一、概述 开篇明义，dropout是指在深度学习网络的训练过程中，对于神经网络单元，按照一定的概率将其暂时从网络中丢弃。注意是暂时，对于随机梯度下降来说，由于是随机丢弃，故而每一个mini-batch都在训练不同的网络。 关于dropout详情请查看 在机器学习中和深度学习中可能会存在 过拟合的问题，表现为在训练集上表现很好，但在测试集中表现不如训练集中的那么好。这主要是由于过拟合的问题...

直接从文件生成图片数据 ImageDataGenerator，循环生成图片，在重复生成图片之前，会把所有图片都遍历一遍。而且如果图片总量不是生成批量的倍数的话，在生成重复图片的前一次的批量是不完整的...

1.下载 anaconda anaconda相当于一个软件全家桶。里面包含了python的一些idle包括jupyter notebook以及spyder。最重要的是，下载了anaconda，就相当于下载了python，numpy，pandas，matplotlib，scipy… 我们进入官方直接下载anaconda 2.创建虚拟环境 由于深度学习框架版本更新较快...

当我们将模型训练完毕后，往往需要将模型在生产环境中部署。最常见的方式，是在服务器上提供一个 API，即客户机向服务器的某个 API 发送特定格式的请求，服务器收到请求数据后通过模型进行计算，并返回结果。如果仅仅是做一个 Demo，不考虑高并发和性能问题，其实配合 Flask 等 Python 下的 Web 框架就能非常轻松地实现服务器 API。不过，如果是在真的实际生产环境中部署...

TensorFlow是Google开发的一个开源深度学习框架...

TensorFlow LSTM Attention 机制图解 深度学习的最新趋势是注意力机制。

本篇博文将使用TensorFlow神经网络进行股市的预测，利用数据样本学习，得到相关因素预测股票走势。

TensorFlow 2.0主要使用的是动态计算图和Autograph。 动态计算图易于调试，编码效率较高，但执行效率偏低。 静态计算图执行效率很高，但较难调试。

我推荐pytorch，虽然tensorflow从代码上看更简洁，有些功能打包的更完整，但是由于2.0版本和1.0版本差别较大，会让你在学习过程中踩很多坑，弯路真是走了不少啊。 参考资料方面...

一般用于解决过拟合的方法有增加权重的惩罚机制，比如L2正规化，但在本处我们使用tensorflow提供的dropout方法...

前言：从2015年谷歌将tensorflow开源后，这位用于深度学习的强大神器便把Caffe，Keras，Torch7等这一票人全部干掉，github上的star和fork是一路飙升，几乎是它们的总和，

下面，参考了一些资料，以我自己方便理解的思路，介绍了下Tensorflow。 目前，深度学习已经广泛应用于各个领域，比如图像识别，图形定位与检测，语音识别，机器翻译等等。

这里简单展示一下 GPU 版本的： tensorflow2.0 & tensorflow1.15 这两个版本的好处是要求的 python 版本和 cuda 版本都一样，所以不需要为这两种环境分别去安装不同版本的

文/数据侠Gasparovic TensorFlow 是世界上最受欢迎的开源机器学习框架，它具有快速、灵活并适合产品级大规模应用等特点，让每个开发者和研究者都能方便地使用人工智能来解决多样化的挑战。

现在让我们用Tensorflow实现一个具体的Input pipeline，我们使用CoCo2014作为处理对象，网上应该可以下载到CoCo训练集，train2014这个文件。

该容器中使用的模型是Resnet-18模型，该模型使用TensorFlow训练，并使用TensorRT在Jetson上优化运行。

2018年9月，作者曾就需求、使用和受欢迎程度三方面比较了所有主要的深度学习框架，其中TensorFlow是无可争议的重量级冠军，PyTorch是赢得大量口碑的后起之秀。

本次项目是基于tensorflow的宝可梦图像识别，本次数据有五组图像数据 一、导入相应的包 二、加载数据 这是一个使用Keras构建的卷积神经网络模型。

Tensorflow有两个版本：GPU和CPU版本，CPU的很好安装；GPU 版本需要 CUDA 和 cuDNN 的支持，如果你是独显+集显，那么推荐你用GPU版本的，因为GPU对矩阵运算有很好的支持，

在这段艰难的疫情期间，我们决定建立一个非常简单和基本的卷积神经网络(CNN)模型，使用TensorFlow与Keras库和OpenCV来检测人们是否佩戴口罩。