一. valid卷积的梯度 我们分两种不同的情况讨论valid卷积的梯度：第一种情况，在已知卷积核的情况下，对未知张量求导(即对张量中每一个变量求导)；第二种情况，在已知张量的情况下，对未知卷积核求导(即对卷积核中每一个变量求导) 1.已知卷积核，对未知张量求导 我们用一个简单的例子理解valid卷积的梯度反向传播。假设有一个3×3的未知张量x，以及已知的2×2的卷积核K Tensorflow提供函数tf.nn.conv2d_backprop_input实现了valid卷积中对未知变量的求导，以

1. 函数求一阶导 import tensorflow as tf tf.enable_eager_execution() tfe=tf.contrib.eager from math import pi def f(x): return tf.square(tf.sin(x)) assert f(pi/2).numpy()==1.0 sess=tf.Session() grad_f=tfe.gradients_function(f) print(grad_f(np.zeros(1))[0

继续接着上一篇来看： import matplotlib as mpl import matplotlib.pyplot as plt %matplotlib inline import numpy as np import sklearn import pandas as pd import os import sys import time import tensorflow as tf from tensorflow import keras print(tf.__version__)

上一篇文章中使用高级抽象的API tf.keras搭建模型， 本篇则介绍基础的API来方便大家更加灵活的定义和使用模型 内容包括tensorflow基础数据类型、自定义模型和损失函数、 自定义求导、tf.function、图结构等以及其在图像分类、房价预测上的实现。 import matplotlib as mpl import matplotlib.pyplot as plt %matplotlib inline import numpy as np import sklearn impor