上一篇文章学习数据流图的基础知识时，使用简单的标量值时很好的选择。我们掌握好了数据流图之后，下面不妨熟悉一下张量的概念。
所谓张量，就是n维矩阵的抽象。因此一维的张量等价于一维的矩阵，二维的张量等价于二维矩阵。如果用张量来描述上一篇文章中的数据流图（下图一），可以用下面图二的方式实现。
现在不再使用两个独立的输入节点了，而是换成了一个可接收向量(或者一阶张量)的节点。与标量的版本相比，这个新的数据流图有如下优点：
2024年10月28日
上一篇文章学习数据流图的基础知识时，使用简单的标量值时很好的选择。我们掌握好了数据流图之后，下面不妨熟悉一下张量的概念。
所谓张量，就是n维矩阵的抽象。因此一维的张量等价于一维的矩阵，二维的张量等价于二维矩阵。如果用张量来描述上一篇文章中的数据流图（下图一），可以用下面图二的方式实现。
现在不再使用两个独立的输入节点了，而是换成了一个可接收向量(或者一阶张量)的节点。与标量的版本相比，这个新的数据流图有如下优点：
2024年10月28日
2015年11月9日，Google发布人工智能系统TensorFlow并宣布开源.Tensor（张量）意味着N维数组，Flow（流）意味着基于数据流图的计算，TensorFlow为张量从流图的一端流动到另一端计算过程。TensorFlow是将复杂的数据结构传输至人工智能神经网中进行分析和处理过程的系统。
TensorFlow可被用于语音识别或图像识别等多项机器深度学习领域，对2011年开发的深度学习基础架构DistBelief进行了各方面的改进，TensorFlow支持各种异构的平台，支持多CPU/GPU，服务器，移动设备，具有良好的跨平台的特性；TensorFlow架构灵活，能够支持各种网络模型，具有良好的通用性。
2024年10月28日
简单神经网络train and test详解（双层）
【 The latest data ： 2018/05/01 】Yuchen
神经网络整体架构内容可参考之前的云笔记《06_神经网络整体架构》
http://note.youdao.com/noteshare?id=2c27bbf6625d75e4173d9fcbeea5e8c1&sub=7F4BC70112524F9289531EC6AE435E14
2024年10月28日
kNN也就是k-NearestNeighbour的缩写。从命名上也可大致了解到这个算法的精髓了。用一句话概括而言，kNN分类算法就是‘近朱者赤，近墨者黑’。说得准确一点就是如果一个样本在特征空间中的k个最相邻的样本大多数属于某一类别，则该样本也属于此类别，并具有相应类别的特征
下面这个例子出现在无数讲解kNN的文章中，可见其的代表性：
我们把数据样本在一个平面上表示出来，相同类别的使用相同颜色和记号。绿色的圆形代表一个新的样本，我们使用kNN来判断它的类别。方法如下：以绿色圆形为圆心，开始做不同半径的同心圆，从实心线的同心圆来看，绿色圆形属于红色三角，从虚线同心圆来看，绿色圆形属于蓝色正方形，以此类推......
2024年10月28日
TensorFlow 的数据流图是一种用于表示和执行各种数学运算的有向无环图。数据流图的节点代表不同的操作，如矩阵乘法、激活函数、损失函数等。数据流图的边代表不同的张量，即多维数组，如输入数据、权重矩阵、输出结果等。数据流图可以在多种设备上运行，如 CPU、GPU、TPU 等，并且可以实现分布式计算和并行计算。
2024年10月28日
一个更复杂高效的架构是多层感知器MLP。典型的学习算法是后向传播算法。
后向传播算法比较系统的输出值和期望输出值，根据他们之间的差值（或者称为error），修改神经网络的突触的权值。需要强调的是，虽然你不知道隐藏层神经元的期望输出，依然可以通过梯度下降技术来进行监督学习。
输入层的数量需要根据输入的数量来决定。例如mnist的每个输入有28*28个，因此输入层必须有784个。最终的输出有10中可能性，因此输出层可以是10个。隐藏层的层数和每层的神经元数量没有严格的准则，仅有以写经验供参考
2024年10月28日
Python 因其易用性和灵活性而成为人工智能开发的绝佳语言。有许多不同的库和框架可用于 Python 中的 AI 开发，因此选择一个非常适合您的项目的库和框架非常重要。
2024年10月28日
TensorFlow 是由 Google 开发的开源深度学习库，是目前最流行的深度学习框架之一。它提供了丰富的功能和工具，用于构建、训练和部署各种深度学习模型。TensorFlow 的设计理念是灵活性和扩展性，使得用户能够轻松地构建复杂的神经网络，并在不同的硬件平台上进行高效的计算。本文将详细介绍 TensorFlow 库的主要功能，并提供一些示例代码以帮助你更好地理解和应用该库。
## 安装 TensorFlow
2024年10月28日
本文将脱离tensorflow的语境，介绍一些数据流图的基础知识，内容包括节点，边和节点以来关系。此外，为对一些关键原理进行解释，本文还提供了若干实例。
1.数据流图简介
借助Tensorflow api用代码描述的数据流图是每个tensorflow程序的核心。其本质是一组链接在一起的函数，每个函数都会将其输出传递给0个，1个或多个位于这个级联链上的其他函数。
这是一个最简单的数据流图。加法运算用圆圈表示，它接收两个输入1和2，并将它们的和通过3输出。计算公式可以简单写为 f(1,2)=1+2=3.
2024年10月28日
有很多很棒的深度学习编程框架，其中一个是TensorFlow，很期待帮助你开始学习使用TensorFlow，我想在这个笔记中向你展示TensorFlow程序的基本结构，然后让你自己练习，学习更多细节
先提一个启发性的问题，假设你有一个损失函数J需要最小化，在本例中，我将使用这个高度简化的损失函数，Jw=w^2-10w+25，这就是损失函数，也许你已经注意到该函数其实就是(w-5)^2，如果你把这个二次方式子展开就得到了上面的表达式，所以使它最小的w值是5，但假设我们不知道这点，你只有这个函数，我们来看一下怎样用TensorFlow将其最小化，因为一个非常类似的程序结构可以用来训练神经网络。