闪亮可可仙

摘要： 模型存储好之后，训练好的参数也会保存，下次就可以直接用训练好的模型来预测了。 初始化权值与偏置值都是0，使用未训练好的模型预测准确率为0.098，读取模型之后，预测准确率0.917。 2019-06-19 10:52:46 阅读全文

摘要： 还是以手写数字识别为例，想要保存模型，首先建立一个saver： 通过调用save，自动将session中的参数保存起来： 创建路径为当前路径下net文件夹，运行之后： 2019-06-19 10:38:19 阅读全文

摘要： 一、问题：如何利用神经网络处理序列问题（语音、文本）？ 在MNIST手写数字识别中，输入一张图片，得到一个结果，输入另一张图片，得到另一个结果，输入的样本是相互独立的，输出的结果之间也不会相互影响。也就是说，这时处理的数据是IID（独立同分布）数据，但序列类的数据却不满足IID特征，所以RNN出场了 阅读全文

摘要： 变量：用来记录状态的变化。 基本类型：字符串、数字、列表、元组、字典。 分类：可变与不可变 如此可见：字符串类型就是不可变的（赋予新值时，地址变了） 由此可见：列表是可变的（更改值，地址不变） 同样，数字、元组为不可变类型，字典为可变类型。 访问顺序： 直接访问（变量名）：数字 顺序访问（索引值）： 阅读全文

摘要： 一、这是一个传统的神经网络： 假如输入的是一张1000*1000像素点的图片，输入层v0就会有1M个节点；中间隐藏层v1设有1M个神经元，两层之间的参数就会有1M*1M=10^12个! 权值太多，计算量就会很大，需要的样本也就越大。于是，卷积神经网络出场了。 二、卷积神经网络的层级结构 从图中看出， 阅读全文

摘要： 一、参考代码 首先定义了一个函数variable_summaries()，用来看数据（比如W，b参数）的平均值，标准差，最值和直方图。 tf.summary.scalar('name',tensor)绘制变换的图表，第一项是字符命名，第二项是要记录跟踪的变量。 tf.summary.merge_al 阅读全文

摘要： 一、代码 在之前的基础之上，多加了tf.name_scope()函数，相当于给它起名字了，就可以在Tensorboard中可视化出来。 然后会在当前路径下，生成logs文件夹和里面的文件，在命令行输入命令：tensorboard --logdir=所在路径 在谷歌浏览器上打开链接就能看到结果了。 参 阅读全文

摘要： 深度学习中Dropout原理解析:https://blog.csdn.net/program_developer/article/details/80737724 一、拟合 在机器学习的模型中，如果模型的参数太多，模型太复杂，而训练样本又太少，训练出来的模型很容易产生过拟合的现象。在训练神经网络的时 阅读全文

摘要： MNIST是深度学习的经典入门demo，它是由6万张训练图片（mnist.train）和1万张测试图片（mnist.test）构成的，每张图片都是28*28大小。MNIST训练数据集mnist.train.images 是一个形状为 [60000，784] 的张量，第一个维度数字用来索引图片，第二个 阅读全文

摘要： 在用python使用TensorFlow的时候：tf.reduce_sum函数中reduction_indices参数表示函数的处理维度。reduction_indices参数的值默认的时候为None,默认把所有的数据求和，即结果是一维的。reduction_indices参数的值为0的时候，是第0 阅读全文