import tensorflow as tfwith tf.variable_scope("foo"):v = tf.get_variable("v", [1], initializer=tf.constant_initializer(1.0))#with tf.variable_scope("foo"):# v = tf.get_variable("v", [1])
with tf.variable_scope("foo", reuse=True):v1 = tf.get_variable("v", [1])
print(v == v1)#with tf.variable_scope("bar", reuse=True):# v = tf.get_variable("v", [1])with tf.variable_scope("root"):print(tf.get_vari...
前面已经使用TensorFlow2的原生代码搭建神经网络，接下来将使用keras搭建神经网络，并改写鸢尾花分类问题的代码，将原本100多行的代码用不到20行代码实现。用TensorFlow API：tf.keras搭建网络使用Sequential六步法：import，相关模块train, test，指定训练集的输入特征，和训练集的标签model = tf.keras.models.Sequential，搭建网络结构,（顺序神经网络）model.compile，配置训练方法model.fit，执行训练model.summary，打印出网...
数据处理样本数据描述样本数据集是double类型的178 * 14矩阵，第一列表示酒所属类别，后面13列分别表示当前样本的13个属性：1) Alcohol2) Malic acid3) Ash4) Alcalinity of ash 5) Magnesium6) Total phenols7) Flavanoids8) Nonflavanoid phenols9) Proanthocyanins10) Color intensity11) Hue12) OD280/OD315 of diluted wines13) Proline数据预处理将文件内容读入矩阵，由于标签有三类，分别是1、2、3，于是进行二进制化。由于...
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
import os
os.environ["CUDA_DEVICE_ORDER"] = "0,1"mnist = input_data.read_data_sets("MNIST_data",one_hot=True)def compute_accuracy(v_xs,v_ys):global predictiony_pre = sess.run(prediction,feed_dict ={xs:v_xs,keep_prob:1})correct_predicton = tf.equal(tf.argmax(y_pre,1),tf.argmax(v_ys,1))accuracy = tf.reduce_mean(tf.cas...
一、卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一 [1-2] 。卷积神经网络具有表征学习（representation learning）能力，能够按其阶层结构对输入信息进行平移不变分类（shift-invariant classification），因此也被称为“平移不变人工神经网络（Shift-Invariant Artificial Neural Networks, S...
深度神经网络可解释性方法汇总，附 Tensorflow 代码实现 知识库 ? 小白学CV ? 于 10个月前 ? 2076 阅读 理解神经网络：人们一直觉得深度学习可解释性较弱。然而，理解神经网络的研究一直也没有停止过，本文就来介绍几种神经网络的可解释性方法，并配有能够在Jupyter下运行的代码链接。 1.Activation Maximization通过激活最化来解释深度神经网络的方法一共有两种，具体如下：1.1 Activation Maximization (AM)相关代码如下：https:...
本实验通过建立一个含有两个隐含层的BP神经网络，拟合具有二次函数非线性关系的方程，并通过可视化展现学习到的拟合曲线，同时随机给定输入值，输出预测值，最后给出一些关键的提示。源代码如下：# -*- coding: utf-8 -*-import tensorflow as tf
import numpy as np
import matplotlib.pyplot as pltplotdata = { "batchsize":[], "loss":[] }
def moving_average(a, w=11):if len(a) < w: return a[:] return [val if idx < w...
典型神经网络模型：（图片来源：https://github.com/madalinabuzau/tensorflow-eager-tutorials） 保持更新，更多内容请关注 cnblogs.com/xuyaowen;原文：https://www.cnblogs.com/xuyaowen/p/tensorflow-nn-Eager.html
# 创建神经网络， 使用tensorboard 展示graph/histogram/scalarimport tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt # 若没有 pip install matplotlib# 定义一个神经层def add_layer(inputs, in_size, out_size,n_layer, activation_function=None):#add one more layer and return the output of this layerlayer_name="layer%s"%n_layerwith tf.name_scope(layer_name):with tf.name_scope(‘Weights‘...
使用captcha.image.Image 生成随机验证码，随机生成的验证码为0到9的数字，验证码有4位数字组成,这是一个自己生成验证码，自己不断训练的模型使用三层卷积层，三层池化层，二层全连接层来进行组合第一步：定义生成随机验证码图片number = [‘0‘,‘1‘,‘2‘,‘3‘,‘4‘,‘5‘,‘6‘,‘7‘,‘8‘,‘9‘]
# alphabet = [‘a‘,‘b‘,‘c‘,‘d‘,‘e‘,‘f‘,‘g‘,‘h‘,‘i‘,‘j‘,‘k‘,‘l‘,‘m‘,‘n‘,‘o‘,‘p‘,‘q‘,‘...
import tensorflow as tf# 输入数据from tensorflow.examples.tutorials.mnist import input_datamnist = input_data.read_data_sets("E:\\MNIST_data", one_hot=True)# 定义网络的超参数
learning_rate = 0.001
training_iters = 200000
batch_size = 128
display_step = 5# 定义网络的参数
# 输入的维度 (img shape: 28*28)
n_input = 784
# 标记的维度 (0-9 digits)
n_classes = 10
# Dropout的概率，输出的可能性
dropout = ...
使用人工神经网络完成手写数字识别任务。具体要求如下：
（1）batch_size和step_num自定义，把loss值打印出来。
（2）神经网络的层数、节点数目、激活函数自定义。（记录心得）
（3）使用tensorboard把计算图显示出来。一、初始数据如下：batch_size=64lr = 0.01 #学习率step_num = 6000 #计算6000次计算的神经元层数是3层使用的是随机梯度下降算法 tf.train.GradientDescentOptimizer()计算出来的准确度为：0.717 二、参数调优过程...
加载cifar10图片集并准备将图片进行灰度化
from keras.datasets import cifar10def rgb2gray(rgb):#把彩色图转化为灰度图，如果当前像素点为[r,g,b],那么对应的灰度点为0.299*r+0.587*g+0.114*breturn np.dot(rgb[...,:3], [0.299, 0.587, 0.114])(x_train, _),(x_test, _) = cifar10.load_data()img_rows = x_train.shape[1]
img_cols = x_train.shape[2]
channels = x_train.shape[3]#将100张彩色原图集合在一起显示
imgs = x_t...
from keras.layers import SimpleRNN
model = Sequential()
model.add(embedding_layer)
model.add(SimpleRNN(32))
#当结果是输出多个分类的概率时，用softmax激活函数,它将为30个分类提供不同的可能性概率值
model.add(layers.Dense(len(int_category), activation=softmax))#对于输出多个分类结果，最好的损失函数是categorical_crossentropy
model.compile(optimizer=rmsprop, loss=categorical_crossentropy, metrics=[accurac...
from keras.layers import LSTM
model = Sequential()
model.add(embedding_layer)
model.add(LSTM(32))
#当结果是输出多个分类的概率时，用softmax激活函数,它将为30个分类提供不同的可能性概率值
model.add(layers.Dense(len(int_category), activation=softmax))#对于输出多个分类结果，最好的损失函数是categorical_crossentropy
model.compile(optimizer=rmsprop, loss=categorical_crossentropy, metrics=[accuracy])
histor...
