tensorboard入门实例
import tensorflow as tf# 创建节点时设置name，方便在图中识别W = tf.Variable([0], dtype=tf.float32, name='graph_W')b = tf.Variable([0], dtype=tf.float32, name='graph_b')# 创建节点时设置name，方便在图中识别x = tf.placeholder(tf.float32, name='graph_x')y = tf.placeholder(tf.float3.
tf.compat.v1.summary.FileWriter用法
tf.compat.v1.summary.FileWriter：将Summary协议缓冲区写入事件文件。tf.compat.v1.summary.FileWriter( logdir, graph=None, max_queue=10, flush_secs=120, graph_def=None, filename_suffix=None, session=None)本FileWriter类提供了一个机制来创建指定目录的事件文件，并添加摘要和事件给它。该类异步更新文件内容...
tf.Session()用法
tf.Session：创建一个新的TensorFlow会话。tf.Session(self, target='', graph=None, config=None)如果在构造会话时未指定`graph`参数，则默认图将在会话中启动。 如果在同一过程中使用多个图（通过tf.Graph（）创建），则每个图必须使用不同的会话，但是每个图可以在多个会话中使用。 在这种情况下，将要显式启动的图传递给会话构造函数通常更为清晰。Args:target：（可选）要连接的执行引擎。 默认为使用进程内引擎。.
tf.compat.v1.reduce_mean用法
tf.compat.v1.reduce_mean：计算跨张量维度的元素的均值。tf.compat.v1.reduce_mean( input_tensor, axis=None, keepdims=None, name=None, reduction_indices=None, keep_dims=None)通过计算各个维度axis的元素平均值，沿给定的维度axis减少input_tensor。除非keepdims为true，否则对于axis中的每个条目，张量的等级都会降低1。如...
MNIST手写数字识别之Tensorflow实现---全连接实现
import tensorflow as tf# 用tensorflow 导入数据from tensorflow.examples.tutorials.mnist import input_dataimport osos.environ['CUDA_VISIBLE_DEVICES'] = '0'# 设置按需使用GPUconfig = tf.ConfigProto()config.gpu_options.allow_growth = Truesess = tf.InteractiveSe.
tf.nn.conv2d用法
tf.nn.conv2d：给定input和4Dfilters张量计算2D卷积。tf.nn.conv2d( input, filters, strides, padding, data_format='NHWC', dilations=None, name=None)输入input张量可以具有秩4或更高，其中，形状维度[:-3]被认为是批量维度（batch_shape）。给定shape的输入张量batch_shape + [in_height, in_width, in_chan...
tensorflow入门实例
import tensorflow as tf# 创建一个整型常量，即 0 阶 Tensort0 = tf.constant(3, dtype=tf.int32)# 创建一个浮点数的一维数组，即 1 阶 Tensort1 = tf.constant([3., 4.1, 5.2], dtype=tf.float32)# 创建一个字符串的2x2数组，即 2 阶 Tensort2 = tf.constant([['Apple', 'Orange'], ['Potato', 'Tomato']].
MNIST手写数字识别之Tensorflow实现---CNN实现
from __future__ import absolute_importfrom __future__ import divisionfrom __future__ import print_functionimport tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_datafrom tensorflow.examples.tutorials.mnist import mnist# os.en.
tf.nn.conv3d用法
tf.nn.conv3d：给定 5-Dinput和filters张量，计算 3-D 卷积。tf.nn.conv3d( input, filters, strides, padding, data_format='NDHWC', dilations=None, name=None)在信号处理中，互相关是两个波形的相似性的量度，时滞应用到两个波形之一的函数。这也称为滑动点积或滑动内积。我们的Conv3D实现了一种互相关形式。 Args input ...
Tensorflow实现LeNet-5 MNIST手写体数字识别分类
# import modulesimport numpy as npimport matplotlib.pyplot as pltimport tensorflow as tfimport timefrom datetime import timedeltaimport mathfrom tensorflow.examples.tutorials.mnist import input_dataimport osos.environ['CUDA_VISIBLE_DEVICES'] = '.
Tensorflow可视化展示
# import modulesimport matplotlib.pyplot as pltimport tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_dataimport osos.environ['CUDA_VISIBLE_DEVICES'] = '0'# 设置按需使用GPUconfig = tf.ConfigProto()config.gpu_options.allow_growth .
Tensorflow实现神经网络搭建
一般来说，神经网络分为模型，训练和测试，则通常可以包含三个文件，即model.py、train.py和test.py。下面以MNIST手写体数字识别的LeNet-5为例，完整搭建该神经网络。1.mnist_inference.pyimport tensorflow as tf# 定义神经网络结构相关的参数INPUT_NODE = 784 # 输入层的节点数。对于MNIST数据集，这个就等于图片的像素OUTPUT_NODE = 10 # 输出层的节点数。这个等于类别的数目。# 因为在M
tf.get_variable用法
tf.get_variable：使用这些参数获取现有变量或创建一个新变量。tf.compat.v1.get_variable( name, shape=None, dtype=None, initializer=None, regularizer=None, trainable=None, collections=None, caching_device=None, partitioner=None, validate_shape=True, use_resource=None
tf.add_to_collection用法
tf.add_to_collection：使用默认图的Graph.add_to_collection（）的包装。tf.compat.v1.add_to_collection( name, value)请参阅tf.Graph.add_to_collection以获取更多详细信息。 Args name 集合的键。例如，GraphKeys类包含许多集合的标准名称。 value 要添加到集合中的值。 Eager Compatibility..
tf.nn.dropout用法
计算dropout：将元素随机设置为零以防止过拟合。tf.nn.dropout( x, rate, noise_shape=None, seed=None, name=None)另请参阅：tf.keras.layers.Dropout有关Dropout层的信息。Dropout对于正则化DNN模型很有用。输入元素被随机设置为零（其他元素被重新缩放）。这鼓励每个节点独立使用，因为它不能依赖其他节点的输出。更精确地：将x的概率rate个元素设置为0。其余元素按放大1.0 / (1 -
分布式调度系统-DolphinScheduler
原文转载地址：头条号IT思维前提数据平台（BP）建设过程中，会涉及大量的数据采集、处理、计算等方面的工作，而且随着需求的增加要承担的任务越来越多。迫切需要一个简单易用、支持可视化管理的调度系统，考虑到要将现有的定时任务从crontab快速迁移到新调度系统，且要易于部署管理，方便扩展，支持HA等要求。调研了多款调度系统如airflow、azkaban、gocron、DolphinScheduler等
tf.random.set_seed用法
tf.random.set_seed:设置全局随机种子。tf.random.set_seed( seed)依赖随机种子的操作实际上是从两个种子派生的：全局种子和操作级别种子。这设置了全局种子。它与操作级种子的交互如下：如果既未设置全局种子也未设置操作种子：此操作使用随机选择的种子。 如果设置了图级别的种子，但未设置操作种子：系统确定性地选择操作种子和图级别的种子，以便获得唯一的随机序列。在张量流和用户代码的相同版本中，此序列是确定性的。但是，在不同版本中，此顺序可能会更改。如果
开源BI平台软件特性对比
数据时代来临，随着更多的社会资源进行网络化和数据化改造，数据所能承载的价值也必将不断提到提高。与此同时数据正在成为企业重要的生产材料之一，企业可以通过数据来完成产品（服务）的设计、创新，同时基于数据也能够全面赋能企业的运营管理。
Tensor flow保存与加载模型
Tensor flow模型文件结构： 1.meta文件：*.meta文件保存的是图结构2.ckpt文件:ckpt文件是二进制文件，保存了所有的weights、biases、gradients等变量。3.checkpoint文件:model目录下还有checkpoint文件，该文件是个文本文件，里面记录了保存的最新的checkpoint文件以及其它checkpoint文件列表。在infere...
今日推荐
周排行