從零開始深度學習0508 常用函式解釋

2021-10-07 03:01:10 字數 2442 閱讀 9872

0508

優化器optimizer

常用momentum   adam

都是考慮到上一次優化的學習率的下降趨勢結合

現在的學習率,更快的達到全域性最小量

tensorbord

視覺化需要用到

tf.namescope(『…』)

cd 到目錄然後執行

tensorboard --logdir='logs/' 一些

tensorboard

的方法在

python3

中已經更改,參考如下

tf.one_hot()函式

獨熱編碼

獨熱編碼一般是在有監督學習中對資料集進行標註時候使用的,指的是在分類問題中,將存在資料類別的那一類用x表示,不存在的用y表示,這裡的x常常是1, y常常是0。

就是將資料編碼成適合訓練的矩陣形式

scikit-learn(sklearn)

是機器學習中常用的第三方模組,對常用的機器學習方法進行了封裝,包括回歸(regression)、降維(dimensionality reduction)、分類(classfication)、聚類(clustering)等方法。當我們面臨機器學習問題時,便可根據下圖來選擇相應的方法。sklearn具有以下特點:

簡單高效的資料探勘和資料分析工具

讓每個人能夠在複雜環境中重複使用

建立numpy、scipy、matplotlib之上

conv = tf.nn.conv2d(input, w,

strides=[1

, stride, stride,

1],

padding

='same')

步長設定 [1,x_movement,y_movement,1] 

x_movement 橫向移動多少

y_movement 縱向移動多少

padding 兩種設定  same   vaild   一般用same 外圍設定一層0 大小寬度與原圖一樣

步長過大  可能丟失掉很多有效資訊

可以設定步長小一點,經過池化層,降取樣,然後達到相同效果,但是這樣保留的有效資訊更多

tf.nn.max_pool(input, 

ksize=[1

, stride, stride,

1],

strides=[1

, stride, stride,

1],

padding

='same')

與卷積層不同,池化層與權重w無關,不需要傳入w

tf.nn.max_pool(value, ksize, strides, padding, name=none)

引數是四個,和卷積很類似:

第乙個引數value:需要池化的輸入,一般池化層接在卷積層後面,所以輸入通常是feature map,依然是[batch, height, width, channels]這樣的shape

第二個引數ksize:池化視窗的大小,取乙個四維向量,一般是[1, height, width, 1],因為我們不想在batch和channels上做池化,所以這兩個維度設為了1

第三個引數strides:和卷積類似,視窗在每乙個維度上滑動的步長,一般也是[1, stride,stride, 1]

第四個引數padding:和卷積類似,可以取'valid' 或者'same'

返回乙個tensor,型別不變,shape仍然是[batch, height, width, channels]這種形式

x = tf.reshape(x, 

shape

=[-1

, 28

, 28, 1

])

-1表示我懶得計算該填什麼數字,由python通過x和其他的值3推測出來。

在這裡表示n_sample 

xs中佔位符定義的是 所有的sample  現在將它轉換一下shape  把784的向量轉換為[28,28]的矩陣,通道數為1  就是黑白影象

從零開始搭建深度學習環境

開始深度學習調參之路不能沒有乙個趁手的環境 安裝基礎環境 我使用的機器環境是 ubuntu18.04 安裝顯示卡驅動 1.2.按照cuda所需的版本安裝 3.sudo ubuntu drivers autoinstall 安裝pip sudo apt get install python pip 安...

從零開始的深度學習 4

在之前的練習中,解碼器在各個時間步依賴相同的背景變數 context vector 來獲取輸入的序列資訊。當編碼器為迴圈神經網路時,背景變數來自它最終時間步的隱藏狀態。將源序列輸入資訊以迴圈單位狀態編碼,然後將其傳遞給解碼器以生成目標序列。然而這種結構存在著問題,尤其是rnn機制實際中存在長程梯度消...

從零開始學習react

react.createlement tag,content class shoppinglist extends react.component return 我們可以把兩者結合起來,使 react 的 state 成為 唯一資料來源 渲染表單的 react 元件還控制著使用者輸入過程中表單發生的...