9 TensorFLow 中的決策函式

# 神經網路的輸出

logits = tf.constant(
[3.0
,1.0,-
3.0]
)# 正確的標籤
y_ = tf.constant(
[1.0
,0.0
,0.0])
# 神經網路的輸出經過 softmax 變換得到每個類別的概率
y = tf.nn.softmax(logits)
>>
> array(
[0.87887824
,0.11894324
,0.00217852
], dtype=float32)
)

# 神經網路的輸出

logits = tf.constant(
[3.0
,1.0,-
3.0]
)# 正確的標籤
y_ = tf.constant(
[1.0
,0.0
,0.0])
# 神經網路的輸出經過 softmax 變換得到每個類別的概率
y = tf.nn.softmax(logits)
>>
> array(
[0.87887824
,0.11894324
,0.00217852
], dtype=float32)
)# 取得其中最大的 2 個元素的值和索引
y_top_2 = tf.nn.top_k(y,2)
>>
> topkv2(values=array(
[0.87887824
,0.11894324
], dtype=float32)
, indices=array([0
,1], dtype=int32)
)y_top_2.values
>>
> array(
[0.87887824
,0.11894324
], dtype=float32)
y_top_2.indices
>>
> array([0
,1], dtype=int32)

回歸問題的決策函式：前向傳播過程中最後一層神經網路的輸出結果即為網路的**結果

2、tensorflow python api 翻譯（nn）

深度學習9 TensorFlow常見報錯及解決方法

在使用tensorflow時，經常會看到這樣那樣的報錯，這裡記錄一下，免得每次看到都得去網上搜。這些問題中，很多是版本問題導致的。1.argumenterror argument epoch conflicting option string epoch 報錯原因 中有解釋如下 因為你沒有真正訓練起...

Tensorflow中的Lazy load問題

用tensorflow訓練或者inference模型的時候，有時候會遇到執行越來越慢，最終記憶體被佔滿，導致電腦宕機的問題，我們稱之為記憶體溢位。出現這種問題很可能是因為在乙個session中，graph迴圈建立重複的節點所導致的lazy load問題。舉個例子，用tensorflow迴圈做多次加法...

tensorflow中的函式

執行當前tensor的run 操作 a tf.variable tf.ones 10 with tf.session as sess tf.global variables initializer run b sess.run a 1 b a eval 2 print b 中的 1 2 行的功能一樣...