TensorFlow 是一个采用数据流图（data flow graphs），用于数值计算的开源软件库。节点（Nodes）在图中表示数学操作，图中的线（edges）则表示在节点间相互联系的多维数据数组，即张量（tensor）。
1.Tensor
tensor，表示张量，在TensorFlow中常用Tensor来描述矩阵信息。如下表示创建一个tensor，并将其初始化为0（zeros函数表示初始化一个tensor，并将其所有成员置位为0，缺省类型为float32）。
2024年10月28日
TensorFlow 是一个采用数据流图（data flow graphs），用于数值计算的开源软件库。节点（Nodes）在图中表示数学操作，图中的线（edges）则表示在节点间相互联系的多维数据数组，即张量（tensor）。
tensor，表示张量，在TensorFlow中常用Tensor来描述矩阵信息。如下表示创建一个tensor，并将其初始化为0（zeros函数表示初始化一个tensor，并将其所有成员置位为0，缺省类型为float32）。
2024年10月28日
作者：Python疯子
链接：https://www.jianshu.com/p/5b4e51869e64
这个可以说是一个绝对的福利中的福利。一整套的AI图片识别以及模型的使用。
一直都在说人工智能，图像识别，又有几个人会呢，网上文章成山，前一段时间因工作需要，我一个做后端开发的，要做图片识别。
于是开始了疯狂的地毯式搜索，先说网上介绍最多，最好，也是最坑的模型---AIimage，10行代码完成图像识别，通过代码是可以识现，但必须使用它们的模型，不能自己训练，于是开始找AIimage的训练模型，也找到了，也能训练，用训练好的模型，正式测试，哇，屎一样！
2024年10月28日
在数字化时代的浪潮中，PPT已演变成为工作、学术报告、演讲等场合下必备的利器。然而，许多人在PPT制作的征途上倍感困惑，传统的手工方式不仅效率低下，而且耗时耗力。幸甚，我们有Python这位编程界的巨擘，它以无与伦比的魅力，为我们开辟了一条制作PPT的捷径，让我们得以一劳永逸地解决这一难题。本文将深入浅出地阐述如何运用Python之力驾驭PPT文档，轻松克服制作过程中的种种挑战。
2024年10月28日
TensorFlow能够在不同设备上（如CPU和GPU）工作。TensorFlow将计算（computations）定义为图（Graphs），图形是由各种操作（ops）组成。所以，当我们要运行TensorFlow时，首先定义图中的一系列操作。
2024年10月28日
首先，确保你已经安装了Python。然后使用pip安装TensorFlow。在你的命令行工具中运行以下命令：
pip install tensorflow
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......