tensorflow专题

win10不用anaconda安装tensorflow-cpu并导入pycharm

记录一下防止忘了一、前提：已经安装了python3.6.4,想用tensorflow的包二、在pycharm中File-Settings-Project Interpreter点“+”号导入很慢，所以直接在cmd中使用 pip install -i https://mirrors.aliyun.com/pypi/simple tensorflow-cpu下载好，默认下载的tensorflow

稀疏自编码器tensorflow

自编码器是一种无监督机器学习算法，通过计算自编码的输出与原输入的误差，不断调节自编码器的参数，最终训练出模型。自编码器可以用于压缩输入信息，提取有用的输入特征。如,[1,0,0,0],[0,1,0,0],[0,0,1,0],[0,0,0,1]四比特信息可以压缩成两位,[0,0],[1,0],[1,1],[0,1]。此时，自编码器的中间层的神经元个数为2。但是，有时中间隐藏层的神经元

Tensorflow实现与门感知机

感知机是最简单的神经网络，通过输入，进行加权处理，经过刺激函数，得到输出。通过输出计算误差，调整权重，最终，得到合适的加权函数。今天，我通过tensorflow实现简单的感知机。首先，初始化变量： num_nodes = 2 output_units = 1 w = tf.Variable(tf.truncated_normal([num_nodes,output

Tensorflow lstm实现的小说撰写预测

最近，在研究深度学习方面的知识，结合Tensorflow，完成了基于lstm的小说预测程序demo。 lstm是改进的RNN，具有长期记忆功能，相对于RNN,增加了多个门来控制输入与输出。原理方面的知识网上很多，在此，我只是将我短暂学习的tensorflow写一个预测小说的demo,如果有错误，还望大家指出。 1、将小说进行分词，去除空格，建立词汇表与id的字典，生成初始输入模型的x与y d

Deepin Linux安装TensorFlow

Deepin Linux安装TensorFlow 1.首先检查是否有Python，一般deepin系统都自带python的。 2.安装pip Sudo appt-get install pip来安装pip，如果失败就先更新一下sudo apt-get updata，然后再sudo apt-get install pip，如果定位失败，就sudo apt-get install pyth

终止distributed tensorflow的ps进程

1.直接终止： $ ps -ef | grep python | grep 文件名 | awk {'print $2'} | xargs kill文件名为当前运行的程序，名称如：distribute.py 2.查找pid，后kill： $ ps -ef | grep python | grep 文件名 | awk {'print $2'}$ kill -9 <pid>

Python(TensorFlow和PyTorch)两种显微镜成像重建算法模型(显微镜学)

【tensorflow CNN】构建cnn网络，识别mnist手写数字识别

#coding:utf8"""构建cnn网络，识别mnistinput conv1 padding max_pool([2,2],strides=[2,2]) conv2 x[-1,28,28,1] 卷积 [5,5,1,32] -> [-1,24,24,32]->[-1,28,

【tensorflow 全连接神经网络】 minist 手写数字识别

主要内容：使用tensorflow构建一个三层全连接传统神经网络,作为字符识别的多分类器。通过字符图片预测对应的数字，对mnist数据集进行预测。 # coding: utf-8from tensorflow.examples.tutorials.mnist import input_dataimport tensorflow as tfimport matplotlib.pyplot

【tensorflow 使用错误】tensorflow2.0 过程中出现 Error : Failed to get convolution algorithm

如果在使用 tensorflow 过程中出现 Error : Failed to get convolution algorithm ，这是因为显卡内存被耗尽了。解决办法：在代码的开头加入如下两句，动态分配显存 physical_device = tf.config.experimental.list_physical_devices("GPU")tf.config.experiment

【深度学习走进tensorflow2.0】TensorFlow 2.0 常用模块tf.config

无意中发现了一个巨牛的人工智能教程，忍不住分享一下给大家。教程不仅是零基础，通俗易懂，而且非常风趣幽默，像看小说一样！觉得太牛了，所以分享给大家。点这里可以跳转到教程。人工智能教程本篇文章将会教大家如何合理分配显卡资源，设置显存使用策略。主要使用tf.config模块进行设置。下面我们一起了解下具体用法和例子。一、指定当前程序使用的 GPU 例如，在一台具有 4 块 GPU 和一个 C

自然语言处理系列六十一》分布式深度学习实战》TensorFlow深度学习框架

注：此文章内容均节选自充电了么创始人，CEO兼CTO陈敬雷老师的新书《自然语言处理原理与实战》（人工智能科学与技术丛书）【陈敬雷编著】【清华大学出版社】文章目录自然语言处理系列六十一分布式深度学习实战》TensorFlow深度学习框架安装和部署过程总结自然语言处理系列六十一分布式深度学习实战》TensorFlow深度学习框架 TensorFlow作为最流行的深度学习

深度学习笔记15_TensorFlow实现运动鞋品牌识别

🍨 本文为🔗365天深度学习训练营中的学习记录博客🍖 原作者：K同学啊 | 接辅导、项目定制一、我的环境 1.语言环境：Python 3.9 2.编译器：Pycharm 3.深度学习环境：TensorFlow 2.10.0 二、GPU设置若使用的是cpu则可忽略 import tensorflow as tfgpus = tf.config.lis

tensorflow shape,reshape

图解TensorFlow中Tensor的shape概念与tf op: tf.reshape_田海立@CSDN-CSDN博客《图解NCHW与NHWC数据格式》中从逻辑表达和物理存储角度用图的方式讲述了NHWC与NCHW两种数据格式，数据shape是可以改变的，本文介绍TensorFlow里Tensor的Shape概念，并用图示

计算机毕业设计Python+Tensorflow股票推荐系统股票预测系统股票可视化股票数据分析量化交易系统股票爬虫股票K线图大数据毕业设计 AI

《Tensorflow股票预测系统》开题报告一、研究背景与意义随着信息技术的飞速发展和金融市场的日益复杂化，股票作为金融市场的重要组成部分，其价格波动受到广泛关注。传统的股票预测方法如技术分析和基本面分析，虽然在一定程度上能够辅助投资者做出决策，但存在主观性强、数据处理能力有限等不足，难以满足现代投资者的需求。因此，利用机器学习技术，特别是深度学习技术，对股票价格进行预测成为当前研究的热点

tensorflow不同版本问题

目录 GPU suport不同版本兼容问题 GPU suport tensorflow-cn 不同版本兼容问题报错： tf.scalar_summary(l.op.name + ’ (raw)’, l) AttributeError: ‘module’ object has no attribute ‘scalar_summary’ 解决： tf.sc

图像识别之目标检测keras-tensorflow 实现yolo3

关于windows gpu环境请参考https://liuhuiyao.blog.csdn.net/article/details/109271898 keras-yolo3 地址 https://github.com/qqwweee/keras-yolo3 本人真实实现的情况是： windows 10 tensorboard 1.8.0 tensorflow-

windows 机器学习 tensorflow-gpu +keras gpu环境的相关驱动安装-CUDA,cuDNN。

本人真实实现的情况是： windows 10 tensorboard 1.8.0 tensorflow-gpu 1.8.0 pip install -i https://pypi.mirrors.ustc.edu.cn/simple/ tensorflow-gpu==1.8.0 Keras 2.2.4 pip

掌握TensorFlow：构建您的第一个机器学习模型

1.TensorFlow 简介 TensorFlow是一个强大的开源软件库，专门用于数值计算，广泛应用于机器学习和深度学习领域。它由谷歌大脑团队开发，并自2015年起被用于谷歌内部研究和生产，TensorFlow支持多种语言，但主要通过Python提供高级API，同时也提供C++、Java等语言的较低级支持。设计理念 TensorFlow的设计允许开发者轻松地将计算转移到多种不同类型的设备

Python(TensorFlow)和MATLAB及Java光学像差导图

🎯要点几何光线和波前像差计算入瞳和出瞳及近轴光学计算波前像差特征矩阵方法计算光谱反射率、透射率和吸光度透镜像差和绘制三阶光线像差图和横向剪切干涉图分析瞳孔平面焦平面和大气湍流建模神经网络光学像差计算透镜光线传播几何偏差计算像差和像散色差纠正对齐定位，计算多边形统计数据分子图像分析神经网络多尺度算法预测聚焦光场矢量计算非球面反射望远镜偏差算法 Python望远镜色差完美透镜具有抛物线形

Docker使用tensorflow/serving镜像部署模型

Docker使用tensorflow/serving镜像部署模型环境简单梳理一下使用tensorflow/serving镜像在服务器上部署模型。首先要保证在linux环境上已经安装好了docker，之后下载tensorflow/serving镜像： #下载镜像docker pull tensorflow/serving#查看下载的镜像docker images 下载官方的模型

深度学习TensorFlow框架

深度学习介绍深度学习和机器学习区别机器有人工参与，而深度学习是靠网络；深度学习需要大量的数据集，训练神经网络需要大量的算力机器学习有：朴素贝叶斯，决策树等深度学习主要是神经网络深度学习应用场景 CV：物体识别，场景识别，车型认识，人脸检测跟踪，人脸关键点跟踪，人脸身份认证 NPL：机器翻译文本识别聊天对话语音技术：语音识别 TensorFlow框架的使用

TensorFlow介绍二-线性回归案例

一.案例步骤 1.准备数据集：y=0.8x+0.7 100个样本 2.建立线性模型，初始化w和b变量 3.确定损失函数（预测值与真实值之间的误差），均方误差 4.梯度下降优化损失二.完整功能代码： import osos.environ['TF_CPP_MIN_LOG_LEVEL']='2'import tensorflow as tfdef linear_regressi

[转载]jupyter notebook中创建tensorflow的kernel

我在conda下创建了tensorflow的env，然而在jupyter notebook中却无法选择此kernel，历经google多方搜索，解决方法如下。首先在conda下激活env activate tensorflowenv 然后安装ipykernel pip install ipykernel 最后将此kernel链接到jupyter notebook中 pyt

TensorFlow on spark笔记

背景：需要在spark2.4上面调用TensorFlow1.14的CNN模型处理图片，然鹅官方当前jar包有bug（libtensorflow_jni-1.14.0.jar），表现形式如下： spark-shell --master local[10] --driver-memory 10G --jars s3://xxx/EMR/jars/tensorflow-1.14.0.jar,s3://

AttributeError: module ‘tensorflow_core._api.v2.config’ has no attribute ‘experimental_list_devices’

找到 tensorflow_backend.py 源文件的第506行 _LOCAL_DEVICES = tf.config.experimental_list_devices() 改成 devices = tf.config.list_logical_devices()_LOCAL_DEVICES = [x.name for x in devices]