發(fā)簡(jiǎn)信
IP屬地：湖北
-
TensorFlow從頭邁步W7.2-遞歸RNN卷積神經(jīng)網(wǎng)絡(luò):圖片之間是沒有關(guān)系的 遞歸神經(jīng)網(wǎng)絡(luò)：語音文字不能單獨(dú)分析，需要連起來分析，這一次的輸入是上一次的輸出
-
TensorFlow從頭邁步W6.2-卷積核多個(gè)卷積核的作用卷積核就是濾波器，經(jīng)過卷積操作會(huì)得到不同的特征圖。對(duì)不同的特征進(jìn)行采樣。
-
TensorFlow從頭邁步W4.2-Dropout與增加多隱藏層增加隱藏層的方法 1.復(fù)制粘貼第一個(gè)隱藏層 2.更改每一個(gè)隱藏層的矩陣為度，行是前一層神經(jīng)元個(gè)數(shù)，列是本層神經(jīng)元個(gè)數(shù) 3.如果有Dropout操...
-
TensorFlow從頭邁步W4.1如何搭配激活函數(shù)和loss代價(jià)函數(shù)看loss代價(jià)函數(shù)求導(dǎo)=f(激活函數(shù)求導(dǎo))，確定loss函數(shù)變化速度與激活函數(shù)的變化速度什么正反比關(guān)系，能否滿足激活函數(shù)越接近結(jié)果值（1/0）時(shí)...
-
梯度的概念函數(shù)變化率、梯度、方向?qū)?shù) 1.損失函數(shù)需要越變?cè)叫?2.損失函數(shù)在某一個(gè)方向的的方向?qū)?shù)越大，在這一個(gè)方向的變化率越大 3.損失函數(shù)在沿著梯度...
-
TensorFlow從頭邁步W3.1--神經(jīng)網(wǎng)絡(luò)線性回歸(附實(shí)例Demo)1.Tensorflow的使用：先羅列，后操作 2.關(guān)于權(quán)重矩陣： a.定義每一層，就是定義 “這一層->這一層的前一層” 之間的“實(shí)線”...
-
TensorFlow從頭邁步W2.4--邏輯回歸(附實(shí)例Demo)1.Tensorflow的使用：先羅列，后操作(損失函數(shù)->優(yōu)化器->訓(xùn)練函數(shù)) 2.使用優(yōu)化器的方法來優(yōu)化代價(jià)函數(shù):優(yōu)化器.func(代價(jià)函數(shù)...
-
TensorFlow從頭邁步W2.3--Fetch和Feed(附實(shí)例Demo)1.Tensorflow的使用：先羅列，后操作 2.Fetch-運(yùn)行多個(gè)OP：Run（[op1,op2,op3]） 3.Feed-給OP傳入?yún)?shù)...
-
TensorFlow從頭邁步W2.2--變量的使用(附實(shí)例Demo)
1.Tensorflow的使用：先羅列，后操作 2.賦值不能使用=，要使用賦值op 3.使用到變量，需要執(zhí)行初始化op 4.print(op)的...