最近Tensorflow相继推出了alpha和beta两个版本，这两个都属于tensorflow2.0版本；早听说新版做了很大的革新，今天就来用一下看看 这里还是使用MNSIT数据集进行测试 导入必要的库 import tensorflow as tf from tensorflow.keras import datasets, layers, optimizers, Sequential, me
Tensorflow 1、tensor就是张量，多维数组，多维列表，阶表示张量的维数（dimension） 维数 阶 名字 例子 0-D 0 标量scalar s=1 2 3 1-D 1 向量vector V=[1,2,3] 2-D 2 矩阵matrix m=[[1,2,3],[4,5,6],[7,8,9]] n-D n 张量tensor t=[[
参考: https://www.bilibili.com/video/BV16A41157LW?p=17 视频及课件来源 北京大学 曹建 使用的识别图片 获取训练数据集 def get_mnist_data(): # 参考: https://www.codenong.com/53310656/ # 获取数据 return (x_train, y_train), (x_test, y_test) (x_tra
python3.7+pycharm+tensorflow2.0+CPU下载安装配置 博主查找了大量网上资源，发现大多数都是使用anaconda下载python和tensorflow配置的，由于博主之前安装了python3.7版本，想要不通过anaconda来进行tensorflow的安装，我觉得还挺简单的。方法大致如下，版本部分大家自行调整。 1、下
参考：参考1；参考2 总体来说，常见的带监督的机器学习问题主要分为两类：分类和回归，我们使用 Tensorflow 来解决这些问题的时候需要自己搭建网络，但是Tensorflow不同级别的API也就产生了不同的模型搭建方式。越底层的API灵活性越大，可以更加自由的添加自己想加入的内容，但是编码难度有所提
文章目录 一、tf.data 简单示例1.引入库2.tf.data.Dataset.from_tensor_slices3.tf.data.Dataset.from_tensor_slices封装字典数据4.take方法5.shuffle方法6.repeat方法7.batch方法8.三种方法一起使用9.map方法 二、mnist手写数字分类实现总结 一、tf.data 简单示例 1.引
淡黄的炼丹炉（篇五）：conda+tensorflow2.0.0gpu+pytorch1.4.0gpu安装 安装tensorflow2.0.0gpu测试tensorflow 是否正常安装pytorch1.4.0gpu测试pytorch 是否正常 安装tensorflow2.0.0gpu conda create -n testenv python=3.6 conda activate testenv conda install tensorfl
VGG系列的网络，在网络深度上相比于其之前的网络有了提升，VGG16与VGG19是VGG系列的代表，本次基于Tensorflow2.0实现VGG16网络。 1.VGG16 网络简介 VGG16网络模型在2014年ImageNet比赛上脱颖而出，取得了在分类任务上排名第二，在定位任务上排名第一的好成绩。VGG16网络相比于之前的Le
anaconda 使用 pip 安装的踩坑日记 因为要用到tensorflow，所以在anaconda中，单独新建了 一个名字为“tensorflow2.0”的环境，并安装了tensorflow2。然后，接下来，在同一个ipynb文件中，首先导入tenflow库后，再导入matplotlib时，总是报错，但是通过pip list查看环境时，发现已经安装了matplo
# -*- coding:utf-8 -*- import tensorflow as tf w = tf.Variable(tf.constant(5, dtype=tf.float32)) epoch = 40 LR_BASE = 0.2 LR_DECAY = 0.99 LR_STEP = 1 for epoch in range(epoch): lr = LR_BASE * LR_DECAY ** (epoch / LR_STEP) with tf.GradientTape(
# -*- coding:utf-8 -*- import tensorflow as tf import numpy as np y_ = np.array([[1, 0, 0], [0, 1, 0], [0, 0, 1], [1, 0, 0], [0, 1, 0]]) y = np.array([[12, 3, 2], [3, 10, 1], [1, 2, 5], [4, 6.5, 1.2], [3, 6, 1]]) y_pro = tf.nn.softmax(y) loss_ce1 = tf.l
例如单变量线性回归模型 利用jupyter 导入数据绘制散点图
import tensorflow as tf import pandas as pd import numpy as np import matplotlib.pyplot as plt %matplotlib inline #输入训练数据集和测试数据集 (train_image,train_label),(test_image,test_label)=tf.keras.datasets.fashion_mnist.load_data() train_image.shape
TensorFlow 快速入坑 TensorFlow 是什么？TensorFlow的基础知识TensorFlow 特点TensorFlow的结构 TensorFlow 是什么？ TensorFlow 是Google 开发的第二代机器学习系统。 其原理为：以张量（Tensor)在计算图（Graph）上流动（Flow）的方式的实现和执行机器学习算法的框架。 TensorFlow
history包含以下几个属性：训练集loss： loss测试集loss： val_loss训练集准确率： sparse_categorical_accuracy测试集准确率： val_sparse_categorical_accuracy my_model.compile(optimizer=opt,loss=tf.keras.losses.MSE) history=my_model.fit(train_high0_img,train_rain,validation_
方法一、 返回原模型（不包含最后一层）的拷贝 new_model = tf.keras.models.Sequential(base_model.layers[:-1]) 方法二、 原地删除原模型的最后一层 base_model._layers.pop() 方法三、 不改动原模型，在采用函数式API构建新模型时，将原模型的倒数第二层的输出向量拼接至新层 x = base
垃圾分类纸片图是来自一些早教产品的，这样只通过截取纸片的垃圾比收集数据集更方便。我们选取5种垃圾展现情况，酒精、篮球、面包，帽子，还有空物下检测台的“十字架”，数据集下载链接：https://download.csdn.net/download/YANGJINCHAHAHA/19867998 将原始数据打乱并按照tra
文章目录
文章目录 1.张量合并 2.split 3.数据统计 4.张量排序 5.填充与复制 6.张量限幅 视频截图来源于b站： https://www.bilibili.com/video/BV1c741137Ki?from=search&seid=14306241578136111051 1.张量合并 2.split 3.数据统计 4.张量排序 5.填充与复制 6.张量限幅 根
文章目录 数据类型 1.常用数据类型 2.常用属性 3.创建Tensor 4.索引和切片 5.维度变换 6.数学运算 视频截图来源于b站： https://www.bilibili.com/video/BV1c741137Ki?from=search&seid=14306241578136111051 数据类型 1.常用数据类型 2.常用属性 3.创建Tensor 4.
tensorflow2.0使用VGG16预训练模型实现图像语义分割 准备： tensorflow2.0.0或以上，最好是GPU版本python3.7或以上环境，推荐使用Anaconda发行版，本站有相关教程数据集，这里放出网盘链接：link，提取码：cb9tVGG16预训练模型：VGG16，提取码：ouac，在下面代码中，直接调用keras内置的，需要从国外网站
TensorFlow2.0安装 1.创建独立环境并激活 conda create --name tensorflow 2.0 python==3.7 activate tensorflow2.0 2.安装相关软件包 pip install numpy matplotlib Pillow scikit-learn pandas -i https://pypi.tuna.tsinghua.edu.cn/simple 3.安装TensorFlow2.0 pip in
很多初学深度学习的同学对于python，Anaconda，tensorflow，pycharm的关系很模糊。Anaconda是一个可以便捷获取包且对包能够进行管理，同时对环境可以统一管理的发行版本。 在Anaconda里，可以安装tensorflow并配置虚拟环境，这样在pycharm/jupyter里编写python代码时，只要建立基于tensorf
Windows在Anaconda中安装Tensorflow2.0并在jupyter notebook中使用 问题： 最近在弄深度学习，先开始用的jupyter notebook，后来学习tensorflow框架。 解决： 1.下载Anaconda3-2019.10-Windows-x86_64，按照上文安装jupyter notebook。（官网最新版本是Python3.8的，在网页最底部archive找
安装步骤 Step1 anaconda-python3.6.4的安装 ANACONDA 下载地址 ANACONDA 安装确认 出现库的列表和版本号,说明ANACONDA安装成功啦 Step2.1 CUDA: V10.0.130的安装 CUDA 下载地址 CUDA安装确认 出现nvcc.exe就说明CUDA安装成功啦 Step2.2 cuDNN v7.5.0的安装 cuDNN下载地址
