摘要：手写数字识别流程 MNIST手写数字集7000*10张图片 60k张图片训练，10k张图片测试 每张图片是28*28，如果是彩色图片是28*28*3 0-255表示图片的灰度值，0表示纯白，255表示纯黑 打平28*28的矩阵，得到28*28=784的向量 对于b张图片得到[b,784];然后对于b张图片可以给定编码 把上述的普通编码给定成独热编码，但是独热编码都是概率值，并且概率值相加为1，类似 阅读全文

摘要：import tensorflow as tf b = tf.fill([2, 2], 2.) a = tf.ones([2, 2]) a+b a-b a*b a/b b // a b % a tf.math.log(a) # 只有以e为底的log tf.exp(a) tf.math.log(8.)/tf.math.log(2.) # 以2为底 tf... 阅读全文

摘要：Broadcasting可以理解成把维度分成大维度和小维度，小维度较为具体，大维度更加抽象。也就是小维度针对某个示例，然后让这个示例通用语大维度。 import tensorflow as tf x = tf.random.normal([4,32,32,3]) x.shape (x+tf.random.normal([3])).shape (x+tf.random.normal([32,32,1 阅读全文

摘要：图片视图 [b, 28, 28] # 保存b张图片，28行，28列（保存数据一般行优先），图片的数据没有被破坏 [b, 28*28] # 保存b张图片，不考虑图片的行和列，只保存图片的数据，不关注图片数据的细节 [b, 2, 14*28] # 保存b张图片，把图片分为上下两个部分，两个部分具体多少行是不清楚的 [b, 28, 28, 1] # 保存b张图片，28行，28列，1个通道 First R 阅读全文

摘要：import tensorflow as tf a = tf.ones([1, 5, 5, 3]) a.shape a[0][0] numpy : 索引 a = tf.random.normal([4, 28, 28, 3]) a.shape a[1].shape a[1, 2].shape a[1][2][3].shape a[1, 2, 3, 2].shape 一维切片 a = tf.rang 阅读全文

摘要：import numpy as np import tensorflow as tf tf.convert_to_tensor(np.ones([2, 3])) tf.convert_to_tensor(np.zeros([2, 3])) list tf.convert_to_tensor([1, 2]) tf.convert_to_tensor([1, 2.]) tf.convert_to_te 阅读全文

摘要：list: [1,1.2,'hello'] ，存储图片占用内存非常大 np.array，存成一个静态数组，但是numpy在深度学习之前就出现了，所以不适合深度学习 tf.Tensor，为了弥补numpy的缺点，更多的是为了深度学习而生 tensor数据存储类型 scalar：标量，1.1 vector：向量，[1.1],[1.1,2.2,...] matrix: 矩阵，[[1.1,2.2],... 阅读全文