weixin_44853840的博客

目录神经网络激活函数TensorFlow 激活函数TensorFlow 中损失优化方法scikit-learn 预处理函数神经网络激活函数Logistic：典型的激活函数，在计算分类的概率时非常有用。f(z)=11+exp(−z) f(z)=\frac{1}{1+exp(-z)} f(z)=1+exp(−z)1​Tanh ：跟 Sigmoid 函数很像，但是范围是 [-1,1] ，而不是 [0,1] 。f(z)=tanh(z)=ez−e−zez+e−zf(z)=tanh(z)=\frac

目录基础神经网络卷积神经网络基础神经网络首先是处理训练数据。导入或者随机定义训练的数据 ???? 和 ???? ，这里我们使用 NumPy 随机定义训练的数据：import numpy as npimport tensorflow as tfx_data = np.linspace(-1, 1, 300)[:, np.newaxis] # 生成 xnoise = np.random.normal(0, 0.05, x_data.shape) # 生成 noisey_data

引言选择经典卷积神经网络结构 VGG 作为示例，完成 Fashion-MNIST 时尚物品分类任务。此外还将了解如何使用预训练模型进行迁移学习。VGG 网络结构VGG 是 Visual Geometry Group 的简称，前者代表牛津大学工程科学系的视觉几何课题组。2014 年，VGG 在 ImageNet ILSVRC-2014 分类任务中拿下了第二名的成绩。VGG 采用了卷积神经网络结构，分为分为如下图所示的 VGG16 和 VGG19。二者在结构上区别不大，只是 VGG19 更深一些，效果

目录低阶 API 模型Keras 顺序模型Keras 函数式模型Keras 混合模型低阶 API 模型首先读取数据集并进行简单切分，这里对字符标签进行了独热编码方便后面计算损失值。import numpy as npimport tensorflow as tffrom sklearn.datasets import load_digitsfrom sklearn.model_selection import train_test_splitdigits = load_digits() #

低阶APITensorFlow 的低阶 API 实现，实际上就是利用最基本的函数和组件，结合 Eager Execution 机制来完成。实验首先初始化一组随机数据样本，并添加噪声，然后将其可视化出来。import matplotlib.pyplot as pltimport tensorflow as tf%matplotlib inlineTRUE_W = 3.0TRUE_b = 2.0NUM_SAMPLES = 100# 初始化随机数据X = tf.random.normal(s

目录导数计算自动微分导数计算以Sigmoid 函数为例求导：sigmoid(x)=11+e−x\mathit{sigmoid}(x) = \frac{1}{1+e^{-x}}sigmoid(x)=1+e−x1​import tensorflow as tf#定义sigmoid函数def sigmoid(x): s = 1 / (1 + tf.math.exp(-x)) return sfrom matplotlib import pyplot as plt#初始化一组

目录张量数据类型代码常用模块张量阶数学实例0标量（只有大小）1矢量（大小和方向）2矩阵（数据表）33 阶张量（数据立体）NN 阶张量（自行想象）数据类型Tensor 类型描述tf.float3232 位浮点数tf.float6464 位浮点数tf.int6464 位有符号整型tf.int3232 位有符号整型tf.int1616 位有符号整型tf.int88 位有符号整型tf