摘要：
ANN网络分析 Mnist手写数字识别 Mnist数据集可以从官网下载，网址： http://yann.lecun.com/exdb/mnist/ 下载下来的数据集被分成两部分：55000行的训练数据集（mnist.train）和10000行的测试数据集（mnist.test）。每一个MNIST数据 阅读全文
摘要：
神经网络基础与人工神经网络 神经网络方面的研究很早就已出现，今天“神经网络”已是一个相当大的、多学科交叉的学科领域。神经网络中最基本的成分是神经元模型。 上图中每个圆圈都是一个神经元，每条线表示神经元之间的连接。我们可以看到，上面的神经元被分成了多层，层与层之间的神经元有连接，而层内之间的神经元没有 阅读全文
摘要：
神经网络与深度学习 深度学习（deep learning）是机器学习拉出的分支，它试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。深度学习是机器学习中一种基于对数据进行表征学习的方法。观测值（例如一幅图像）可以使用多种方式来表示，如每个像素强度值的向量，或者更抽象地表 阅读全文
摘要：
可视化学习Tensorboard TensorBoard 涉及到的运算，通常是在训练庞大的深度神经网络中出现的复杂而又难以理解的运算。为了更方便 TensorFlow 程序的理解、调试与优化，发布了一套叫做 TensorBoard 的可视化工具。你可以用 TensorBoard 来展现你的 Tens 阅读全文
摘要：
图像操作 图像操作 图像基本概念 在图像数字化表示当中，分为黑白和彩色两种。在数字化表示图片的时候，有三个因素。分别是图片的长、图片的宽、图片的颜色通道数。那么黑白图片的颜色通道数为1，它只需要一个数字就可以表示一个像素位；而彩色照片就不一样了，它有三个颜色通道，分别为RGB，通过三个数字表示一个像 阅读全文
摘要：
读取数据 小数量数据读取 这仅用于可以完全加载到存储器中的小的数据集有两种方法： 存储在常数中。 存储在变量中，初始化后，永远不要改变它的值。 使用常数更简单一些，但是会使用更多的内存，因为常数会内联的存储在数据流图数据结构中，这个结构体可能会被复制几次。 要改为使用变量的方式，您就需要在数据流图建 阅读全文
摘要：
线程和队列 线程和队列 在使用TensorFlow进行异步计算时，队列是一种强大的机制。 为了感受一下队列，让我们来看一个简单的例子。我们先创建一个“先入先出”的队列（FIFOQueue），并将其内部所有元素初始化为零。然后，我们构建一个TensorFlow图，它从队列前端取走一个元素，加上1之后， 阅读全文
摘要：
模型保存与恢复、自定义命令行参数、 在我们训练或者测试过程中，总会遇到需要保存训练完成的模型，然后从中恢复继续我们的测试或者其它使用。模型的保存和恢复也是通过tf.train.Saver类去实现，它主要通过将Saver类添加OPS保存和恢复变量到checkpoint。它还提供了运行这些操作的便利方法 阅读全文
摘要：
图与会话 图与会话 图 tf.Graph TensorFlow计算，表示为数据流图。一个图包含一组表示 tf.Operation计算单位的对象和tf.Tensor表示操作之间流动的数据单元的对象。默认Graph值始终注册，并可通过调用访问 tf.get_default_graph。 a = tf.c 阅读全文
摘要：
变量作用域 tensorflow提供了变量作用域和共享变量这样的概念，有几个重要的作用。 让模型代码更加清晰，作用分明 变量作用域域 通过tf.variable_scope(<scope_name>)创建指定名字的变量作用域 加上with语句就可以在整个itcast变量作用域下就行操作。 嵌套使用 阅读全文
摘要：
变量的的创建、初始化、保存和加载 其实变量的作用在语言中相当，都有存储一些临时值的作用或者长久存储。在Tensorflow中当训练模型时，用变量来存储和更新参数。变量包含张量（Tensor）存放于内存的缓存区。建模时它们需要被明确地初始化，模型训练后它们必须被存储到磁盘。值可在之后模型训练和分析是被 阅读全文
摘要：
张量操作 在tensorflow中，有很多操作张量的函数，有生成张量、创建随机张量、张量类型与形状变换和张量的切片与运算 生成张量 固定值张量 创建所有元素设置为零的张量。此操作返回一个dtype具有形状shape和所有元素设置为零的类型的张量。 给tensor定单张量（），此操作返回tensor与 阅读全文