文章目录  2. Tensorflow进阶   2.1. 张量的阶和数据类型 阶 数据类型 2.2. 张量操作 生成张量   固定值张量 创建随机张量  张量变换   改变类型 形状和变换 切片与扩展  其它一些张量运算（了解查阅）   张量复制与组合 逻辑运算符 比较运算符 判断检查  2.3. 变量的的创建、初始化 Variable类   变量的创建 变量的初始化 属性 方法  变量的静态形状与动态形状     要点   管理图中收集的变量 2.4. 名称域与共享变量 变量作用域域   变量作用域下的变量 变量范围  2.5 图与会话 图   图的其它属性和方法  会话   tf.Sess...

文章目录  3. TensorflowIO操作   IO操作 3.1. 读取数据   线程和队列 队列概述 tf.QueueRunner tf.Coordinator  3.2. 线程和队列  读取数据 小数量数据读取   文件读取 数据读取实现 生成文件队列 3.3. 图像操作 图像基本概念 图像大小压缩 图像数据读取实例   读取图片数据到Tensor 管道读端多文件内容处理  读取TfRecords文件数据     3. TensorflowIO操作 IO操作 本节我们将介绍Tensorflow在IO处理上的一些知识点  线程与队列 数据读取 图像操作  3.1. 读取数据 线程和队列 ...

文章目录  4. 可视化学习Tensorboard   数据序列化-events文件 启动TensorBoard 节点符号 添加节点汇总操作     4. 可视化学习Tensorboard 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，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。   数据序列化-events文件 TensorBoard 通过读取 TensorFl...

文章目录  5. 神经网络与深度学习   图像分类 5.1. 神经网络基础之人工神经网络 感知器 神经网络 神经网络的训练   前向传播 反向传播  tensorflow神经网络接口的实现   tf.train.GradientDescentOptimizer 方法      5. 神经网络与深度学习 深度学习（deep learning）是机器学习拉出的分支，它试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。深度学习是机器学习中一种基于对数据进行表征学习的方法。观测值（例如一幅图像）可以使用多种方式来表示，如每个像素强度值的向量，或者更抽象地表示成一系列边、特...

文章目录  5.2. ANN网络分析   Mnist手写数字识别   one-hot编码 SoftMax回归 损失计算-交叉熵损失  实现神经网络模型   获取数据 计算数据 梯度下降优化与训练 模型正确率评估 跟踪变量  完整代码：     5.2. ANN网络分析 Mnist手写数字识别 Mnist数据集可以从官网下载，网址： http://yann.lecun.com/exdb/mnist/ 下载下来的数据集被分成两部分：55000行的训练数据集（mnist.train）和10000行的测试数据集（mnist.test）。每一个MNIST数据单元有两部分组成：一张包含手写数字的图片和一个...

文章目录  5.3. 卷积神经网络与图像识别   人工神经网络网络VS卷积神经网络 卷积神经网络CNN   卷积层   卷积输出值的计算 外围补充与多Filter  新的激活函数-Relu Pooling计算  过拟合解决办法   Dropout FC层  实例探究     5.3. 卷积神经网络与图像识别 我们介绍了人工神经网络，以及它的训练和使用。我们用它来识别了手写数字，然而，这种结构的网络对于图像识别任务来说并不是很合适。本文将要介绍一种更适合图像、语音识别任务的神经网络结构——卷积神经网络(Convolutional Neural Network, CNN)。说卷积神经网络是最重要的...

文章目录  5.4. 图像识别卷积网络实现案例   Mnist数据集卷积网络实现 准备基础函数   初始化卷积层权重 卷积和池化  CNN实现   输入数据占位符准备 第一层卷积加池化 第二层卷积加池化 两个全连接层 计算损失 训练  输出结果以及显示 完整代码如下     5.4. 图像识别卷积网络实现案例 Mnist数据集卷积网络实现 前面在MNIST上获得92％的准确性是不好的，对于CNN网络来说，我们同样使用Mnist数据集来做案例，这可以使我们的准确率提升很多。在感受输入通道时不是那么明显，因为是黑白图像的只有一个输入通道。那么在Tensorflow中，神经网络相关的操作都在tf.n...

文章目录  5.5. 网络优化改进   指数衰减学习率exponential_decay   使用      5.5. 网络优化改进 网络优化的方法有很多，在这里我们使用其中一种优化方式。在我们的模型训练时候，会有一个重要的因素需要设定，就是学习率。那么在手动设定学习率的时候不一定准确。 这种人为的设定对于模型的输出影响较大。所以在这里引入了一种自动更新学习率的函数。 指数衰减学习率exponential_decay class tf.train.exponential_decay(learning_rate, global_step, decay_steps, decay_rate, sta...

文章目录  6. 多分类图像识别案例   CIFAR-10 下载数据集   二进制版本格式  6.1. 图片信息的读取与写入 二进制文件的读取 保存和读取TFRecords文件当中     6. 多分类图像识别案例 CIFAR-10 CIFAR-10数据集由10个类别的60000 32x32彩色图像组成，每个类别有6000张图像。有50000个训练图像和10000个测试图像。数据集分为五个训练集和一个测试集，每个集有10000个图像。测试集包含来自每个类的正好1000个随机选择的图像。训练集的每个类别5000个图像。图像类别如下：  下载数据集 可以去官网下载，https://www.cs.t...

文章目录    6.2. 模型接口建立 input代码 inference代码 total_loss代码 train代码 完整代码 6.3. 训练以及高级会话函数 主训练逻辑     6.2. 模型接口建立 我们将模型接口都放在cifar_omdel.py文件当中，设计了四个函数，input()作为从cifar_data文件中数据的获取，inference()作为神经网络模型的建立，total_loss()计算模型的损失，train()来通过梯度下降训练减少损失 input代码 def input(): """ 获取输入数据 :return: image,labe...

文章目录  7. 分布式Tensorflow   分布式原理   单机多卡 多机多卡（分布式）  分布式的架构   节点之间的关系  分布式的模式   数据并行 同步更新和异步更新  7.1. 分布式接口 7.2. 图片识别分布式案例改进     7. 分布式Tensorflow Tensorflow的一个特色就是分布式计算。分布式Tensorflow是由高性能的gRPC框架作为底层技术来支持的。这是一个通信框架gRPC(google remote procedure call)，是一个高性能、跨平台的RPC框架。RPC协议，即远程过程调用协议，是指通过网络从远程计算机程序上请求服务。 分布式...

Python数据结构与算法   1-01-算法引入  文章目录  Python数据结构与算法   1-01-算法引入   为什么要学习数据结构与算法？ 面试题 解答   枚举法   思路  代码实现 结果 记录时间的代码实现  说明 算法的定义 推荐图书 算法的五大特性     为什么要学习数据结构与算法？ 因为算法即兵法，是基本功，要不断地主动学习与积累 面试题 如果 a+b+c=1000，且 a^2 + b^2=c^2（a,b,c 为自然数），如何求出所有a、b、c可能的组合?不允许依赖任何数学公式  解答 不依靠数学公式，我们靠枚举法 枚举法 思路 a=0 b=0 c=0 a=0 b=0...

1-02-时间复杂度与大O表示法     文章目录  1-02-时间复杂度与大O表示法   题目 python代码描述算法 结果 新优化思路 新优化代码 新优化结果 衡量算法效率的问题   执行时间反应算法效率 单靠时间值绝对可信吗？  时间复杂度与“大O记法” 如何理解“大O记法” 最坏时间复杂度 时间复杂度的几条基本计算规则    题目 如果 a+b+c=1000，且 a^2 + b^2=c^2（a,b,c 为自然数），如何求出所有a、b、c可能的组合?不允许依赖任何数学公式  python代码描述算法 # 如果 a+b+c=1000，且 a^2 + b^2=c^2（a,b,c 为自然数）...

1-03最坏时间复杂度与计算规则     文章目录  1-03最坏时间复杂度与计算规则   代码 时间复杂度 最坏时间复杂度 时间复杂度的几条基本计算规则     接着1-02的笔记 代码 for a in range(0, n): for b in range(0, n): c = 1000 - a - b if a ** 2 + b ** 2 == c ** 2: print("a,b,c:%d,%d,%d" % (a, b, c))  时间复杂度 T（n）=nn（1+1或0） 取最大值 T（n）=nn（1+1） T（n）=n^2 * 2 T（n）=O(n^2) 最坏时...