登录注册
京东自营 + 国补 iPhone 历史最低价          国家补贴 享8折

欢马劈雪

  • 增加一个新 Op

    预备知识:对 C++ 有一定了解.已经下载 TensorFlow 源代码并有能力编译它.如果现有的库没有涵盖你想要的操作, 你可以自己定制一个. 为了使定制的 Op 能够兼容原有的库, 你必须做以下工作:在一个 C++ 文件中注册新 Op. Op 的注册与实现是相互独立的. 在其注册时描述了 Op 该如何执行.例如, 注册 Op 时定义了 Op 的名字, 并指定了它的输入和输出.使用 C++ 实现 Op.

    欢马劈雪
    增加， 一个， op， tensorflow， 官方

  • 线程和队列

    在使用TensorFlow进行异步计算时，队列是一种强大的机制。正如TensorFlow中的其他组件一样，队列就是TensorFlow图中的节点。这是一种有状态的节点，就像变量一样：其他节点可以修改它的内容。具体来说，其他节点可以把新元素插入到队列后端(rear)，也可以把队列前端(front)的元素删除。为了感受一下队列，让我们来看一个简单的例子。

    欢马劈雪
    线程， 队列， tensorflow， 官方， 文档

  • 数据读取

    TensorFlow程序读取数据一共有3种方法:供给数据(Feeding)： 在TensorFlow程序运行的每一步， 让Python代码来供给数据。从文件读取数据： 在TensorFlow图的起始， 让一个输入管线从文件中读取数据。预加载数据： 在TensorFlow图中定义常量或变量来保存所有数据(仅适用于数据量比较小的情况)。

    欢马劈雪
    数据， 读取， tensorflow， 官方， 文档

  • TensorBoard: 图表可视化

    TensorFlow 图表计算强大而又复杂，图表可视化在理解和调试时显得非常有帮助。 下面是一个运作时的可式化例子。"一个TensorFlow图表的可视化")一个TensorFlow图表的可视化。为了显示自己的图表，需将 TensorBoard 指向此工作的日志目录并运行，点击图表顶部窗格的标签页，然后在左上角的菜单中选择合适的运行。

    欢马劈雪
    tensorboard， 图表， 可视化， tensorflow， 官方

  • TensorBoard:可视化学习

    TensorBoard 涉及到的运算，通常是在训练庞大的深度神经网络中出现的复杂而又难以理解的运算。为了更方便 TensorFlow 程序的理解、调试与优化，我们发布了一套叫做 TensorBoard 的可视化工具。你可以用 TensorBoard 来展现你的 TensorFlow 图像，绘制图像生成的定量指标图以及附加数据。

    欢马劈雪
    tensorboard， 可视化， 学习， tensorflow， 官方

  • 变量:创建、初始化、保存和加载

    当训练模型时，用变量来存储和更新参数。变量包含张量 (Tensor)存放于内存的缓存区。建模时它们需要被明确地初始化，模型训练后它们必须被存储到磁盘。这些变量的值可在之后模型训练和分析是被加载。本文档描述以下两个TensorFlow类。点击以下链接可查看完整的API文档：tf.Variable 类tf.train.

    欢马劈雪
    变量， 创建， 初始化， 保存， 加载

  • 综述 Overview

    Variables: 创建，初始化，保存，和恢复TensorFlow Variables 是内存中的容纳 tensor 的缓存。这一小节介绍了用它们在模型训练时(during training)创建、保存和更新模型参数(model parameters) 的方法。参看教程TensorFlow 机制 101用 MNIST 手写数字识别作为一个小例子，一步一步的将使用 TensorFlow 基础架构(infrastructure)训练大规模模型的细节做详细介绍。

    欢马劈雪
    综述， overview， tensorflow， 官方， 文档

  • MNIST 数据下载

    源码: tensorflow/g3doc/tutorials/mnist/本教程的目标是展示如何下载用于手写数字分类问题所要用到的（经典）MNIST数据集。教程 文件 本教程需要使用以下文件：文件目的input_data.py下载用于训练和测试的MNIST数据集的源码准备数据 MNIST是在机器学习领域中的一个经典问题。

    欢马劈雪
    mnist， 数据， 下载， tensorflow， 官方

  • 偏微分方程

    TensorFlow 不仅仅是用来机器学习，它更可以用来模拟仿真。在这里，我们将通过模拟仿真几滴落入一块方形水池的雨点的例子，来引导您如何使用 TensorFlow 中的偏微分方程来模拟仿真的基本使用方法。注：本教程最初是准备做为一个 IPython 的手册。译者注:关于偏微分方程的相关知识，译者推荐读者查看 网易公开课 上的《麻省理工学院公开课：多变量微积分》课程。

    欢马劈雪
    偏微分方程， tensorflow， 官方， 文档， 中文版

  • 曼德布洛特(Mandelbrot)集合

    虽然可视化曼德布洛特(Mandelbrot)集合与机器学习没有任何关系，但这对于将TensorFlow应用在数学更广泛的领域是一个有趣的例子。实际上，这是tensorflow一个非常直截了当的可视化运用。（我们最终也许会提供一种更加精心设计的运用方式来生成真正更加美丽的图像。）说明：本教程使用了IPython的notebook。基本步骤 首先，我们需要导入一些库。

    欢马劈雪
    德布， mandelbrot， 集合， tensorflow， 官方

  • 递归神经网络

    介绍 可以在 this great article 查看循环神经网络(RNN)以及 LSTM 的介绍。语言模型 此教程将展示如何在高难度的语言模型中训练循环神经网络。该问题的目标是获得一个能确定语句概率的概率模型。为了做到这一点，通过之前已经给出的词语来预测后面的词语。我们将使用 PTB(Penn Tree Bank) 数据集，这是一种常用来衡量模型的基准，同时它比较小而且训练起来相对快速。

    欢马劈雪
    递归， 神经网络， tensorflow， 官方， 文档

  • Vector Representations of Words

    在本教程我们来看一下Mikolov et al中提到的word2vec模型。该模型是用于学习文字的向量表示，称之为“word embedding”。亮点 本教程意在展现出在TensorfLow中构建word2vec模型有趣、本质的部分。我们从我们为何需要使用向量表示文字开始。我们通过直观地例子观察模型背后的本质，以及它是如何训练的（通过一些数学方法评估）。

    欢马劈雪
    vector， representations， words， tensorflow， 官方

  • 卷积神经网络

    注意: 本教程适用于对Tensorflow有丰富经验的用户，并假定用户有机器学习相关领域的专业知识和经验。概述 对CIFAR-10 数据集的分类是机器学习中一个公开的基准测试问题，其任务是对一组大小为32x32的RGB图像进行分类，这些图像涵盖了10个类别：飞机， 汽车， 鸟， 猫， 鹿， 狗， 青蛙， 马， 船以及卡车。

    欢马劈雪
    卷积， 神经网络， tensorflow， 官方， 文档

  • TensorFlow运作方式入门

    代码：tensorflow/g3doc/tutorials/mnist/本篇教程的目的，是向大家展示如何利用TensorFlow使用（经典）MNIST数据集训练并评估一个用于识别手写数字的简易前馈神经网络（feed-forward neural network）。我们的目标读者，是有兴趣使用TensorFlow的资深机器学习人士。因此，撰写该系列教程并不是为了教大家机器学习领域的基础知识。

    欢马劈雪
    tensorflow， 运作， 方式， 入门， 官方

  • 深入MNIST

    TensorFlow是一个非常强大的用来做大规模数值计算的库。其所擅长的任务之一就是实现以及训练深度神经网络。在本教程中，我们将学到构建一个TensorFlow模型的基本步骤，并将通过这些步骤为MNIST构建一个深度卷积神经网络。这个教程假设你已经熟悉神经网络和MNIST数据集。如果你尚未了解，请查看新手指南.

    欢马劈雪
    深入， mnist， tensorflow， 官方， 文档

  • MNIST机器学习入门

    这个教程的目标读者是对机器学习和TensorFlow都不太了解的新手。如果你已经了解MNIST和softmax回归(softmax regression)的相关知识，你可以阅读这个快速上手教程。当我们开始学习编程的时候，第一件事往往是学习打印"Hello World"。就好比编程入门有Hello World，机器学习入门有MNIST。

    欢马劈雪
    mnist， 机器学习， 入门， tensorflow， 官方

  • 综述

    面向机器学习初学者的 MNIST 初级教程如果你是机器学习领域的新手, 我们推荐你从本文开始阅读. 本文通过讲述一个经典的问题, 手写数字识别 (MNIST), 让你对多类分类 (multiclass classification) 问题有直观的了解.阅读教程面向机器学习专家的 MNIST 高级教程如果你已经对其它深度学习软件比较熟悉, 并且也对 MNIST 很熟悉, 这篇教程能够引导你对 TensorFlow 有初步了解.

    欢马劈雪
    综述， tensorflow， 官方， 文档， 中文版

  • 基本使用

    使用 TensorFlow, 你必须明白 TensorFlow:使用图 (graph) 来表示计算任务.在被称之为 会话 (Session) 的上下文 (context) 中执行图.使用 tensor 表示数据.通过 变量 (Variable) 维护状态.使用 feed 和 fetch 可以为任意的操作(arbitrary operation) 赋值或者从其中获取数据.综述 TensorFlow 是一个编程系统, 使用图来表示计算任务.

    欢马劈雪
    基本， 使用， tensorflow， 官方， 文档

  • 下载与安装

    你可以使用我们提供的 Pip, Docker, Virtualenv, Anaconda 或 源码编译的方法安装 TensorFlow.Pip 安装 Pip 是一个 Python 的软件包安装与管理工具.

    欢马劈雪
    下载， 安装， tensorflow， 官方， 文档

  • 简介

    本章的目的是让你了解和运行 TensorFlow!在开始之前, 让我们先看一段使用 Python API 撰写的 TensorFlow 示例代码,让你对将要学习的内容有初步的印象.这段很短的 Python 程序生成了一些三维数据, 然后用一个平面拟合它.import tensorflow as tfimport numpy as np# 使用 NumPy 生成假数据(phony data), 总共 100 个点.x_data = np.float32(np.random.

    欢马劈雪
    简介， tensorflow， 官方， 文档， 中文版
上一页 下一页

个人简介

  1. 欢马劈雪

  2. 纵马驰骋迎雪而行

  3. 获得 162032 积分

  4. https://nowjava.com/creator/10001

热门标签

关注时代Java

Copyright © 2014-2024NowJava. All Rights Reserved. 时代Java 版权所有 京ICP备14059627号-7

关注时代Java