本文中主要介绍不同类型的自编码器，并用TensorFlow进行实现。 2.原理 自编码器将原始的数据作为输入，然后将输入转化成有效的内部表现形式，输出数据看上去和输入是相似的。换句话说...

在tensorflow中提供了tf.train.ExponentialMovingAverage来实现滑动平均模型。在初始化ExponentialMovingAverage时...

在部署自己训练好的模型前，首先运行一下tensorflow发布的官方demo，运行成功，特此记录！

Tensorflow中padding后尺寸的计算公式为： 1.当padding = 'VALID'时 2.当padding = 'SAME'时 其中W表示输入的长宽，F表示过滤器filter 的尺寸，s

深度学习与TensorFlow DNN（深度神经网络算法）现在是AI社区的流行词。最近，DNN 在许多数据科学竞赛/Kaggle 竞赛中获得了多次冠军。

TensorFlow创建DeepDream网络 Google 于 2014 年在 ImageNet 大型视觉识别竞赛（ILSVRC）训练了一个神经网络，并于 2015 年 7 月开放源代码。

Keras 是与 TensorFlow 一起使用的更高级别的作为后端的 API。添加层就像添加一行代码一样简单。在模型架构之后，使用一行代码，你可以编译和拟合模型。之后，它可以用于预测。

国外的真的是太慢了啊啊啊啊啊啊 二、安装Anaconda-gpu版 1.试过很多种错误，推荐这种傻瓜式安装（如果想在虚拟环境种安装请新建一个虚拟环境，我直接在base下安装的） 先选uninstalled,里面找到tensorflow

前言 从前面的Tensorflow环境搭建到目标检测模型迁移学习，已经完成了一个简答的扑克牌检测器，不管是从图片还是视频都能从画面中识别出有扑克的目标，并标识出扑克点数。

一、Python 原生类型 TensorFlow接受了Python自己的原生数据类型，例如Python中的布尔值类型，数值数据类型（整数，浮点数）和字符串类型。

Tensorflow slim 最近在做这个迁移学习，看了一本书，叫《21个项目玩转深度学习》里面的第三章介绍如何用自己的数据集去训练自己的深度模型，当然了 这本书的python版本好像是2.x，用现在的

本文旨在将迁移学习训练好的模型基于tensorflow工具进行量化。 首先使用如下workflow理解模型部署的过程，本文主要描述的是quant这一步。 1.

我们可以在这个环境下安装tensorflow 2.0版本...

我们可以在这个环境下安装tensorflow 2.0版本...

一、引言 在这里，我们长话短说，短话简说，抱歉，还是说了这么多废话，两年多没有正式写技术博客了，有点兴奋又有点伤感，那就正式开始吧。 话说在某某年有人发明了人工智能这个专业术语，因此后来者想要达到这个人说的人工智能的那种状态。当然了，你可以把人工智能弱智的理解成机器人这种啦，当然咯，目前这还是很难实现的，我们就说两个现在大多数人都用得到的吧...

三好学生成绩问题 总分 = 德育分 * 60% + 智育分 * 60% + 体育分 * 60% 假设家长不知道这个规则，已知： 学校一定是以德育分、智育分和体育分三项分数的总分来确定三好学生的 计算总分时，三项分数应该有各自的权重系数 各自孩子的三项分数都已经知道，总分也已经知道 经过家长们的分析，只有三项分数各自乘以的权重系数是未知的...

1. FNN、PNN、wide&deep等此前几种深度模型 见下图。 1) FNN，见图左边。用 FM 预训练embedding layer，然后DNN训练。作者认为有两点局限：embedding layer 的参数会受到 FM 的影响；预训练计算量大，效率问题。同时 FNN仅能捕捉高阶特征，相比之下，DeepFM 无需预训练，且能捕捉高阶和低阶特征。 2) PNN，见图中间...

循环神经网络 介绍 可以在 this great article 查看循环神经网络(RNN)以及 LSTM 的介绍。 语言模型 此教程将展示如何在高难度的语言模型中训练循环神经网络。该问题的目标是获得一个能确定语句概率的概率模型。为了做到这一点，通过之前已经给出的词语来预测后面的词语。我们将使用 PTB(Penn Tree Bank) 数据集，这是一种常用来衡量模型的基准...

重要细节： 首先说明，anaconda默认的下载路径是外国网址，下载速度很慢，首先将默认下载地址改成国内镜像。 试了清华镜像还是很慢，就是因为这个一直没有头绪，今天看到一个帖子说中科大的镜像更好用更快！！！ 开始 打开Anaconda Prompt，进入Anaconda命令行管理界面...

1.1 TensorFlow 谷歌的Ten