5-6 评估指标metrics 损失函数除了作为模型训练时候的优化目标，也能够作为模型好坏的一种评价指标。但通常人们还会从其它角度评估模型的好坏。 这就是评估指标。通常损失函数都可以作为评估指标，如MAE, MSE, CategoricalCrossentropy等也是常用的评估指标。 但评估指标不一定可以
根据身高推测体重 const $ = require('jquery');const tf = require('@tensorflow/tfjs');const tfvis = require('@tensorflow/tfjs-vis'); /* 根据身高推测体重 */ //把数据处理成符合模型要求的格式function getData() { //学习数据 const heights = [150, 151, 160, 161, 16
https://blog.csdn.net/To_be_little/article/details/124438800 目录1、查看GPU的数量2、设置GPU加速3、单GPU模拟多GPU环境1、查看GPU的数量import tensorflow as tf# 查看gpu和cpu的数量gpus = tf.config.experimental.list_physical_devices(device_type='GPU')cpus = tf.c
张量 01 张量的形状 import tensorflow as tf a=tf.constant(4) # 标量a print(a) tf.Tensor(4, shape=(), dtype=int32) b=tf.constant([2.0,3.0,4]) # 向量 print(b) tf.Tensor([2. 3. 4.], shape=(3,), dtype=float32) c=tf.constant([[1,2],[3,4]]) # 2个轴，类比与单通道
在超球面上通过对齐和一致实现理解对比表示学习 —— 论文阅读笔记 两个对比损失最关键的要素： 正例对特征的对齐（就是找最接近的正例对）。 超球面特征分布的均匀分布（可以保存最多的信息 torch 版本代码： # bsz : batch size (number of positive pairs) # d : latent dim # x : Te
https://blog.csdn.net/Sabrina_cc/article/details/106039240 一、题目要求1.三个js文件，分别完成：网络训练以及模型保存、模型加载及准确率测试、在线手写数字识别； 2.模型测试准确率要高于99.3%（尽量）； 3.在线手写数字识别需要能够通过鼠标在画布中写入0~9数字，并进行实时识别，按空
5-5损失函数losses 一般来说，监督学习的目标函数由损失函数和正则化项组成。（Objective = Loss + Regularization） 对于keras模型，目标函数中的正则化项一般在各层中指定，例如使用Dense的 kernel_regularizer 和 bias_regularizer等参数指定权重使用l1或者l2正则化项，此外还可以用kerne
查看GPU占用率以及指定GPU加速程序 GPU占用率查看： 方法一：任务管理器 如图，GPU0和GPU1的占用率如下显示。 方法二：GPU-Z软件 下面两个GPU，上面是GPU0，下面是GPU1 sensors会话框里的GPU Load就是占用率 大家可以查看GPU0和GPU1的使用与否和使用率 方法三：终端
4-5AutoGraph和tf.Module 有三种计算图的构建方式：静态计算图，动态计算图，以及Autograph。 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。 Autograph机制可以将动态图转换成静态计算图，兼
4-4AutoGraph的机制原理 有三种计算图的构建方式：静态计算图，动态计算图，以及Autograph。 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。 Autograph机制可以将动态图转换成静态计算图，兼
External-Attention-tensorflow（点击查看代码）
在新的Tensorflow 2.0版本中已经移除了Session这一模块。 tf.compat.v1.Session() 就可以获得与原先相同的输出信息。 其他类似的报错也可使用这种方法：'placeholder'，tf.compat.v1.placeholder() 。 也可以将Tensorflow的版本降低，用pip安装 pip install tensorflow==1.14。
External-Attention-tensorflow 1. Residual Attention Usage 1.1. Paper Residual Attention: A Simple but Effective Method for Multi-Label Recognition---ICCV2021 1.2 Overview 1.3. UsageCode from attention.ResidualAttention import ResidualAttention import ten
用户态和内核态（也称用户模式和内核模式）： 它们是 CPU 运行的两种状态。根据 lab3 的说明，在 MOS 操作系统实验使用的仿真 R3000 CPU 中，该状态由 CP0 SR 寄存器中 KUc 位的值标志。 syscall_* 的函数是我们在用户空间中最接近的内核的也是最原子的函数，而 sys_* 的函数是内核中系统调用
TF卡(小SD卡)的一个读入器 (类似于读卡器，把TF卡插进去就和大SD卡一样) 上面有一个开关，那个开关有个lock 的标识(对比下面两图) 之前一直没弄清楚那个有什么用 今天在电脑上面用这个卡的时候发现是只读的， 然后突然想起来之前玩过这个开关，就试了一下， 没想到真是它把TF卡读入权限
在处理大规模数据时，数据无法全部载入内存，我们通常用两个选项 使用tfrecords 使用 tf.data.Dataset.from_generator() tfrecords的并行化使用前文已经有过介绍，这里不再赘述。如果我们不想生成tfrecord中间文件，那么生成器就是你所需要的。 本文主要记录针对 from_generator()的并
0 新项目 谷歌driver里面新建Colab文件，如下图所示： 如何设置GPU？ 选择diam执行程序->更改运行时类型为GPU 1.验证GPU 查看是否为GPU设备 import tensorflow as tf tf.test.gpu_device_name() # 查看设备名字 查看显卡情况 !/opt/bin/nvidia-smi # 查看显卡情况 输出： 至此为止
加法进位实验 本题为填空题，填入内容： def call(self, num1, num2): num1_emb = self.embed_layer(num1) # shape(b_sz, len, emb_sz) num2_emb = self.embed_layer(num2) # shape(b_sz, len, emb_sz) inp_emb = tf.concat([num1_emb, num2_emb], axis=-1) rnn_out = self.rnn_layer
记得最早接触的编程语言是大一那会的C语言，明明是为了单片机打基础，却没想到误打误撞的点亮了用python混毕设的技能树。当然，这一切都怪我叔在我大二放暑假那会怂恿我用树莓pi做毕设，当初看着那块小小的卡片机能当电脑用就觉得很神奇，后面想想似乎当办公电脑来用的话跟手机区别不大，外接
一.caffe 1.1定义 Caffe 是以 C++/CUDA 代码为主，最早的深度学习框架之一，比 TensorFlow、Mxnet、Pytorch 等都更早，支持命令行、Python 和 Matlab 接口，单机多卡、多机多卡等都可以很方便的使用，CPU 和 GPU 之间无缝切换。对于入门级别的任务，如图像分类，Caffe 上手的成本最低，几乎不需要
import tensorflow.compat.v1 as tf # from tensorflow.examples.tutorials.mnist import input_data import os import pandas as pd import numpy as np from tensorflow.python.keras.utils import to_categorical os.environ['TF_CPP_MIN_LOG_LEVEL'] = '
本篇介绍文档检索排序算法：TF-IDF、BM25及其扩展。 TF-IDF TF-IDF 来源于一个最经典、也是最古老的信息检索模型，即“向量空间模型”（Vector Space Model）。向量空间模型就是希望把查询关键字和文档都表达成向量，然后利用向量之间的运算（点积或余弦相似度等）来进一步表达向量间的关系。
背景： 我在若干年前，在看一个类似于坦克大战的游戏的时候， 看到了其内部使用了 tf lite 的机器学习库，那个时候，我就对它有点兴趣， 后来由于工作原因，代码忘记了， 直到最近，想做点东西，想把这玩意拿回来，继续搞，开始，我自己编译一套库吧。 这里我只编 _c 的项目，因为我需要用它。 预先安装
本章介绍如何利用TF中的Module和Layer构建模型Model。 Model在TF中的定义： 可以用来计算Tensor的函数（前向传递） 含有一些可以用于训练的变量 Module 大多数模型可以视为Layer的集合，在TensorFlow中常用的Keras和Sonnet，都基于tf.Module，这样一个模型构建基类。 下面是一个简单的Modul
最近Tensorflow相继推出了alpha和beta两个版本，这两个都属于tensorflow2.0版本；早听说新版做了很大的革新，今天就来用一下看看 这里还是使用MNSIT数据集进行测试 导入必要的库 import tensorflow as tf from tensorflow.keras import datasets, layers, optimizers, Sequential, me
