2024年09月08日
很多实际应用中，我们会先使用现有的成熟网络结构，喂入新的数据，训练相应模型，判断是否能对喂入的从未见过的新数据作出正确响应，再适当更改网络结构，反复迭代，让机器自动训练参数找出最优结构和参数，以固定专用模型。我们把每层输入乘以线上的权重 w，这样用矩阵乘法可以计算出输出 y 了。对于 变 量 初始 化 ， 我们 在 sess.run 中 写 入 tf.global_variables_initializer 实现对所有变量初始化，也就是赋初值。这是一个实现神经网络前向传播过程，网络可以自动推理出输出 y 的值。随机梯度下降算法保持单一的学习率更新所有的参数，学 习率在训练过程中并不会改变。由神经网络的实现结果，我们可以看出，总共训练 3000 轮，每轮从 X 的数据集 和 Y 的标签中抽取相对应的从 start 开始到 end 结束个特征值和标签，喂入神经 网络，用 sess.run 求出 loss，每 500 轮打印一次 loss 值。
2024年09月08日
决策树是一种常用的机器学习算法，可以处理分类和回归问题。在Python中，有多种库可以使用来构建决策树。
1. 使用scikit-learn库构建决策树
scikit-learn是一个非常流行的Python机器学习库，可以轻松地构建决策树模型。下面是一段基本的代码示例：
from sklearn.datasets import load_iris
2024年09月08日
1.4 TF常用函数
tf.cast(tensor,dtype=datatype)可以进行强制类型转换。
tf.reduce_min(tensor)和tf.reduce_max(tensor)将计算出张量中所有元素的最大值和最小值。
import tensorflow as tf
x1 = tf.constant([1., 2., 3.], dtype=tf.float64)
print("x1:", x1)
x2 = tf.cast(x1, tf.int32)
print("x2", x2)
print("minimum of x2：", tf.reduce_min(x2))
print("maxmum of x2:", tf.reduce_max(x2))2024年09月08日
TensorFlow 虽然是目前最为流行的神经网络框架，却以「难于上手」著称（Jeff Dean：怪我咯）。有些时候，我们需要简明扼要的代码来指点迷津。最近，来自 NCsoft AI 研究部门的 Junho Kim 就放出了一份这样的 TensorFlow 代码集。它类似于一个迷你版的 Keras，只不过因为其简单性，源码要好读得多。
项目链接：https://github.com/taki0112/Tensorflow-Cookbook
2024年09月08日
1.3 生成张量
张量就是多维数组，张量的阶就是张量的维度。标量就是0阶张量，例如 s=1, s=2 and s=3. 它代表一个单独的数字。向量就是1阶张量。比如v=[1,2,3]。显而易见，2阶张量就是矩阵例如m=[[1,2,3],[4,5,6],[7,8,9]]。当张量的维度大于2时我们没有特意地取名而是直呼n维张量。我们可以判断张量的维度通过数' = '后面有多少个' [ '。TensorFlow有tf.int, tf.float, tf.bool 以及tf.string等数据类型。我们将编码演示如何生成张量。
2024年09月08日
CycleGANS和Pix2Pix
鸣谢：介绍这些博客的简要版本，以解释pix2pix和cycleGAN背后的思想和概念。
论文：https://phillipi.github.io/pix2pix/
pix2pix使用条件生成对抗网络（cGAN）来学习从输入图像到输出图像的映射。
数据集的一个示例是输入图像是黑白图片，目标图像是图片的彩色版本。在这种情况下，生成器正在尝试学习如何为黑白图像着色。区分者正在查看生成器的着色尝试，并试图学会分辨生成器提供的着色与数据集中提供的真实着色目标图像之间的区别。
2024年09月08日
一、计算模型----计算图
1.1 计算图的概念：TensorFlow就是通过图的形式绘制出张量节点的计算过程，例如下图执行了一个a+b的操作。
1.2 计算图的使用
TensorFlow程序一般分为两个阶段。第一个阶段定义计算图中的所有计算，第二个阶段执行计算（执行会话）。
阶段一
>>> import tensorflow as tf
>>> a = tf.constant([1,2],name = 'a')
>>> b = tf.constant([2,4],name = 'b')
>>> result = a + b2024年09月08日
基本数据类型
tf.int32：tf.constant(1)
tf.float64：tf.constant(1.)
tf.int64：tf.constant(1, dtype=tf.int64)
2024年09月08日
本节将从五个方面对 TensorFlow 进行一个简单的介绍。包括 TensorFlow 是什么、为什么选择TensorFlow、TensorFlow 的发展、TensorFlow 能干什么以及 TensorFlow 的核心理念。
2024年09月08日
在这个教程中，我们展示了 Ben Mildenhall 等人的研究论文 NeRF：将场景表示为用于视图合成的神经辐射场的最小实现。作者提出了一种巧妙的方法，通过神经网络对体积场景函数进行建模来合成场景的新颖视图。