npimport matplotlib.pyplot as pltimport tensorflow as tf #使用numpy生成200个随机点，在（-0.5-0.5）之间均匀生成仅仅是一维数据，[:,np.newaxis]加一个维度变成二维数据x_data=np.linspace(-0.5,0.5,200)[:,np.newaxis]#x_data为200行1列的数据noise=np.random.normal(0,0.02,x_data.shape)#生成
2020-11-12 18:28:14
100
原创 4拟合线性函数的k和b
import tensorflow as tfimport numpy as np #使用numpy生成100个随机点x_data=np.random.rand(100)y_data=x_data*0.1+0.2 #这里我们设定已知直线的k为0.1 b为0.2得到y_data #构造一个线性模型b=tf.Variable(0.)k=tf.Variable(0.)y=k*x_data+b #二次代价函数（白话：两数之差平方后取 平均值）loss=tf.reduce_mean(tf
2020-11-12 18:26:20
1471
原创 3Tensorflow中的fetch和feed
import tensorflow as tf #Fetch概念 在session中同时运行多个opinput1=tf.constant(3.0) #constant()是常量不用进行init初始化input2=tf.constant(2.0)input3=tf.constant(5.0) add=tf.add(input2, input3)mul=tf.multiply(input1,add) with tf.Session() as sess: result=sess
2020-11-12 18:25:21
123
原创 2Tensorflow变量的使用
import tensorflow as tf x=tf.Variable([1,2])a=tf.constant([3,3]) sub=tf.subtract(x,a) #增加一个减法opadd=tf.add(x,sub) #增加一个加法op #注意变量再使用之前要再sess中做初始化，但是下边这种初始化方法不会指定变量的初始化顺序init=tf.global_variables_initializer()#全局初始化with tf.Session() as sess:
2020-11-12 18:23:45
132
原创 1Tensoflow基础概念
Tensoflow基础概念1.基本概念图(graph)表示计算任务，图(graph)的节点称为op（operation），一个op获得0个或多个tensor，执行计算产生0个或多个tensor（被视为一个n维的数组或列表）。graph必须在session中被启动。在session的上下文（context）执行图tensor表示数据通过变量variable维护状态使用feed或fetch为任意操作赋值或者从其中获取数据1.1 fetch在会话中同时执行多个op得到其运行结果1.2 *fe
2020-11-12 18:21:55
186
原创 阿里云服务器购买及使用流程（新手入门图文教程）
阿里云服务器购买及使用流程（新手入门图文教程）一、登录及密码重置二、远程连接三、网络安全组设置进入https://www.aliyun.com/，选择所需ESC的配置并购买（选择时可参考购买次数，选择一款适用的服务器）。已购买云服务器，进入https://ecs.console.aliyun.com/，登录进入控制台重置密码。一、登录及密码重置在阿里云首页，点击“控制台”（页面右上角）。如下图所示，点击“云服务器ECS”进入后点击“实例”（位于左侧选择框），点击“重置实例密码”，重置密码，后
2020-05-08 21:26:29
3462
3
原创 查看JDK版本和路径（Windows下）
查看JDK版本和路径（Windows下）按Win+R打开运行窗口，输入cmd打开命令窗口。输入java -version 查看JDK版本输入java -verbose 查看JDK路径
2020-03-16 21:36:11
1906
原创 Protégé本体构建入门（知识图谱构建）
文章目录前言下载及安装前言第一部分为Protégé工具下载安装流程，第二部分为一个本体构建简单实例的详细流程，按照文章所描述的步骤即可创建一个简单实例。环境及工具：Windows10下Protégé5.5.0，网盘提取即可。链接：https://pan.baidu.com/s/1kRNl8LFnCfQm2zhYN2x4sQ提取码：rc9m也可以在protégé官网下载，链接如下，官网...
2020-01-17 20:42:22
12625
1
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