文章首发：xmoon.info根据前面的基础知识，可以开始第一个神经网络的搭建，主要学习的资料西安科技大学：神经网络与深度学习——TensorFlow2.0实战，北京大学：人工智能实践Tensorflow笔记TensorFlow2.0入门学习笔记(5)——构建第一个神经网络，鸢尾花分类问题（附源码）1.问题背景问题描述人们通过经验总结出的规律：通过测量鸢尾花的花萼长、花萼宽、花瓣长、花瓣宽，可以得

tensorflow2.1是谷歌公司于2020年1月发布的是一个端到端开源机器学习平台,它包含各种工具、库和社区资源。

Tensorflow2.1无痛入门——官方API中文搬运及注释神经网络小白，寒假开始学习神经网络，本来想根据B站慕课之类的demo进行学习，但是发现很多课程都是关于TensorFlow1.x的，本来以为差别不大

在之前的实战中，我们实现了基本的操作，对神经网络的训练也有了一些基本了解。为了我们训练出的模型可以反复利用，更灵活方便的迁移，我们需要了解如何保存模型，加载已经学习的模型。官网的API中介绍了几种方法。在这里我删减了实用性不强的方法，忽略了官网中说以后可能有删改的方法。同样把传送门留给大家。传送门在本篇中，只介绍实用性最强的两种方法：Checkpoint(只保存权重)和保存模型。数据与文件格式准备

在之前的实战中，我们对TensorFlow2.1简单的分类，回归问题都有了基本的了解，为了提升我们构建模型的泛化能力，提升在测试集中的准确率，我们需要对模型进行进一步的改进。

接触神经网络也有一个星期了，感觉现在对神经网络还是比较懵，如果现在实验室获取了一批数据，要对数据进行分类处理，那么我应该如何构建属于自己的数据集呢？API上Numpy的使用说明给出了答案。整个过程还是比较简单的。传送门数据准备：关于前期，我们不再累述，代码如下：from__future__importabsolute_import,division,print_function,unicode_l

TensorFlow2.1入门笔记1基础知识张量（Tensor）：多维数组（列表）阶：张量的维数TensorFlow的数据类型如何创建一个Tensor直接创建将numpy的数据类型转换为Tensor创建全为某个值的张量

本篇文章的主要目的是对上一篇文章已经搭建好的网络进一步丰富其内容，具体体现在6个方面：回顾：tf.keras搭建神经网络八股——六步法import——导入所需的各种库和包x_train,y_train——导入数据集、自制数据集、数据增强model=tf.keras.models.Sequential/classMyModel(Model)model=MyModel——定义模型model.compi

#利用鸢尾花数据集，实现前向传播、反向传播，可视化loss曲线#导入所需模块importtensorflowastffromsklearnimportdatasetsfrommatplotlibimportpyplotaspltimportnumpyasnpimporttime##1###导入数据，分别为输入特征和标签x_data=datasets.load_iris().datay_data=d

一、背景通过anaconda3，安装python3.7和tensorflow2.1。condaactivatetensorflow正常，切换tensorflow环境正常，python使用正常。

权重预训练文件正确使用离线下载的CIFAR10离线下载CIFAR10数据tf2.1中使用离线包放置路径正确读取离线包正确使用离线下载的VGG16权重下载VGG16权重在ImageNet上进行了预训练数据离线下载包放置位置TensorFlow2.1

ensorFlow2.1实现模型可视化问题描述首先：condainstallpydot输入dot-version显示如下则配置成功最后需要安装pydot-ng，才能正确使用。验证代码问题描述Failedtoimportpydot.Youmustinstallpydotandgraphvizforpydotprinttowork.首先：condainstallpydot输入dot-version显示

使用TensorFlow2.0对fashion_mnist进行分类处理环境主要还是在Ubuntu16.04,安装tensorflow2.0版本,数据集调用的是keras中的数据集.但是,在数据集的获取中,如果是在编写代码的过程中获取数据集,我自己的网络是不支持的,需要访问谷歌网站.所以我会先事先下载好fashion_mnist数据集,在/home目录下使用Ctrl+H打开隐藏文件夹找到.keras

本篇文章的主要目的是对上一篇文章已经搭建好的网络进一步丰富其内容，具体体现在6个方面：1.加载自己制作的训练集2.数据增强3.断点续训4.参数提取5.acc/loss可视化6.给图识物加载自己制作的训练集代码：importtensorflowastffromPILimportImageimportnumpyasnpimportos#加载训练集的路径以及要保存的路径train_path='./mni

#导入所需模块importtensorflowastffromsklearnimportdatasetsfrommatplotlibimportpyplotaspltimportnumpyasnp#导入数据，分别为输入特征和标签x_data=datasets.load_iris().datay_data=datasets.load_iris().target#随机打乱数据，因为原始数据是顺序的，顺

在复现了两个官网分类实战以后，这一次的实战是一个回归问题(Regression)，代码有点多，感觉第一次看还是有点费力。不过耐心的磨了一天感觉还可以。个人本着遇到啥学到哪的原则，回归问题中遇到的参数大多会给出解释(主要是为了方便自己复习)。好的，接下来看看根据API整理的代码吧。传！送！门！问题描述&数据集介绍：这次我们的数据集跟车有关，数据集给出了70年代末到80年代初的汽车信息，我们需要构建一

题主使用anaconda安装tensorflow2.1后，打开python3.7importtensorflowastf出现如下报错：Traceback(mostrecentcalllast):ImportError

TensorFlow2.11.安装首先尝试官方安装：pipinstalltensorflow，但是由于网络的原因总会显示安装错误，采取以本地whl文件的方式进行安装获取whl文件地址：tensorflow2.1

TensorFlow2.1.0-GPU安装失败的经验重新安装TensorFlow2.1之conda安装重新安装TensorFlow2.1之pip安装成功安装后，出错：ImportError:DLLloadfailed

本片文章的目的是:利用TensorflowAPItf.keras搭建网络八股(六步法)六步法：导入相关的模块，也就是import加载训练集和测试集，也就是加载train（x_train数据、y_train标签）、test（x_test数据、y_test标签）数据前向传播（搭建神经网络结构，逐层描述每层网络），也就是model=tf.keras.models.Sequential配置训练时所用的方法

Win7+Anaconda+Python3.7.1安装Tensorflow出错求助为了学习深度学习以及为毕业论文做准备，打算进行tensorflow2.1的学习。

最近继续研究tensorflow，本打算后续上gpu版本的，但是运行demo过程中，实在太慢受不了了，就研究装了一下gpu版本，现在把具体方法记录如下：一、安装条件可以参考tensorflow官网需求https://tensorflow.google.cn/install/gpu1、nvidiagpu驱动必须在418.x或者更高，可以用nvidia-smi命令查看2、cudatoolkit10.1

机器学习专家建议：别再用pip下载TensorFlow了，换用Condahttps://zhuanlan.zhihu.com/p/46599887更快的CPU性能CondaTensorFlow包利用了用于深度神经网络或1.9.0版本以上的MKL-DNN网络的英特尔MathKernelLibrary（MKL），这个库能让性能大幅提升。相比pip安装，使用Conda安装后的性能足足提升了8倍。这对于仍

ML&DL-TensorFlow2.1快速入门学习笔记第一讲神经网络计算1.1人工智能三学派1.2神经网络设计过程梯度下降法梯度下降法的缺点1.3张量(Tensor)1.张量2.数据（张量）类型3.张量生成1.4TensorFlow2常用函数（1）强制转换数据类型，最大、最小值，平均值，求和axis参数：可训练参数tf.VariableTensorFlow中的数学运算数据/标签对数据集构建1.5T

借鉴这篇博客（感谢），他安装的是cpu版本，而我安装的是gpu版（我的环境为cuda10.1+cudnn7.6.5）发现通过pipinstall直接安装Tensorflow2.1后ImportError

今天发现tensorflow2.1出稳定版了，然后就更新到最新的tensorflow，先卸载旧版本在安装新版本，安装CPU版本指令如下：#删除旧版本pipuninstalltensorflow#安装新版本

文章目录复杂度学习率激活函数损失函数复杂度空间复杂度（用层数和待优化的参数个数表示）层数=隐藏层的层数+1个输出层(输入层不算)总参数=总w+总b时间复杂度：乘加运算次数学习率学习率是一个超参数，根据经验来设定，学习速率调得太低，训练速度会很慢，学习速率调的过高，每次迭代波动会很大，再反向传播的过程中会更新权值w指数衰减学习率：可以先用较大的学习率，快速得到较优解，然后逐步减小学习率，使模型再训练

InceptionNetInceptionNet诞生于2014年，当年ImageNet竞赛冠军，Top5错误率为6.67%InceptionNet引入了Inception结构块，在同一层网络内使用不同尺寸的卷积核，提升了模型感知力使用了批标准化缓解了梯度消失InceptionV1（GoogleNet）——构建了1x1、3x3、5x5的conv和3x3的pooling的分支网络module，同时使用

卷积就是特征提取器，通过卷积计算层提取空间信息，例如我们可以用卷积和提取一张图片的空间特征，再把提取到的空间特征送入全连接网络，实现离散数据的分类。但是一些与时间相关的，只可以根据上文预测书下文来预测。例如：看到这几个字会下意识地想到“水”，这是因为脑具有记忆。记忆体记住了上文中提到的“鱼离不开”这几个字。下意识的预测出了可能性最大的“水”字，这种预测就是通过提取历史数据的特征，预测出接下来最可能

Cifar10数据集提供5万张32*32像素点的十分类彩色图片和标签，用于训练。提供1万张32*32像素点的十分类彩色图片和标签，用于测试。导入cifar10数据集：cifar10=tf.keras.datasets.cifar10(x_train,y_train),(x_test,y_test)=cifar10.load_data()可视化训练集输入特征的第一个元素plt.imshow(x_tr

卷积计算过程：全连接NN：每个神经元与前后相邻层的每一个神经元都有连接关系，输入是特征，输出为预测的结果。实际项目中的图片多是高分辨率彩色图随着隐藏层增多，网络规模的增大，待优化参数过多容易导致模型过拟合实际应用时会先对原始图像进行特征提取再把提取到的特征送给全连接网络卷积（Convolutional）卷积计算可是一种有效提取图像特征的方法一般会用一个正方形的卷积核，按指定步长，在输入特征图上滑动

以MNIST的sequential模型为base-line，通过读取自己的数据，训练模型并存储模型，最后达到绘图实物的运用。自制数据集，解决本领域应用观察数据结构给x_train、y_train、x_test、y_test赋值defgenerateds(图片路径,标签文件)：defgenerateds(path,txt):f=open(txt,'r')#以只读形式打开txt文件contents=f

TensorFlow2.0入门学习笔记(9)——神经网络参数优化器神经网络是基于链接的人工智能，当网络结构固定后，不同参数的选取对模型的表达力影响很大，优化器就是引导更新模型参数的工具常用符号待优化参数w损失函数loss学习率lr每次迭代一个batch（以batch为单位批量喂入神经网络，batch常为2n2^n2n）t表示当前batch迭代的总次数更新参数的过程计算t时刻损失函数关于当前参数的梯

图像分类数据集（Fashion-MNIST）xiaoyao动手学深度学习tensorflow2.1.0在介绍softmax回归的实现前先引入一个多类图像分类数据集。它将在后面的章节中被多次使用，以方便我们观察比较算法之间在模型精度和计算效率上的区别。图像分类数据集中最常用的是手写数字识别数据集MNIST[1]。但大部分模型在MNIST上的分类精度都超过了95%。为了更直观地观察算法之间的差异，我们

softmax回归的从零开始实现xiaoyao动手学深度学习tensorflow2.1.0这一节我们来动手实现softmax回归。首先导入本节实现所需的包或模块。importtensorflowastfimportnumpyasnpimportsysprint(tf.__version__)2.1.0获取和读取数据使用Fashion-MNIST数据集，并设置批量大小为256。fromtensorf

2020年Tensorflow2-GPU完整安装过程总结Tensorflow2.1将是最后一个支持python2的版本。

Embedding独热码：数量大，过于稀疏，映射之间是独立的，没有表现出关联性Embedding：一种单词编码方法，以低维向量实现了编码，这种编码通过神经网络训练优化，能表达出单词的相关性。TF描述Embedding层tf.keras.layers.Embedding(词汇表大小，编码维度)#编码维度就是用几个数字表达一个单词#对1-100进行编码，[4]编码为[0.25,0.1,0.11]tf.

tensorflow2.1是谷歌公司于2020年1月发布的是一个端到端开源机器学习平台,它包含各种工具、库和社区资源。

问题描述：我在安装anaconda3，以及tensorflow2.1成功后，想要使用jupyternotebook导入tensorflow，但是Import的时候就报错了！

问题描述&数据集准备：在做了之前的衣物分类教程以后，我们来看看第二个入门实战吧，同样是基于官方API的教程API传送门，希望能帮助到大家。这次试用的数据集是一个电影评论数据集，数据集中一共有50000条文本，训练集测试集各占25000条，我们的目标是对评论进行二分类，分为消极评论与积极评论两类。跟上次一样，数据集不许要额外准备。准备工作：首先导入必要的包from__future__importab

TensorFlow2.1入门笔记2神经网络复杂度空间复杂度时间复杂度指数衰减学习率激活函数Sigmoid函数Tanh函数Relu函数损失函数均方误差自定义交叉熵softmax与交叉熵结合：欠拟合和过拟合缓解欠拟合的方法

强制tensor转换为该数据类型tf.cast(张量名，dtype=数据类型)计算张量维度上元素的最小值tf.reduce_min(张量名)计算张量维度上元素的最大值tf.reduce_max(张量名)例子：importtensorflowastfx1=tf.constant([1,2,3],dtype=tf.float64)print(x1)x2=tf.cast(x1,tf.int32)prin

目录一、问题描述二、原因分析三、处理过程四、解决方法五、安装2.1和2.0命令的不同点1、TensorFlow2.02、TensorFlow2.1六、使用TenforFlow2.0-GPU时，报错:cudart64

这两天GPU设备到了，然后搭建下环境，顺便记录安装流程（注意这里是Centos7），我们先看下安装tensorflow2.1GPU和Pytorch1.3GPU所需的环境。当前tensorflow的最新稳定版本是2.1，根据官网的要求:需要CUDA10.1、cuDNN7.6、TensorRT6.0（可选）当前Pytorch的最新稳定版本是1.3，根据官网的要求:需要CUDA10.1正好和Tensor

本人在读研期间的研究方向是图像处理以及深度学习（主要是图像分类和目标检测）。在做深度学习时使用的是tensorflow深度学习框架，学习全是自学，很多资源都是在Github上找的。我发现现在Github上很多深度学习的开源项目都是用的tensorflow和pytorch框架。所以现在也开始学习pytorch框架，之前一直用的是tensorflow1.x版本，今年正好迎来了新的tensorlfow大

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TensorFlowAPI：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

在正式学习tensorflow2.0之前需要有一定的python基础，对numpy，matplotlib等库有基本的了解，笔者还是AI小白，通过写博客来记录自己的学习过程，同时对所学的东西进行总结。主要学习的资料西安科技大学：神经网络与深度学习——TensorFlow2.0实战，北京大学：人工智能实践Tensorflow笔记博客从tf常用的库开始，需要学习python基础的朋友推荐菜鸟教程Tens

在正式学习tensorflow2.0之前需要有一定的python基础，对numpy，matplotlib等库有基本的了解，笔者还是AI小白，通过写博客来记录自己的学习过程，同时对所学的东西进行总结。主要学习资料西安科技大学：神经网络与深度学习——TensorFlow2.0实战，北京大学：人工智能实践Tensorflow笔记。博客从tf常用的库开始，需要学习python基础的朋友推荐菜鸟教程Tens

Tensorflow2.1默认下载GPU版本，但是有时候我们只想学一下tf不需要追求性能，而且有些电脑可能没有GPU所以下载的时候用下面的命令指定版本。

环境：tensorflow2.1最好用GPU模型：ResnetSENet用Resnet和SENet网络训练Cifar10或者Cifar100.训练数据：Cifar10或者Cifar100训练集上准确率：