1.nvidia 驱动a.卸载系统里低版本的英伟达驱动sudo apt-get purge nvidia*b.把显卡驱动加入PPAsudo add-apt-repository ppa:graphics-driverssudo apt-get update

在使用深度学习对图像进行训练时，对图像进行随机旋转有助于提升模型泛化能力。然而之前在做旋转等预处理工作时，都是先对图像进行旋转后保存到本地，然后再输入模型进行训练，这样的过程会增加工作量，如果图片数量较多，生成旋转的图像会占用更多的空间。直接在训练过程中便

多元线性回归问题求解使用的数据集是经典的boston房价数据。一共506个数据，后面56个数据我将其划了出来作为测试集。比较的简单，主要是学习步骤与算法。该数据集每一个样本包括12个特征变量和该地区的平均房价。# 选取测试集的第36个数据测试，也可以选择其

手写识别较为简单的版本应该是只用FC，这样参考这篇博客.#产生截断正态分布随机数，取值范围为 [ mean - 2 * stddev, mean + 2 * stddev ]. #a.get_shape()中a的数据类型只能是tensor，且返回的是一个元

如果我们想在windows系统上安装GPU版本的AI框架，比如GPU版本的tesnorflow，通常我们会看到类似下面的安装教程。下载的cuDNN时候需要注册，而且因为cuDNN文件在外网，下载速度很慢。比如对于windows系统而言，显卡驱动的版本决定了

之前没有学过tensorflow，所以使用tensorflow来对mnist数据进行识别，采用最简单的全连接神经网络，第一层是784,（输入层）,隐含层是256，输出层是10. ，相关注释卸载程序中。plt.imshow#tensorflow中的数据是将图

是离均差平方的算术平均数的平方根，用σ表示。在概率统计中最常使用作为统计分布程度上的测量。标准差是方差的算术平方根。平均数相同的两组数据，标准差未必相同。

# 将矩阵随机划分训练集和测试集 ,,,if XX is not None and YY is not None and preds is not None:. self.weights 61 = weights if weigh

一个数据占位符，用于在构建一个算法时留出一个位置，然后在run时填入数据。对于无状态节点，其输出由输入张量和节点操作共同确定，对于有状态节点。如存储节点，其输出还会受到节点内部保存的状态值影响。交互式会话，为用户提供类似shell的交互式编程环境，交互式会

TensorFlow主要分为计算模型、数据模型和运行模型.TensorFlow中的计算可以表示为一个有向图,或称为计算图，其中每一个运算操作将作为一个节点，节点与节点之间的连接称为边。张量是TensorFlow管理数据的形式，从功能的角度看，张量就是一个多

经过多次安装测试，目前win10使用python3.5.4能够成功安装使用TensorFlow。

AttributeError: module ‘tensorflow‘ has no attribute ‘contrib‘。The TensorFlow contrib module will not be included in TensorFlow

从百度图片下载一些图片当做训练集，好久没写爬虫，生疏了。没有任何反爬，随便抓。动态加载，往下划会出现更多的图片，一次大概30个。先找到保存每一张图片的json，其对应的url：。打开调试，清空，然后往下划。点击左侧的链接，出现右边的详细信息，对应的就是UR

# 使用初始化器 initializer op 的 run() 方法初始化 ‘x‘。# 增加一个减法 multiply op, 从 ‘x‘ 乘 ‘a‘. 运行减法 op, 输出结果

如果没有指定张量打形状，你可。# 定义矩阵乘法运算

TensorFlow深度学习基础与应用实战高清视频教程，适合Python C++ C#视觉应用开发者，基于TensorFlow深度学习框架，讲解TensorFlow基础、图像分类、目标检测训练与测试以及后期在C++和C#的应用。

tensorflow中矩阵可以和矢量相加，

很多同学入门机器学习之后，直接用TensorFlow调包实现神经网络，对于神经网络内在机理知之甚少。编程语言与技术框架变化更新非常之快，理解背后的原理才是王道。下面文摘菌和大家一起用Numpy实现一步一步实现神经网络。此篇文章旨在帮大家梳理神经网络知识点，

作为最为流行的深度学习资源库，TensorFlow 是帮助深度学习新方法走向实现的强大工具。它为大多数深度学习领域中使用的常用语言提供了大量应用程序接口。对于开发者和研究人员来说，在开启新的项目前首先面临的问题是：如何构建一个简单明了的结构，本文或许可以为

完成后，我可以在屏幕上获得骰子的总值。在这种情况下，第一阶段物体检测器可以学习单独地与每种类型的骰子来识别骰子面部。新的对象检测模型具有单个类“dice_top”，这些框被传递到后端ResNet模型进行分类。