卯卯 | 炼就一手绝世刀法！
日出东海落西山，愁也一天，喜也一天。遇事不钻牛角尖，人也舒坦，心也舒坦！
2019-02-23 17:09:08
传统神经网络的理解和缺点（1，权值太多，计算量太大,2，权值太多，需要更大量的样本进行计算。）和CNN由此的产生
传统的神经网络的缺点：上面是正确的理解，但是我觉得下面这，输入神经元按Batch数来表示更容易理解：##通过传统神经网络的改变，减少了权值需要更新的数量，减少了W要更新的数量，这样我们需要的样本量也会降低。一般样本的数据量要是需要更新的W数量的5——10倍的大小
作者:yangli | 分类:Tensorflow | 浏览:1547 | 评论:0
2019-02-17 16:52:40
一个确定模型（即不会由RNN换成CNN这样的情况）优化的几个注意点。
1，W变量初始化，-使用截断正态分布2，使用drop-out防止过拟合的发生。3，损失函数（代价函数的影响）4，优化器——更新W的速度。不同的优化器也更会影响模型收敛的速度，参考上一篇文章，选着优化器，都可以试试效果，再决定。
作者:yangli | 分类:Tensorflow | 浏览:793 | 评论:0
2019-02-16 17:21:04
Tensorflow使用的小例子——构建一个线性回归
代码：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#构建线性模型b=tf.Variable(0.0) ##变量需要初始化才能使用k=tf.Variable(0.0)y=k*x_data+b#二次代价函数loss=tf.reduce_mean(tf.square(y_data-y))#平方再取平均#定义一个梯度下降法来进行训练的优化
作者:yangli | 分类:Tensorflow | 浏览:677 | 评论:0
2019-02-16 17:09:22
tensorflow的基本使用-1.1，创建会话，启动图，1.2 变量，tensorflow里的变量需要初始化后才能使用。1.3 Fetch(获取)和Feed(饲料，允许先占位，训练时再填入数据)
1.1，创建会话，启动图，python中图是默认有的，所有不需要再创建1.2 变量，tensorflow里的变量需要初始化后才能使用。1.3 Fetch(获取)和Feed(饲料)FetchFeed-最常用
作者:yangli | 分类:Tensorflow | 浏览:643 | 评论:0
2019-02-12 11:23:43
tensorflow中使用tf.ConfigProto()配置Session运行参数&&GPU设备指定
tf.ConfigProto()函数用在创建session的时候，用来对session进行参数配置： config = tf.ConfigProto(allow_soft_placement=True, allow_soft_placement=True)config.gpu_options.per_process_gpu_memory_fraction = 0.4 #占用40%显存sess = tf.Session(config=config) &n
作者:yangli | 分类:未分类 | 浏览:786 | 评论:0
2019-02-10 16:34:33
卷积神经网络的基本原理——比正常神经网络多了-1,卷积层，2，池化层
池化：卷积完的大小任然是7*7。以上都是卷积计算的过程。下面是对特征再进行压缩。pading:两种padding方式：反向传播：池化层的反向传播：卷积层的反向传播：
作者:yangli | 分类:Tensorflow | 浏览:697 | 评论:0
- 控制面板
- 网站分类
- 搜索
- 文章归档
-
- 2023年4月 (1)
- 2022年12月 (6)
- 2022年11月 (2)
- 2022年10月 (4)
- 2022年9月 (1)
- 2022年8月 (1)
- 2022年7月 (2)
- 2022年4月 (1)
- 2022年3月 (4)
- 2021年5月 (1)
- 2021年3月 (1)
- 2020年10月 (1)
- 2020年9月 (11)
- 2020年8月 (1)
- 2020年7月 (2)
- 2020年5月 (4)
- 2020年4月 (1)
- 2020年2月 (1)
- 2020年1月 (1)
- 2019年11月 (2)
- 2019年10月 (3)
- 2019年9月 (5)
- 2019年8月 (19)
- 2019年7月 (6)
- 2019年6月 (8)
- 2019年5月 (10)
- 2019年4月 (16)
- 2019年3月 (37)
- 2019年2月 (24)
- 2019年1月 (11)
- 2018年12月 (3)
- 2018年11月 (3)
- 2018年10月 (7)
- 2018年9月 (8)
- 2018年8月 (41)
- 2018年7月 (29)
- 2018年6月 (14)
- 2018年5月 (16)
