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
c5e73160
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
c5e73160
编写于
8月 05, 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
2020-08-05 10:36:34
上级
100bc239
变更
6
隐藏空白更改
内联
并排
Showing
6 changed file
with
9 addition
and
9 deletion
+9
-9
docs/mastering-tf-1x-zh/ch01.md
docs/mastering-tf-1x-zh/ch01.md
+3
-3
docs/mastering-tf-1x-zh/ch02.md
docs/mastering-tf-1x-zh/ch02.md
+1
-1
docs/mastering-tf-1x-zh/ch04.md
docs/mastering-tf-1x-zh/ch04.md
+1
-1
docs/mastering-tf-1x-zh/ch05.md
docs/mastering-tf-1x-zh/ch05.md
+2
-2
docs/mastering-tf-1x-zh/ch11.md
docs/mastering-tf-1x-zh/ch11.md
+1
-1
docs/mastering-tf-1x-zh/ch12.md
docs/mastering-tf-1x-zh/ch12.md
+1
-1
未找到文件。
docs/mastering-tf-1x-zh/ch01.md
浏览文件 @
c5e73160
...
...
@@ -963,7 +963,7 @@ os.environ['CUDA_VISIBLE_DEVICES']='0'
config
.
gpu_options
.
per_process_gpu_memory_fraction
=
0.5
```
这将分配所有 GPU 设备的 50%的内存。
这将分配所有 GPU 设备的 50%
的内存。
*
您还可以结合上述两种策略,即只制作一个百分比,同时只让部分 GPU 对流程可见。
*
您还可以将 TensorFlow 进程限制为仅在进程开始时获取所需的最小内存。随着进程的进一步执行,您可以设置配置选项以允许此内存的增长。
...
...
@@ -1015,7 +1015,7 @@ TensorBoard 可视化计算图结构,提供统计分析并绘制在计算图
# TensorBoard 最小的例子
1.
S
通过定义线性模型的变量和占位符来实现:
1.
通过定义线性模型的变量和占位符来实现:
```
py
# Assume Linear Model y = w * x + b
...
...
@@ -1073,7 +1073,7 @@ TensorBoard 通过读取 TensorFlow 生成的日志文件来工作。因此,
1.
像往常一样创建计算图。
2.
创建摘要节点。将
`tf.summary`
包中的摘要操作附加到输出您要收集和分析的值的节点。
3.
运行摘要节点以及运行模型节点。通常,您将使用便捷函数
`tf.summary.merge_all()`
将所有汇总节点合并到一个汇总节点中。然后执行此合并节点将基本上执行所有摘要节点。合并的摘要节点生成包含所有摘要的并集的序列化
`Summary`
P
rotocolBuffers 对象。
3.
运行摘要节点以及运行模型节点。通常,您将使用便捷函数
`tf.summary.merge_all()`
将所有汇总节点合并到一个汇总节点中。然后执行此合并节点将基本上执行所有摘要节点。合并的摘要节点生成包含所有摘要的并集的序列化
`Summary`
ProtocolBuffers 对象。
1.
通过将
`Summary`
ProtocolBuffers 对象传递给
`tf.summary.FileWriter`
对象将事件日志写入磁盘。
2.
启动 TensorBoard 并分析可视化数据。
...
...
docs/mastering-tf-1x-zh/ch02.md
浏览文件 @
c5e73160
...
...
@@ -12,7 +12,7 @@ TensorFlow 有几个高级库和接口(API),允许我们使用 TF Learn,
我们将提供使用所有五个库构建 MNIST 数据集模型的示例。当我们从第 4 章开始介绍模型的细节时,不要担心理解模型的细节。
您可以使用代码包中包含的 Jupyter
Notebook
`ch-02_TF_High_Level_Libraries`
来遵循本章中的代码示例。 尝试修改笔记本中的示例以进行实验和游戏。
您可以使用代码包中包含的 Jupyter
笔记本
`ch-02_TF_High_Level_Libraries`
来遵循本章中的代码示例。 尝试修改笔记本中的示例以进行实验和游戏。
# TF Estimator - 以前的 TF 学习
...
...
docs/mastering-tf-1x-zh/ch04.md
浏览文件 @
c5e73160
...
...
@@ -840,7 +840,7 @@ with tf.Session() as tfs:
plt
.
show
()
```
我们获得了大约 96%的相当好的准确率,原始和预测的数据图如下所示:
我们获得了大约 96%
的相当好的准确率,原始和预测的数据图如下所示:
![](
img/abc7eea6-1cdf-486e-9f34-0b571ef90b67.png
)
...
...
docs/mastering-tf-1x-zh/ch05.md
浏览文件 @
c5e73160
...
...
@@ -390,7 +390,7 @@ epoch: 0049 loss = 0.668717
accuracy
=
0.85720009
```
我们看到单个神经元网络在 50 次迭代中缓慢地将损失从 8.3 降低到 0.66,最终得到几乎 85%的准确率。对于这个具体的例子,这是非常糟糕的准确率,因为这只是使用 TensorFlow 进行分类使用 MLP 的演示。
我们看到单个神经元网络在 50 次迭代中缓慢地将损失从 8.3 降低到 0.66,最终得到几乎 85%
的准确率。对于这个具体的例子,这是非常糟糕的准确率,因为这只是使用 TensorFlow 进行分类使用 MLP 的演示。
我们使用更多层和神经元运行相同的代码,并获得以下准确率:
...
...
@@ -644,7 +644,7 @@ dataset = dataframe.values
dataset
=
dataset
.
astype
(
'float32'
)
```
1.
利用
`datasetslib`
的效用函数,我们将数据集分成测试和训练集。对于时间序列数据集,我们有一个单独的函数,不会改变观察结果,因为对于时间序列回归,我们需要维持观察的顺序。我们使用 67%
的数据进行训练,33%
的数据用于测试。您可能希望尝试使用不同比例的示例。
1.
利用
`datasetslib`
的效用函数,我们将数据集分成测试和训练集。对于时间序列数据集,我们有一个单独的函数,不会改变观察结果,因为对于时间序列回归,我们需要维持观察的顺序。我们使用 67%
的数据进行训练,33%
的数据用于测试。您可能希望尝试使用不同比例的示例。
```
py
train
,
test
=
dsu
.
train_test_split
(
dataset
,
train_size
=
0.67
)
...
...
docs/mastering-tf-1x-zh/ch11.md
浏览文件 @
c5e73160
...
...
@@ -530,7 +530,7 @@ error_rate = do_inference(hostport='0.0.0.0:8500',
print
(
'
\n
Inference error rate: %s%%'
%
(
error_rate
*
100
))
```
我们得到差不多 7%的错误率! (您可能会得到不同的值):
我们得到差不多 7%
的错误率! (您可能会得到不同的值):
```
py
Extracting
/
home
/
armando
/
datasets
/
mnist
/
train
-
images
-
idx3
-
ubyte
.
gz
...
...
docs/mastering-tf-1x-zh/ch12.md
浏览文件 @
c5e73160
...
...
@@ -1054,7 +1054,7 @@ Trainable params: 13,504,264
Non-trainable params
:
7,635,264
```
我们看到近 40%的参数是冻结的和不可训练的。
我们看到近 40%
的参数是冻结的和不可训练的。
1. 接下来,训练 Keras 模型 20 个周期,批量大小为 32:
...
...
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