您好,欢迎光临本网站![请登录][注册会员]  

搜索资源列表

  1. tensorflow初学,一次线性函数拟合(代码)

  2. tensorflow初学,一次线性函数拟合(代码),大致训练了一个网络结构来拟合一次函数
  3. 所属分类:深度学习

  1. 用LSTM进行sin函数拟合

  2. 在tensorflow上用LSTM进行sin函数拟合,LSTM(Long Short-Term Memory)是长短期记忆网络,是一种时间递归神经网络,适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。LSTM 已经在科技领域有了多种应用。用这个简单的程序进行入门是很好的
  3. 所属分类:深度学习

    • 发布日期:2018-05-19
    • 文件大小:10kb
    • 提供者:qq_33758392
  1. 多项式拟合正弦函数

  2. 实验要求: 1. 生成数据,加入噪声; 2. 用高阶多项式函数拟合曲线; 3. 用解析解求解两种loss的最优解(无正则项和有正则项) 4. 优化方法求解最优解(梯度下降,共轭梯度); 5. 用你得到的实验数据,解释过拟合。 6. 用不同数据量,不同超参数,不同的多项式阶数,比较实验效果。 7. 语言不限,可以用matlab,python。求解解析解时可以利用现成的矩阵求逆。梯度下降,共轭梯度要求自己求梯度,迭代优化自己写。不许用现成的平台,例如pytorch,tensorflow的自动微分工
  3. 所属分类:机器学习

    • 发布日期:2018-10-14
    • 文件大小:6kb
    • 提供者:qinglingls
  1. Applied Deep Learning

  2. 使用深度学习中的高级主题,例如优化算法,超参数调整,丢失和错误分析,以及解决训练深度神经网络时遇到的典型问题的策略。您将首先研究激活函数,主要是使用单个神经元(ReLu,Sigmoid和Swish),了解如何使用TensorFlow执行线性和逻辑回归,并选择正确的成本函数。 下一节将讨论具有多个层和神经元的更复杂的神经网络架构,并探讨权重随机初始化的问题。整章专门介绍神经网络误差分析的完整概述,给出了解决来自不同分布的方差,偏差,过度拟合和数据集的问题的示例。 Applied Deep Lear
  3. 所属分类:深度学习

    • 发布日期:2018-12-26
    • 文件大小:11mb
    • 提供者:weixin_39397839
  1. 利用TensorFlow构建LSTM对多维数据进行拟合

  2. 本程序利用TensorFlow构建一个简易LSTM模型,内含对多个常见激活函数的性能的比较过程,以及本程序的运行环境。
  3. 所属分类:深度学习

    • 发布日期:2019-06-19
    • 文件大小:112mb
    • 提供者:weixin_40825517
  1. TensorFlow实现AlexNet.py

  2. AlexNet模型是Hinton的学生Alex Krizhevsky在2012年提出来的。AlexNet包含了几个比较新的技术点,也首次在CNN中成功应用了ReLU、Dropout和LRN等Trick。 AlexNet主要使用的新技术点如下: (1)成功使用ReLU作为CNN的激活函数,并验证其效果在较深的网络超过了sigmoid,解决了sigmoid在网络较深时的梯度弥散问题。 (2)训练时使用dropout随机忽略一部分神经元,以避免过拟合,主要是最后几个全连接层使用了dropout。 (3
  3. 所属分类:深度学习

  1. TensorFlow实现多层感知机.py

  2. 本代码是在TensorFlow实现softmax regression模型之后的优化,增加了一层隐含层来提高拟合度,并使用dropout减轻过拟合、自适应学习速率的Adagrad,以及可以解决梯度弥散的激活函数ReLU。 本代码按照《TensorFlow实战》码的,但是准确率并没有书上说的那么好,目前还不知道什么原因,希望大家提出建议,谢谢!
  3. 所属分类:深度学习

  1. 解决TensorFlow调用Keras库函数存在的问题

  2. tensorflow在1.4版本引入了keras,封装成库。现想将keras版本的GRU代码移植到TensorFlow中,看到TensorFlow中有Keras库,大喜,故将神经网络定义部分使用Keras的Function API方式进行定义,训练部分则使用TensorFlow来进行编写。一顿操作之后,运行,没有报错,不由得一喜。但是输出结果,发现,和预期的不一样。难道是欠拟合?故采用正弦波预测余弦来验证算法模型。 部分调用keras库代码如上图所示,用正弦波预测余弦波,出现如下现象: def
  3. 所属分类:其它

    • 发布日期:2020-12-17
    • 文件大小:137kb
    • 提供者:weixin_38620839
  1. 运用TensorFlow进行简单实现线性回归、梯度下降示例

  2. 线性回归属于监督学习,因此方法和监督学习应该是一样的,先给定一个训练集,根据这个训练集学习出一个线性函数,然后测试这个函数训练的好不好(即此函数是否足够拟合训练集数据),挑选出最好的函数(cost function最小)即可。 单变量线性回归: a) 因为是线性回归,所以学习到的函数为线性函数,即直线函数; b) 因为是单变量,因此只有一个x。 我们能够给出单变量线性回归的模型: 我们常称x为feature,h(x)为hypothesis。 上面介绍的方法中,我们肯定有一个疑问,怎样能够看
  3. 所属分类:其它

    • 发布日期:2020-12-25
    • 文件大小:607kb
    • 提供者:weixin_38715772
  1. tensorflow实现逻辑回归模型

  2. 逻辑回归模型 逻辑回归是应用非常广泛的一个分类机器学习算法,它将数据拟合到一个logit函数(或者叫做logistic函数)中,从而能够完成对事件发生的概率进行预测。 import numpy as np import tensorflow as tf import matplotlib.pyplot as plt from tensorflow.examples.tutorials.mnist import input_data #下载好的mnist数据集存在F:/mnist/data
  3. 所属分类:其它

    • 发布日期:2020-12-25
    • 文件大小:43kb
    • 提供者:weixin_38691739
  1. tensorflow建立一个简单的神经网络的方法

  2. 本笔记目的是通过tensorflow实现一个两层的神经网络。目的是实现一个二次函数的拟合。 如何添加一层网络 代码如下: def add_layer(inputs, in_size, out_size, activation_function=None): # add one more layer and return the output of this layer Weights = tf.Variable(tf.random_normal([in_size, out_size])
  3. 所属分类:其它

    • 发布日期:2020-12-25
    • 文件大小:92kb
    • 提供者:weixin_38696196
  1. Tensorflow使用支持向量机拟合线性回归

  2. 支持向量机可以用来拟合线性回归。 相同的最大间隔(maximum margin)的概念应用到线性回归拟合。代替最大化分割两类目标是,最大化分割包含大部分的数据点(x,y)。我们将用相同的iris数据集,展示用刚才的概念来进行花萼长度与花瓣宽度之间的线性拟合。 相关的损失函数类似于max(0,|yi-(Axi+b)|-ε)。ε这里,是间隔宽度的一半,这意味着如果一个数据点在该区域,则损失等于0。 # SVM Regression #------------------------------
  3. 所属分类:其它

    • 发布日期:2020-12-25
    • 文件大小:94kb
    • 提供者:weixin_38732425
  1. TensorFlow搭建神经网络最佳实践

  2. 一、TensorFLow完整样例 在MNIST数据集上,搭建一个简单神经网络结构,一个包含ReLU单元的非线性化处理的两层神经网络。在训练神经网络的时候,使用带指数衰减的学习率设置、使用正则化来避免过拟合、使用滑动平均模型来使得最终的模型更加健壮。 程序将计算神经网络前向传播的部分单独定义一个函数inference,训练部分定义一个train函数,再定义一个主函数main。 完整程序: #!/usr/bin/env python3 # -*- coding: utf-8 -*- """ Cre
  3. 所属分类:其它

    • 发布日期:2020-12-24
    • 文件大小:79kb
    • 提供者:weixin_38610070
  1. TensorFlow 实现Boston房价预测

  2. TensorFlow 实现Boston房价预测综述代码与解释关键点结语 综述 本文使用了 TensorFlow 2.0 框架,搭建了 ANN(人工神经网络),实现 Boston 房价预测。本文使用的编程工具为 jupyter notebook,完整代码可以在我的GitHub中找到,GitHub链接在此 Boston 房价预测,是一个非常经典的案例了,已有许多学者对其进行了各式各样的研究,也通过拟合各种各样的模型,对该问题做出了实现。 通过该案例,我相信你一定能进一步的学习到 TensorFlow
  3. 所属分类:其它

    • 发布日期:2020-12-22
    • 文件大小:322kb
    • 提供者:weixin_38691055
  1. 深度学习笔记(3)基于Tensorflow的多元线性回归:预测波士顿房价

  2. 问题描述 给定波士顿地区一系列地区租房的价格,然后罗列出了收集到多个因素,每个因素已经是量化好。现在给定的要求是,使用一个多元线性模型去拟合这些数据,然后用于预测。 模型 price=f(x1,x2,…,xn)=∑i=1nwixi+b price = f(x_1, x_2, …, x_n) = \sum\limits_{i=1}^{n} w_i x_i + bprice=f(x1​,x2​,…,xn​)=i=1∑n​wi​xi​+b 这里没有激活函数,所以还不到神经网络的阶段。 基于Tensor
  3. 所属分类:其它

    • 发布日期:2020-12-22
    • 文件大小:244kb
    • 提供者:weixin_38700240
  1. tensorflow keras 函数拟合完整结构

  2. 前言 借助最简单的拟合函数给大家示范一下tensorflow2.0 的完整结构 拟合函数 y=ax^2+bx+c 代码 import numpy as np import matplotlib from matplotlib import pyplot as plt import tensorflow as tf from tensorflow import keras from tensorflow.keras import layers,optimizers,losses from tens
  3. 所属分类:其它

    • 发布日期:2020-12-21
    • 文件大小:31kb
    • 提供者:weixin_38681286
  1. TensorFlow 2 学习笔记——从底层函数解析到Keras应用(小白入门)

  2. 目录TensorFlowTensorFlow 基本函数TensorFlow原生代码搭建神经网络神经网络中的名词解释学习率激活函数损失函数欠拟合与过拟合优化器更新网络参数Keras 搭建神经网络基本函数Sequential搭建神经网络Class自定义函数搭建神经网络卷积神经网络卷积计算感受野批标准化池化舍弃 TensorFlow TensorFlow 基本函数 1、tf.cast(张量名,dtype = 数据类型):强制tensor转换为该数据类型; 2、tf.reduce_min(张量名):计算
  3. 所属分类:其它

    • 发布日期:2020-12-21
    • 文件大小:132kb
    • 提供者:weixin_38675232
  1. TensorFlow 2 学习笔记——从底层函数解析到Keras应用(小白入门)

  2. 目录TensorFlowTensorFlow 基本函数TensorFlow原生代码搭建神经网络神经网络中的名词解释学习率激活函数损失函数欠拟合与过拟合优化器更新网络参数Keras 搭建神经网络基本函数Sequential搭建神经网络Class自定义函数搭建神经网络卷积神经网络卷积计算感受野批标准化池化舍弃 TensorFlow TensorFlow 基本函数 1、tf.cast(张量名,dtype = 数据类型):强制tensor转换为该数据类型; 2、tf.reduce_min(张量名):计算
  3. 所属分类:其它

    • 发布日期:2020-12-21
    • 文件大小:132kb
    • 提供者:weixin_38612304
  1. 机器学习实战:TensorFlow构建线性回归模型

  2. 在本章中,开始使用简单模型:线性回归来探索 TensorFlow 编程。基于这个例子,我将介绍一些代码基础知识,以及,如何调用学习过程中的各种重要组件,如函数函数或算法梯度下降。 变量之间的关系模型 线性回归是一种用于衡量变量之间关系的统计技术。它的有趣之处在于实现它的算法在概念上不复杂,并且还可以适应各种各样的情况。由于这些原因,我发现用线性回归的例子开始深入研究 TensorFlow 很有意思。 请记住,在两个变量(简单回归)和两个以上变量(多元回归)的情况下,线性回归拟合因变量和自变量之间
  3. 所属分类:其它

    • 发布日期:2020-12-21
    • 文件大小:67kb
    • 提供者:weixin_38520258
  1. TensorFlow实现MLP多层感知机模型

  2. 一、多层感知机简介 Softmax回归可以算是多分类问题logistic回归,它和神经网络的最大区别是没有隐含层。理论上只要隐含节点足够多,即时只有一个隐含层的神经网络也可以拟合任意函数,同时隐含层越多,越容易拟合复杂结构。为了拟合复杂函数需要的隐含节点的数目,基本上随着隐含层的数量增多呈指数下降的趋势,也就是说层数越多,神经网络所需要的隐含节点可以越少。层数越深,概念越抽象,需要背诵的知识点就越少。在实际应用中,深层神经网络会遇到许多困难,如过拟合、参数调试、梯度弥散等。 过拟合是机器学习中的
  3. 所属分类:其它

    • 发布日期:2021-01-20
    • 文件大小:88kb
    • 提供者:weixin_38716590
« 12 »