S-073N 3BHB009884R0021集线器之间的链路通常是加密的 无线通讯是当今必备的通讯方式之一，缺少无线通讯的情况下，我们的生活将变得非常不便。上篇文章，小编对光无线通讯有所阐述。为增进大家对光无线通讯的认识，本文将对光无线通讯技术的优点以及缺点予以介绍。如果你对无线通讯具有兴趣，不妨继续往下阅读哦。
2024年07月22日
S-073N 3BHB009884R0021集线器之间的链路通常是加密的 无线通讯是当今必备的通讯方式之一，缺少无线通讯的情况下，我们的生活将变得非常不便。上篇文章，小编对光无线通讯有所阐述。为增进大家对光无线通讯的认识，本文将对光无线通讯技术的优点以及缺点予以介绍。如果你对无线通讯具有兴趣，不妨继续往下阅读哦。
2024年07月22日
神经网络在过去几年中已被广泛应用于图像识别。最酷的应用之一是Leon A. Gatys最初提出的神经风格迁移算法。该算法使用预训练的模型和简单的优化过程，将两个独立图像的风格和内容组合成一副图像。
任何图像都可以被认为有两个组成部分：
2024年07月22日
在计算广告和推荐系统中（比如大家常玩的抖音、今日头条；订酒店用的携程、购物用的淘宝...），CTR预估(click-through rate)是非常重要的一个环节，判断一个视频/文章/商品/广告是否进行推荐需要根据CTR预估的点击率来进行。在进行CTR预估时，除了单特征外，往往要对特征进行组合。对于特征组合来说，业界现在通用的做法主要有两大类：FM系列与Tree系列。今天，我们就来讲讲FM算法。
2024年07月22日
作者简介：Nico Jimenez开发了Mathpix（https://mathpix.com），这种图形处理API每个月为全球各地的数百万用户处理 2000万个图像。他还开发了Losswise（https://losswise.com），他在Mathpix公司开发的这种内部机器学习监控和分析解决方案已向公众开放。
2024年07月22日
tf.keras 的回调函数实际上是一个类，一般是在 model.fit 时作为参数指定，用于控制在训练过程开始或者在训练过程结束，在每个 epoch 训练开始或者训练结束，在每个 batch 训练开始或者训练结束时执行一些操作，例如收集一些日志信息，改变学习率等超参数，提前终止训练过程等等。同样地，针对 model.evaluate 或者 model.predict 也可以指定 callbacks 参数，用于控制在评估或预测开始或者结束时，在每个 batch 开始或者结束时执行一些操作，但这种用法相对少见。
2024年07月22日
tensorflow的graph示例
tensorflow作为一个基于图结构的深度学习框架，内部通过session实现图和计算内核的交互，那么这个图是什么样的结构，session的工作原理又是什么样的呢？我们通过几段代码来深入理解一下
2024年07月22日
使用TensorFlow v2库实现线性回归
此示例使用简单方法来更好地理解训练过程背后的所有机制
from __future__ import absolute_import, division, print_function
import tensorflow as tf
import numpy as np
rng = np.random
# 参数
learning_rate = 0.01
training_steps = 1000
display_step = 50
# 训练数据
X = np.array([3.3,4.4,5.5,6.71,6.93,4.168,9.779,6.182,7.59,2.167,
7.042,10.791,5.313,7.997,5.654,9.27,3.1])
Y = np.array([1.7,2.76,2.09,3.19,1.694,1.573,3.366,2.596,2.53,1.221,
2.827,3.465,1.65,2.904,2.42,2.94,1.3])
n_samples = X.shape[0]
# 随机初始化权重，偏置
W = tf.Variable(rng.randn(),name="weight")
b = tf.Variable(rng.randn(),name="bias")
# 线性回归(Wx+b)
def linear_regression(x):
return W * x + b
# 均方差
def mean_square(y_pred,y_true):
return tf.reduce_sum(tf.pow(y_pred-y_true,2)) / (2 * n_samples)
# 随机梯度下降优化器
optimizer = tf.optimizers.SGD(learning_rate)
# 优化过程
def run_optimization():
# 将计算封装在GradientTape中以实现自动微分
with tf.GradientTape() as g:
pred = linear_regression(X)
loss = mean_square(pred,Y)
# 计算梯度
gradients = g.gradient(loss,[W,b])
# 按gradients更新 W 和 b
optimizer.apply_gradients(zip(gradients,[W,b]))
# 针对给定训练步骤数开始训练
for step in range(1,training_steps + 1):
# 运行优化以更新W和b值
run_optimization()
if step % display_step == 0:
pred = linear_regression(X)
loss = mean_square(pred, Y)
print("step: %i, loss: %f, W: %f, b: %f" % (step, loss, W.numpy(), b.numpy()))
2024年07月22日
本文翻译自： ， 如有侵权请联系删除，仅限于学术交流，请勿商用。如有谬误，请联系指出。
和 Numpy 一样，为了使代码可读性更强，更容易绘制一个计算图，TensorFlow重载了很多python中的运算符。
2024年07月22日
最近比较空闲，刚好学习下Tensorflow和python，于是想写一个Tensorflow的小应用。
时间序列预测在预估企业营收，指标等方面使用的非常多。以前用R写过一个shiny的应用，就是用指数平滑、stl分解等方法做时间序列预测。RNN也是很早之前就接触过理论，是用来处理序列数据的利器。放一个普通RNN的示意图：