笔记 - tensorflow笔记：tensorboard

可参考https://blog.csdn.net/polyhedronx/article/details/93405760

torch.optim是一个实现了多种优化算法的包，大多数通用的方法都已支持，提供了丰富的接口调用，未来更多精炼的优化算法也将整合进来。 为了使用torch.optim，需先构造一个优化器对象Optimizer，用来保存当前的状态，并能够根据计算得到的梯度来更新参数。 要构建一个优化器optimizer，你必须给它一个可进行迭代优化的包含了所有参数（所有的参数必须是变量s）的列表。 然后，您可以

类似caffe,在TensorFlow中也存在可以绘制网络结构图的工具，只不过相对麻烦一些，小编也在这过程中出现了很多错误，比如端口被占用，TensorFlow版本无法编译使用等等。 首先是在一些必要节点给出name='   ',程序如下： # -*- coding: utf-8 -*- import os os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' ...

Tensorboard中的参数 Summary：所有需要在TensorBoard上展示的统计结果。 tf.name_scope()：为Graph中的Tensor添加层级，TensorBoard会按照代码指定的层级进行展示，初始状态下只绘制最高层级的效果，点击后可展开层级看到下一层的细节。 tf.summary.scalar()：添加标量统计结果。 tf.su...

在virtualenv环境下执行tensorboard时遇到错误： 错误： (tensorflow) fcx@fcx:~/share/test/deeplearning$ tensorboard --logdir = './save_model_data_onehide/train_logs/' Traceback (most recent call last):   File "

import re name1 = "a#pple" # 命名正确， a name2 = "apple!" ret = re.match("[a-zA-Z_][a-zA-Z0-9_]*", name1) if ret: print("命名正确，", ret.group()) else: print("命名不正确") 明明命名不合法，为什么返回正确，而且只匹配到正确部分 因...

# 矩阵操作 # 将矩阵拉成向量 import numpy as np x = np.arange(10).reshape(2,5) print(x) y1 = x.ravel() y2 = x.flatten() print("y1: ",y1," y2: ",y2) print(x) """ 打印结果： [[0 1 2 3 4] [5 6 7 8 9]] y1: [0 1 2 3 4...

前置： 影响shape形状的因素： 1.卷积核大小 2.stride步长 3.padding模式 公式： K – 卷积核数量 F – 卷积核大小 S – 步长 P – 外围填充的层数 运用 显然valid模式下，直接卷，不够就丢弃 我推导的valid模式下的计算方式(以 W 举例)： W2 = (W1 - F)/S + 1 SAME模式 如何确定P 利用公式1计算...

import tensorflow as tf X = tf.constant([[1, 1], [1, 1]]) b = tf.constant([1, 2]) with tf.Session() as sess: print(sess.run(X+b)) """ [[2 3] [2 3]] 默认一维数组中每个数只会与 二维数组 中的对应 列 进行广...

思考 y_pred = tf.nn.softmax(tf.matmul(x, W) + b) """ softmax函数中输入是什么，输出是什么 """ 要理解输入输出是什么的先决条件：理解softmax的过程 softmax函数本质是一种非线性变化 ############## 占坑，下次更新用图说话 ################## import tensorflow as...

import spark.implicits._ 加上这段代码，调用toDF()的时候，编译器就会自动帮我们传入某些约定好的属性，节省代码

默认. 不包含\n, 如何设置包含\nret = re.match(".*", "省略一万字", re.S) 单个字符 主要就是 [] 多个字符 相关语法 {3, 4} – 出现3到4次 * 出现任意多次 ？没有出现，或者只出现一次 至少出现一次 练习 判断变量名是否合法 import re name1 = "hello" name2 = "2hello" ...

import numpy as np x1 = np.arange(10) # 索引取数 print(x1[0]) print(x1[1:5]) print(x1[[1, 2, 3]]) """ 0 [1 2 3 4] [1 2 3] """ x2 = np.arange(10).reshape(2, 5) print(x2[0]) print(x2[0, :2]) """ [0 1 2 3...

import re """ 匹配出163邮箱，且@符号之前有4-20位英文字母数字或下划线 """ email1 = "hello@163.com" email2 = "111@163.com" email3 = "1311@163.comsss" email4 = "1311@163.scom" ret = re.match("^[a-zA-Z0-9_]{4,20}@163\.com$",...

手动实现线性回归梯度计算公式 """ X：m×n矩阵 -- m行样本n个维度 error： 列向量 """ gradients = 1/m * tf.matmul(tf.transpose(X), error) 基于sklearn fetch_california_housing 数据集 import tensorflow as tf import numpy as np from sk...

语法知识 argmax – 返回指定维度上最大值的索引 equal – 比较给定的两个值是否一致，支持广播 cast – 把布尔值转换成0 1 reduce_mean --求加和平均 … import tensorflow as tf """ 给出样本集的预测分类与实际分类（独热编码） 评估准确率 """ y = tf.constant([[0, 0, 1], [1, 0, 0]]...

前置 add_to_collection import tensorflow as tf tf.add_to_collection("reg_losses", 1.0) tf.add_to_collection("reg_losses", 1.0) loss = tf.get_collection("reg_losses") with tf.Session() as sess: pr...

""" 线性回归 小批量梯度下降 sklearn数据集 标准归一化 划分训练数据集与测试数据集 tensorflow numpy """ import tensorflow as tf import numpy as np from sklearn.preprocessing import StandardScaler from sklearn.datasets import fetch_ca...