2019年5月23日22点32分，记录我在ubuntu下安装tensorflowgpu的一个心得，本人菜鸡，踏坑无数，就这个坑把我折磨的电脑系统换了2遍。关于linux、cuda、cudnn、tensorflow-gpu的安装网上一大堆，照着来没问题我的笔记本GTX960m,Ubuntu16.04，cuda9.0cudnn7.0.5tensorflow-gpu=1.5安装成功

1.程序报错：feed的值不能是一个tensor，只能是标量、字符串、列表、数组等，所以不能用tf.reshape,应该使用np.reshape。withtf.Session()assess:tf.global_variables_initializer().run()v_x=tf.reshape(mnist.validation.images,[mnist.validation

padding步长卷积卷积核（也称“滤波器”，filter）featuremap归一化算法：x=(x-Min)/(Max-Min);归一化之后可以保证每一个x都在[0，1]的区间内。网络结构主要包括卷积层、池化层。细节：滤波器、步长、卷积操作、池化操作等。网络结构描述：对于一幅图片一般会使用多个卷积核（滤波器），将

想使用cifar10数据集进行分布式训练。目前遇到一些问题。tensorflow高级版本的models库是不自带的，需要自己弄的。我们可以1.安装models库直接cd到tensorflow所在目录下进行clone，由于我是使用Anaconda进行安装的，所以tensorflow目录在~/anaconda3/lib/python3.6/site-pack

我有一个TensorFlow模型来测试一个宽n深度的神经网络,但由于TensorFlow库中的一个错误,我无法让它在我的Windows机器上运行.现在我不得不诉诸谷歌云平台.我在python文件处理输入的地方设置了所有内容,但是当我通过控制台运行代码时,我收到以下消息：$python-mwidendeep.py-hWt

 反向传播,个人理解就是反馈，来减少输入和输出直接的差值学习内容来自：慕课APP中人工智能实践-Tensorflow笔记；北京大学曹健老师的课程 

制作自己的数据集（使用tfrecords）为什么采用这个格式？ TFRecords文件格式在图像识别中有很好的使用,其可以将二进制数据和标签数据(训练的类别标签)数据存储在同一个文件中,它可以在模型进行训练之前通过预处理步骤将图像转换为TFRecords格式,此格式最大的优点实践每幅输入图像和

                                             前言上月导师在组会上交我们用tensorflow写深度学习和卷积神经网络，并把其PPT的参考学习资料给了我们，这是codelabs上的教程：《TensorFlowanddeeplearning,withoutaPhD

目录1简介在本节中，我们将学习如何使用卷积神经网络，并使用更大的数据集，这有助于避免过度拟合的问题！2使用更大的数据集进行训练-猫和狗在之前的实验中，训练了一个马与人类数据的分类器。尽管在训练集上获得了很好的训练结果，但是当我们尝试用真实图像进行分类时，存在许多错

在下面的python代码中,为什么通过numpy进行乘法的时间远小于viatensorflow？importtensorflowastfimportnumpyasnpimporttimesize=10000x=tf.placeholder(tf.float32,shape=(size,size))y=tf.matmul(x,x)withtf.Session()assess:rand_array=np.rando

转自：http://www.terrylmay.com/2017/06/generate-one-hot-data/使用tensorflowapi生成one-hot标签数据在刚开始学习tensorflow的时候,会有一个最简单的手写字符识别的程序供新手开始学习,在tensorflow.example.tutorial.mnist中已经定义好了mnist的训练数据以及测试数据.并且

当我们在大型的数据集上面进行深度学习的训练时，往往需要大量的运行资源，而且还要花费大量时间才能完成训练。1.分布式TensorFlow的角色与原理在分布式的TensorFlow中的角色分配如下：PS：作为分布式训练的服务端，等待各个终端(supervisors)来连接。worker：在TensorFlow的代码注释中被

defconvolutional(input_data,filters_shape,trainable,name,downsample=False,activate=True,bn=True):#卷积层名称withtf.variable_scope(name):#如果需要下采样ifdownsample:pad_h,pad_w=(filters_shape[0]-2)//2+1,(fil

1.创建图在tensorflow中，一个程序默认是建立一个图的，除了系统自动建立图以外，我们还可以手动建立图，并做一些其他的操作。下面我们使用tf.Graph函数建立图，使用tf.get_default_graph函数来获取图，使用reset_default_graph对图进行重置。importtensorflowastfimportnumpyasnpc

一次训练旷日持久,所以我们需要必要的日志,在若干批次训练后,将当前的loss,验证集上的accuracy等信息记录下来.常用类tf.logging.set_verbosity(tf.logging.INFO) 设计日志级别.tf.logging.info(msg,*args,**kwargs) 记录INFO级别的日志.args是配合msg中的

自编码器是一种数据压缩算法，其中数据的压缩和解压缩函数是数据相关的、从样本中训练而来的。大部分自编码器中，压缩和解压缩的函数是通过神经网络实现的。 1.使用卷积神经网络搭建自编码器 导入MNIST数据集（灰度图，像素范围0~1）importnumpyasnpimporttensorflowastf