Tensorflow

MacOS(M1芯片 arm架构)下安装tensorflow的详细过程

目录 导语 下面将开始讲解在Mac(M1)上如何安装tensorflow 1. 下载Miniforge3-MacOSX-arm64.sh脚本文件,并且运行 2. 创建虚拟环境 3. 安装tensorflow 4. 测试 5. Pycharm导入含有tensorflow包的python解释器 »

Python基于TensorFlow接口实现深度学习神经网络回归

目录 1 写在前面 2 代码分解介绍 2.1 准备工作 2.2 参数配置 2.3 原有模型删除 2.4 数据导入与数据划分 2.5 Feature Columns定义 2.6 模型优化方法构建与模型结构构建 2.7 模型训练 2.8 模型验证与测试 2.9 精度评定、拟合图像绘制与模型参数与精度 »

模型预处理层介绍(1) - Discretization

预处理的作用主要在于将难以表达的string或者数组转换成模型容易训练的向量表示,其中转化过程大多是形成一张查询表用来查询。 常见的预处理方式包括: class Discretization: Buckets data into discrete ranges. class Hashing: Imp ... »

nomornings

Tensorflow的DataSet的使用详解

Dataset类是TensorFlow非常流行的存储数据的格式。常用来作为输入输出。data模块主要的用途就是通过这种方法创建Dataset。 Dataset使用过程中的一些心得: 经常将自变量X数据以及target数据以元组的形式包裹,如db_train=tf.data.Dataset.fro »

Tensorflow2.4从头训练Word Embedding实现文本分类

目录 前言 具体介绍 1. 三种文本向量化方法 2. 获取数据 3. 处理数据 4. 搭建、训练模型 5. 导出训练好的词嵌入向量 前言 本文主要使用 cpu 版本的 tensorflow 2.4 版本完成文本的 word embedding 训练,并且以此为基础完成影评文本分类任 »

Tensorflow 2.4 搭建单层和多层 Bi-LSTM 模型

目录 前言 实现过程 1. 获取数据 2. 处理数据 3. 单层 Bi-LSTM 模型 4. 多层 Bi-LSTM 模型 前言 本文使用 cpu 版本的 TensorFlow 2.4 ,分别搭建单层 Bi-LSTM 模型和多层 Bi-LSTM 模型完成文本分类任务。 确保使用 n »

深度学习Tensorflow2.8实现GRU文本生成任务详解

目录 前言 大纲 实现 1. 获取数据 2. 处理数据 3. 搭建并训练模型 4. 生成文本逻辑 5. 预测 6. 保存和读取模型 前言 本文使用 cpu 的 tensorflow 2.8 来完成 GRU 文本生成任务。如果想要了解文本生成的相关概念,可以参考我之前写的文章:htt »

深度学习TextLSTM的tensorflow1.14实现示例

目录 对单词最后一个字母的预测 结果打印 对单词最后一个字母的预测 LSTM 的原理自己找,这里只给出简单的示例代码,就是对单词最后一个字母的预测。 # LSTM 的原理自己找,这里只给出简单的示例代码 import tensorflow as tf import numpy a »

简单利用conda安装tensorflow-gpu=2.2.0的过程及问题解决

目录 网上安装tensorflow-gpu=2.2.0什么的一大推,而且最后还报错,一般问题出现在:一、安装下载慢二、cuda和cudnn版本不对 我最后实验了,很好解决上面的问题。 2021年1月26日更新,python版本最好是3.7,3.8版本安装有可能有问题,大概是conda没有完全 »

ubuntu18.04安装tensorflow2.0

目录 ECharts 异步加载 ECharts 数据可视化在过去几年中取得了巨大进展。开发人员对可视化产品的期望不再是简单的图表创建工具,而是在交互、性能、数据处理等方面有更高的要求。 chart.setOption({ color: [ »

windows7 64位安装tensorflow 1.4.0 CPU版本

目录 ECharts 异步加载 ECharts 数据可视化在过去几年中取得了巨大进展。开发人员对可视化产品的期望不再是简单的图表创建工具,而是在交互、性能、数据处理等方面有更高的要求。 chart.setOption({ color: [ »

miniconda 搭建tensorflow框架

目录 ECharts 异步加载 ECharts 数据可视化在过去几年中取得了巨大进展。开发人员对可视化产品的期望不再是简单的图表创建工具,而是在交互、性能、数据处理等方面有更高的要求。 chart.setOption({ color: [ »

tensorflow dropout函数应用

目录 ECharts 异步加载 ECharts 数据可视化在过去几年中取得了巨大进展。开发人员对可视化产品的期望不再是简单的图表创建工具,而是在交互、性能、数据处理等方面有更高的要求。 chart.setOption({ color: [ »

tensorflow elu函数应用

目录 ECharts 异步加载 ECharts 数据可视化在过去几年中取得了巨大进展。开发人员对可视化产品的期望不再是简单的图表创建工具,而是在交互、性能、数据处理等方面有更高的要求。 chart.setOption({ color: [ »

tensorflow softsign函数应用

目录 ECharts 异步加载 ECharts 数据可视化在过去几年中取得了巨大进展。开发人员对可视化产品的期望不再是简单的图表创建工具,而是在交互、性能、数据处理等方面有更高的要求。 chart.setOption({ color: [ »

tensorflow l2_loss函数

目录 ECharts 异步加载 ECharts 数据可视化在过去几年中取得了巨大进展。开发人员对可视化产品的期望不再是简单的图表创建工具,而是在交互、性能、数据处理等方面有更高的要求。 chart.setOption({ color: [ »

tensorflow softplus应用

目录 ECharts 异步加载 ECharts 数据可视化在过去几年中取得了巨大进展。开发人员对可视化产品的期望不再是简单的图表创建工具,而是在交互、性能、数据处理等方面有更高的要求。 chart.setOption({ color: [ »