Skip to content
体验新版
项目
组织
正在加载...
登录
切换导航
打开侧边栏
surelion
apachecn-dl-zh
提交
5de57caf
A
apachecn-dl-zh
项目概览
surelion
/
apachecn-dl-zh
与 Fork 源项目一致
Fork自
OpenDocCN / apachecn-dl-zh
通知
1
Star
0
Fork
0
代码
文件
提交
分支
Tags
贡献者
分支图
Diff
Issue
0
列表
看板
标记
里程碑
合并请求
0
Wiki
0
Wiki
分析
仓库
DevOps
项目成员
Pages
A
apachecn-dl-zh
项目概览
项目概览
详情
发布
仓库
仓库
文件
提交
分支
标签
贡献者
分支图
比较
Issue
0
Issue
0
列表
看板
标记
里程碑
合并请求
0
合并请求
0
Pages
分析
分析
仓库分析
DevOps
Wiki
0
Wiki
成员
成员
收起侧边栏
关闭侧边栏
动态
分支图
创建新Issue
提交
Issue看板
体验新版 GitCode,发现更多精彩内容 >>
提交
5de57caf
编写于
8月 07, 2020
作者:
W
wizardforcel
浏览文件
操作
浏览文件
下载
电子邮件补丁
差异文件
2020-08-07 17:19:27
上级
b4b19169
变更
7
隐藏空白更改
内联
并排
Showing
7 changed file
with
18 addition
and
18 deletion
+18
-18
docs/build-ml-proj-tf-zh/ch01.md
docs/build-ml-proj-tf-zh/ch01.md
+7
-7
docs/build-ml-proj-tf-zh/ch02.md
docs/build-ml-proj-tf-zh/ch02.md
+2
-2
docs/build-ml-proj-tf-zh/ch03.md
docs/build-ml-proj-tf-zh/ch03.md
+2
-2
docs/build-ml-proj-tf-zh/ch06.md
docs/build-ml-proj-tf-zh/ch06.md
+1
-1
docs/build-ml-proj-tf-zh/ch07.md
docs/build-ml-proj-tf-zh/ch07.md
+3
-3
docs/build-ml-proj-tf-zh/ch08.md
docs/build-ml-proj-tf-zh/ch08.md
+1
-1
docs/build-ml-proj-tf-zh/ch09.md
docs/build-ml-proj-tf-zh/ch09.md
+2
-2
未找到文件。
docs/build-ml-proj-tf-zh/ch01.md
浏览文件 @
5de57caf
...
...
@@ -26,7 +26,7 @@ TensorFlow 的数据管理基于张量。 张量是来自数学领域的概念
张量阶数表示张量的维度方面,但与矩阵阶数不同。 它表示张量所处的维数,而不是行/列或等效空间中张量扩展的精确度量。
秩
张量等于向量,秩张量是矩阵。 对于第二张量,您可以使用语法 t [i,j]访问任何元素。 对于三阶张量,您将需要使用 t [i,j,k]
来寻址元素,依此类推。
秩
为 1 的张量等于向量,秩为 2 的张量是矩阵。 对于二阶张量,您可以使用语法
`t[i, j]`
访问任何元素。 对于三阶张量,您将需要使用
`t[i, j, k]`
来寻址元素,依此类推。
在下面的示例中,我们将创建一个张量,并访问其分量之一:
...
...
@@ -52,7 +52,7 @@ TensorFlow 的数据管理基于张量。 张量是来自数学领域的概念
TensorFlow 文档使用三种符号约定来描述张量维数:阶数,形状和维数。 下表显示了它们之间的相互关系:
| 秩 | 形状 | 维度数量 | 例 |
| 秩 | 形状 | 维度数量 |
示
例 |
| --- | --- | --- | --- |
| 0 |
`[]`
| 0 |
`4`
|
| 1 |
`[D0]`
| 1 |
`[2]`
|
...
...
@@ -78,7 +78,7 @@ TensorFlow 文档使用三种符号约定来描述张量维数:阶数,形状
|
`DT_INT64`
|
`tf.int64`
| 64 位有符号整数。 |
|
`DT_UINT8`
|
`tf.uint8`
| 8 位无符号整数。 |
|
`DT_STRING`
|
`tf.string`
| 可变长度字节数组。 张量的每个元素都是一个字节数组。 |
|
`DT_BOOL`
|
`tf.bool`
| 布尔。 |
|
`DT_BOOL`
|
`tf.bool`
| 布尔
值
。 |
## 创建新的张量
...
...
@@ -653,8 +653,8 @@ TensorFlow 中的操作在您运行它们或取决于它们的输出的操作之
这些是特殊函数,用于合并不同操作的值,无论是摘要的集合,还是图中的所有摘要:
*
`tf.merge_summary
`
(输入,集合=无,名称=无)
*
`tf.merge_all_summaries
`
(键=“摘要”)
*
`tf.merge_summary
(input, collection=None, name=None)`
*
`tf.merge_all_summaries
(key="summary")`
最后,作为提高可读性的最后一项帮助,可视化对常数和汇总节点使用特殊的图标。 总而言之,这是节点符号表:
...
...
@@ -666,8 +666,8 @@ TensorFlow 中的操作在您运行它们或取决于它们的输出的操作之
| !
[
Special Summary functions
](
img/00014.jpg
)
| 单个操作节点。 |
| !
[
Special Summary functions
](
img/00015.jpg
)
| 一个常数。 |
| !
[
Special Summary functions
](
img/00016.jpg
)
| 摘要节点。 |
| !
[
Special Summary functions
](
img/00017.jpg
)
|
边缘显示操作之间的数据流
。 |
| !
[
Special Summary functions
](
img/00018.jpg
)
|
边缘显示操作之间的控制依赖性
。 |
| !
[
Special Summary functions
](
img/00017.jpg
)
|
显示操作之间的数据流的边
。 |
| !
[
Special Summary functions
](
img/00018.jpg
)
|
显示操作之间的控制依赖性的边
。 |
| !
[
Special Summary functions
](
img/00019.jpg
)
| 显示输出操作节点可以改变输入张量的参考边。 |
### 与 TensorBoard 的 GUI 交互
...
...
docs/build-ml-proj-tf-zh/ch02.md
浏览文件 @
5de57caf
...
...
@@ -132,7 +132,7 @@ k-nn 可以在我们的多种配置中实现,但是在本章中,我们将使
在 matplotlib 站点(
`http://matplotlib.org/`
)中,定义为:
>
“ matplotlib 是一个 Python 2D 绘图库,它以各种硬拷贝格式和跨平台的交互式环境生成出版物质量的图形。”
>
matplotlib 是一个 Python 2D 绘图库,它以各种硬拷贝格式和跨平台的交互式环境生成出版物质量的图形。
#### 合成样本的数据绘图
...
...
@@ -168,7 +168,7 @@ TensorFlow 当前未实现用于轻松生成合成数据集的方法。 因此
[
从其网站
](
http://scikit-learn.org/stable/
)
:
>
“ scikit-learn(以前为 scikits.learn)是针对 Python 编程语言的开源机器学习库。它具有各种分类,回归和聚类模型,旨在与 Python 数字和科学库 NumPy 和 SciPy 互操作。”
>
scikit-learn(以前为`scikits.learn`)是针对 Python 编程语言的开源机器学习库。它具有各种分类,回归和聚类模型,旨在与 Python 数字和科学库 NumPy 和 SciPy 互操作。
在此示例中,我们将使用数据集模块,该模块处理许多众所周知的合成和现场提取的数据集的生成和加载。
...
...
docs/build-ml-proj-tf-zh/ch03.md
浏览文件 @
5de57caf
...
...
@@ -403,9 +403,9 @@ plt.plot (trX, sess.run(b) + trX * sess.run(w))
当我们想快速读取并获得有关正常大小的数据文件的提示时,创建读取缓冲区和其他附加机制可能会减少开销。 这是熊猫当前的现实生活用例之一。
这是
[
Pandas 网站
](
http://pandas.pydata.org/
)
的摘录:
这是
[
Pandas 网站
](
http://pandas.pydata.org/
)
的摘录:
>
“ Pandas 是 BSD 许可的开放源代码库,为 Python 提供了高表现,易于使用的数据结构和数据分析工具。”
>
Pandas 是 BSD 许可的开放源代码库,为 Python 提供了高表现,易于使用的数据结构和数据分析工具。
熊猫的主要特征如下:
...
...
docs/build-ml-proj-tf-zh/ch06.md
浏览文件 @
5de57caf
...
...
@@ -70,7 +70,7 @@
正如 LeCun 在他的基础论文中所述:
>
“卷积网络可以看作是合成自己的特征提取器。”
>
卷积网络可以看作是合成自己的特征提取器。
卷积神经网络的这一特性是相对于以前的数据处理技术的主要优势。 我们可以非常灵活地确定已确定数据集的主要组成部分,并通过这些基本构件的组合来表示其他样本。
...
...
docs/build-ml-proj-tf-zh/ch07.md
浏览文件 @
5de57caf
...
...
@@ -373,7 +373,7 @@ plt.legend(handles=[plot_predicted, plot_test])
```
# 示例 2 -- 编写音乐
“a la” Bach
# 示例 2 -- 编写音乐“a la” Bach
在此示例中,我们将使用专门针对字符序列或 char RNN 模型的循环神经网络。
...
...
@@ -478,7 +478,7 @@ K:G
*
`tf.train.Saver.restore`
:此方法恢复以前保存的变量。 主要参数如下:
*
`session`
:会话是要还原变量的位置
*
`save_path`
:这是先前由 save 方法,对
last_checkpoint()
的调用或提供的变量先前返回的变量
*
`save_path`
:这是先前由 save 方法,对
`last_checkpoint()`
的调用或提供的变量先前返回的变量
### 加载和保存的伪代码
...
...
@@ -525,7 +525,7 @@ for i in range (1,1000):
请注意,原始 ABC 文件位于
[
此链接
](
http://www.barfly.dial.pipex.com/Goldbergs.abc
)
。
然后,我们使用这个小程序
()
。
然后,我们使用这个小程序。
对于此数据集,我们从
`30`
作品开始,然后生成一个随机分布的
`1000`
实例列表:
...
...
docs/build-ml-proj-tf-zh/ch08.md
浏览文件 @
5de57caf
...
...
@@ -18,7 +18,7 @@
在 1980 年代和 1990 年代,神经网络领域一直保持沉默。 尽管付出了一些努力,但是架构非常简单,并且需要大的(通常是不可用的)机器力量来尝试更复杂的方法。
1998 年左右,在 Bells 实验室中,在围绕手写校验数字分类的研究中,Ian LeCun 开始了一种新趋势,该趋势实现了所谓的“深度学习
-
卷积神经网络”的基础,我们已经在第 5 章,简单的前馈神经网络中对其进行了研究。
1998 年左右,在 Bells 实验室中,在围绕手写校验数字分类的研究中,Ian LeCun 开始了一种新趋势,该趋势实现了所谓的“深度学习
——
卷积神经网络”的基础,我们已经在第 5 章,简单的前馈神经网络中对其进行了研究。
在那些年里,SVM 和其他更严格定义的技术被用来解决这类问题,但是有关 CNN 的基础论文表明,与当时的现有方法相比,神经网络的表现可以与之媲美或更好。
...
...
docs/build-ml-proj-tf-zh/ch09.md
浏览文件 @
5de57caf
...
...
@@ -107,7 +107,7 @@ Pi 的面积比例
另一个事实是,我们可以为计算生成的随机样本越多,答案就越近似。 这是在增加 GPU 数量时会给我们带来更多样本和准确率。
我们做的进一步减少是我们生成(X,Y)坐标,范围从(0..1),因此随机数生成更直接。 因此,我们需要确定样本是否属于圆的唯一标准是
`distance = d
<
1.0`
(圆的半径)。
我们做的进一步减少是我们生成(X,Y)坐标,范围从(0..1),因此随机数生成更直接。 因此,我们需要确定样本是否属于圆的唯一标准是
`distance = d
<
1.0`
(圆的半径)。
## 解决方案实现
...
...
@@ -115,7 +115,7 @@ Pi 的面积比例
### 提示
注意:此方法的收敛速度非常慢,为
O(n
<
sup class="calibre32"
>
1/2
<
/sup
>
)
,但由于其简单性,将作为示例。
注意:此方法的收敛速度非常慢,为
`O(n^1/2)`
,但由于其简单性,将作为示例。
![
Solution implementation
](
img/00142.jpg
)
...
...
编辑
预览
Markdown
is supported
0%
请重试
或
添加新附件
.
添加附件
取消
You are about to add
0
people
to the discussion. Proceed with caution.
先完成此消息的编辑!
取消
想要评论请
注册
或
登录