1、简介
tar命令是类Unix和类Unix系统上的压缩打包工具，可以将多个文件合并为一个文件，打包后的文件名亦为“tar”。目前，tar文件格式已经成为POSIX标准，最初是POSIX.1-1988，目前是POSIX.1-2001。 本程序最初的设计目的是将文件备份到磁带上(tape archive)，因而得名tar。
2024年10月06日
tar命令是类Unix和类Unix系统上的压缩打包工具，可以将多个文件合并为一个文件，打包后的文件名亦为“tar”。目前，tar文件格式已经成为POSIX标准，最初是POSIX.1-1988，目前是POSIX.1-2001。 本程序最初的设计目的是将文件备份到磁带上(tape archive)，因而得名tar。
2024年10月06日
就像我们在学习一门编程语言时总喜欢把"Hello World！"作为入门的示例代码一样，MNIST手写数字识别问题就像是深度学习的"Hello World！"。通过这个例子，我们将了解如何将数据转化为神经网络所需要的数据格式，以及如何使用TensorFlow搭建简单的单层和多层的神经网络。
MNIST 数据集可以从网站 http://yann.lecun.com/exdb/mnist/ 上下载，需要下载的数据集总共有4个文件，其中"train-images-idx3-ubyte.gz"是训练集的图片，总共有60000张，"train-labels-idx1-ubyte.gz"是训练集图片对应的类标（0~9）。"t10k-images-idx3-ubyte.gz"是测试集的图片，总共有10000张，"t10k-labels-idx1-ubyte.gz"是测试集图片对应的类标（0~9）。TensorFlow的示例代码中已经对MNIST数据集的处理进行了封装，但是作为第一个程序，我们希望带着读者从数据处理开始做，数据处理在整个机器学习项目中是很关键的一个环节，因此有必要在第一个项目中就让读者体会到它的重要性。
2024年10月06日
手写数字识别算法的设计与实现
本文使用python基于TensorFlow设计手写数字识别算法，并编程实现GUI界面，构建手写数字识别系统。这是本人的本科毕业论文课题，当然，这个也是机器学习的基本问题。本博文不会以论文的形式展现，而是以编程实战完成机器学习项目的角度去描述。
项目要求：本文主要解决的问题是手写数字识别，最终要完成一个识别系统。
设计识别率高的算法，实现快速识别的系统。
2024年10月06日
基于功能强大的 ShineBlink 低代码物联网核心模组和灵活轻巧的 Lua 脚本编程语言实现如下功能：
2024年10月06日
基于 FlexLua 低代码单片机技术，脱离复杂单片机C语言开发正逐渐成为一种快速高效的 IoT 硬件开发方式。即使新手不懂单片机开发也可很快很容易用FlexLua零门槛开发各种 IoT 硬件，更多教程请参考 FlexLua 官网。
注意：仅 ShineBlink C1 开发板 带 SDIO TF 卡接口，C2不适合本教程（C2 仅能通过内部 Flash 模拟出一个 1.6M 的极小 U 盘）。
2024年10月06日
AI神经网络的图像识别技术可以通俗理解为：通过模仿人类大脑神经网络的运作方式，构建一个复杂的计算模型，这个模型能够接收图像信息，经过处理后提取出图像中的特征，并根据这些特征对图像进行识别和分类。
2024年10月06日
TensorFlow是一个被广泛使用的深度学习库，它提供了丰富的功能和工具，用于构建和训练各种类型的神经网络模型。
1. 导入TensorFlow库
要使用TensorFlow库，首先需要安装并导入它。在Python代码中，可以使用以下代码导入TensorFlow库：
```
import tensorflow as tf
2024年10月06日
上期我们分享了TensorFlow的过拟合与dropout的问题过拟合（Overfitting）与dropout，本期我们来实现如何在TensorFlow中利用代码实现overfiting的问题。
我们导入sk-learn的数据，来进行本期的训练分析
2024年10月06日
本文介绍简单说说深层神经网络中的几种常用方法，深度学习所示深层神经网络的代名词，重要特性：多层、非线性。若只通过线性变换，任意层的神经网络模型与单层神经网络模型的表达能力没有任何区别，这是线性模型的局限性。对于线性可分的问题中，线性模型可解决，但在现实生活中，绝大部分的问题都是无法线性分割的。
1、激活函数
将每一个神经元（神经网络的节点）的输出通过一个非线性函数便可使得整个神经网络的模型非线性化，这个非线性函数就是激活函数。常用非线性激活函数：tf.nn.relu、tf.sigmoid、tf.tanh；使用方法，例：tf.nn.relu(tf.matmul(x,w1)+biases1)
2024年10月06日
李林 编译自 Google Research Blog
量子位 出品 | 公众号 QbitAI
谷歌今天推出了一个新的开源Python自动微分库：Tangent。
和现有的机器学习库不同，Tangent是一个源代码到源代码的系统，使用Python函数f，并用一个新的Python函数来计算f的梯度。这能帮用户更好地看清梯度计算，并更简单地对梯度进行用户级编辑和调试。
此外，Tangent还有更多调试和设计机器学习模型的功能：