1。1TensorFlow介绍 深度学习框架TensorFlow一经发布，就受到了广泛的关注，并在计算机视觉、音频处理、推荐系统和自然语言处理等场景下都被大面积推广使用，现在已发布2。3。0版本，接下来我们深入浅出的介绍Tensorflow的相关应用。 TensorFlow的依赖视图如下所示： TF托管在github平台，有googlegroups和contributors共同维护。TF提供了丰富的深度学习相关的API，支持Python和CC接口。TF提供了可视化分析工具Tensorboard，方便分析和调整模型。TF支持Linux平台，Windows平台，Mac平台，甚至手机移动设备等各种平台。 TensorFlow2。0将专注于简单性和易用性，工作流程如下所示： 1、使用tf。data加载数据。使用tf。data实例化读取训练数据和测试数据 2、模型的建立与调试：使用动态图模式EagerExecution和著名的神经网络高层API框架Keras，结合可视化工具TensorBoard，简易、快速地建立和调试模型； 3、模型的训练：支持CPU单GPU单机多卡GPU多机集群TPU训练模型，充分利用海量数据和计算资源进行高效训练； 4、预训练模型调用：通过TensorFlowHub，可以方便地调用预训练完毕的已有成熟模型。 5、模型的部署：通过TensorFlowServing、TensorFlowLite、TensorFlow。js等组件，可以将TensorFlow模型部署到服务器、移动端、嵌入式端等多种使用场景；1。2TensorFlow的安装 安装TensorFlow在64位系统上测试这些系统支持TensorFlow：Ubuntu16。04或更高版本Windows7或更高版本macOS10。12。6（Sierra）或更高版本（不支持GPU） 进入虚拟环境当中再安装。推荐使用anoconda进行安装1、非GPU版本安装 ubuntu安装pipinstalltensorflow2。3。0ihttps：pypi。tuna。tsinghua。edu。cnsimple2、GPU版本安装pipinstalltensorflowgpu2。3。0ihttps：pypi。tuna。tsinghua。edu。cnsimple 注：如果需要下载GPU版本的（TensorFlow只提供windows和linux版本的，没有Macos版本的）。1。3张量及其操作1。3。1张量Tensor 张量是一个多维数组。与NumPyndarray对象类似，tf。Tensor对象也具有数据类型和形状。如下图所示： 此外，tf。Tensors可以保留在GPU中。TensorFlow提供了丰富的操作库（tf。add，tf。matmul，tf。linalg。inv等），它们使用和生成tf。Tensor。在进行张量操作之前先导入相应的工具包：importtensorflowastfimportnumpyasnp1。基本方法 首先让我们创建基础的张量：创建int32类型的0维张量，即标量rank0tensortf。constant（4）print（rank0tensor）创建float32类型的1维张量rank1tensortf。constant（〔2。0，3。0，4。0〕）print（rank1tensor）创建float16类型的二维张量rank2tensortf。constant（〔〔1，2〕，〔3，4〕，〔5，6〕〕，dtypetf。float16）print（rank2tensor） 输出结果为：tf。Tensor（4，shape（），dtypeint32）tf。Tensor（〔2。3。4。〕，shape（3，），dtypefloat32）tf。Tensor（〔〔1。2。〕〔3。4。〕〔5。6。〕〕，shape（3，2），dtypefloat16） 我们也可以创建更高维的张量：创建float32类型的张量rank3tensortf。constant（〔〔〔0，1，2，3，4〕，〔5，6，7，8，9〕〕，〔〔10，11，12，13，14〕，〔15，16，17，18，19〕〕，〔〔20，21，22，23，24〕，〔25，26，27，28，29〕〕，〕）print（rank3tensor） 该输出结果我们有更多的方式将其展示出来： 2。转换成numpy 我们可将张量转换为numpy中的ndarray的形式，转换方法有两种，以张量rank2tensor为例：np。arraynp。array（rank2tensor）Tensor。numpy（）rank2tensor。numpy（）3。常用函数 我们可以对张量做一些基本的数学运算，包括加法、元素乘法和矩阵乘法等：定义张量a和batf。constant（〔〔1，2〕，〔3，4〕〕）btf。constant（〔〔1，1〕，〔1，1〕〕）print（tf。add（a，b），）计算张量的和print（tf。multiply（a，b），）计算张量的元素乘法print（tf。matmul（a，b），）计算乘法 输出结果为：tf。Tensor（〔〔23〕〔45〕〕，shape（2，2），dtypeint32）tf。Tensor（〔〔12〕〔34〕〕，shape（2，2），dtypeint32）tf。Tensor（〔〔33〕〔77〕〕，shape（2，2），dtypeint32） 另外张量也可用于各种聚合运算：tf。reducesum（）求和tf。reducemean（）平均值tf。reducemax（）最大值tf。reducemin（）最小值tf。argmax（）最大值的索引tf。argmin（）最小值的索引 例如：ctf。constant（〔〔4。0，5。0〕，〔10。0，1。0〕〕）最大值print（tf。reducemax（c））最大值索引print（tf。argmax（c））计算均值print（tf。reducemean（c）） 输出为：tf。Tensor（10。0，shape（），dtypefloat32）tf。Tensor（〔10〕，shape（2，），dtypeint64）tf。Tensor（5。0，shape（），dtypefloat32）4。变量 变量是一种特殊的张量，形状是不可变，但可以更改其中的参数。定义时的方法是：myvariabletf。Variable（〔〔1。0，2。0〕，〔3。0，4。0〕〕） 我们也可以获取它的形状，类型及转换为ndarray：print（Shape：，myvariable。shape）print（DType：，myvariable。dtype）print（AsNumPy：，myvariable。numpy） 输出为：Shape：（2，2）DType：dtype：float32AsNumPy：boundmethodBaseResourceVariable。numpyoftf。VariableVariable：0shape（2，2）dtypefloat32，numpyarray（〔〔1。，2。〕，〔3。，4。〕〕，dtypefloat32）1。4tf。keras介绍 tf。keras是TensorFlow2。0的高阶API接口，为TensorFlow的代码提供了新的风格和设计模式，大大提升了TF代码的简洁性和复用性，官方也推荐使用tf。keras来进行模型设计和开发。 1。4。1常用模块 tf。keras中常用模块如下表所示： 模块 概述 activations 激活函数 applications 预训练网络模块 Callbacks 在模型训练期间被调用 datasets tf。keras数据集模块，包括bostonhousing，cifar10，fashionmnist，imdb，mnist layers Keras层API losses 各种损失函数 metircs 各种评价指标 models 模型创建模块，以及与模型相关的API optimizers 优化方法 preprocessing Keras数据的预处理模块 regularizers 正则化，L1，L2等 utils 辅助功能实现1。4。2常用方法 深度学习实现的主要流程：1。数据获取，2，数据处理，3。模型创建与训练，4模型测试与评估，5。模型预测 1。导入tf。keras 使用tf。keras，首先需要在代码开始时导入tf。kerasimporttensorflowastffromtensorflowimportkeras2。数据输入 对于小的数据集，可以直接使用numpy格式的数据进行训练、评估模型，对于大型数据集或者要进行跨设备训练时使用tf。data。datasets来进行数据输入。3。模型构建简单模型使用Sequential进行构建复杂模型使用函数式编程来构建自定义layers4。训练与评估配置训练过程：配置优化方法，损失函数和评价指标model。compile（optimizertf。train。AdamOptimizer（0。001），losscategoricalcrossentropy，metrics〔accuracy〕）模型训练指明训练数据集，训练epoch，批次大小和验证集数据model。fitfitgenerator（dataset，epochs10，batchsize3，validationdatavaldataset，）模型评估指明评估数据集和批次大小model。evaluate（x，y，batchsize32）模型预测对新的样本进行预测model。predict（x，batchsize32）5。回调函数（callbacks） 回调函数用在模型训练过程中，来控制模型训练行为，可以自定义回调函数，也可使用tf。keras。callbacks内置的callback： ModelCheckpoint：定期保存checkpoints。LearningRateScheduler：动态改变学习速率。EarlyStopping：当验证集上的性能不再提高时，终止训练。TensorBoard：使用TensorBoard监测模型的状态。6。模型的保存和恢复只保存参数只保存模型的权重model。saveweights（。mymodel）加载模型的权重model。loadweights（mymodel）保存整个模型保存模型架构与权重在h5文件中model。save（mymodel。h5）加载模型：包括架构和对应的权重modelkeras。models。loadmodel（mymodel。h5） 总结了解Tensorflow2。0框架的用途及流程1。使用tf。data加载数据2、模型的建立与调试3、模型的训练4、预训练模型调用5、模型的部署知道tf2。0的张量及其操作张量是多维数组。1、创建方法：tf。constant（）2、转换为numpy：np。array（）或tensor。asnumpy（）3、常用函数：加法，乘法，及各种聚合运算4、变量：tf。Variable（）知道tf。keras中的相关模块及常用方法常用模块：models，losses，application等常用方法：1、导入tf。keras2、数据输入3、模型构建4、训练与评估5、回调函数6、模型的保存与恢复 人工智能学习路线图最全自学路线 人工智能开发人工智能工程师AI人工智能
一次补缴4。5万9万，养老金能领多少？已缴费年限还能补缴吗？我国目前有两类养老保险，一类是企业职工养老保险，一类是城乡居民养老保险。企业职工养老保险参保人主要是企业职工和灵活就业人员。城乡居民养老保险覆盖人群比较广，可以笼统地称为……运动员的赛场，音乐人的舞台王晓岭（著名词作家）运动员的赛场，音乐人的舞台光明日报记者郭超卢重光绘体育盛会离不开音乐的点缀、助兴。多年以后，一届成功的体育盛会，留在人们脑海中的，除……伊丽莎白二世女王的二十五件旷世珠宝女王伊丽莎白二世的皇冠和珠宝吸引了全球的目光。这位世界上拍照最多的女君主拥有令人难以置信的私人珠宝收藏。其中有25件令人印象深刻的珠宝。1。加冕和皇冠宝石19……起名字很重要，为何很多历史名人的名字里有不吉利的病字？众所周知，古人对传统文化是非常重视的，这里面也包含了请名字这项非常重要的事情。从古至今，一个人的名字是要伴随其一生的，名字的好坏是承接此人的命运，非同小可。因此各家在为新生儿起……那么多祛痘膏产品，究竟哪个适合你？痤疮痤疮，俗称痘痘，青春期好发，但任何年纪均可发生，并不是青春期特有。它是累及毛囊皮脂腺单位的一种慢性炎症性皮肤病。高温高湿的环境会导致痤疮加重，甚至会诱发痤疮。外……4中3中国小将冲击NBA屡传喜报2米21国产中锋能否搭上末班前不久的NBA选秀大会上，几位报名参选的中国球员全部落选，不过在之后包括郭昊文、曾凡博相继和NBA球队进行了夏季联赛的签约，也让大家终于可以在这个夏天去关注到有中国球员的NBA……拿过不合格绩效，也创造出世界顶级开源项目专访OpenRest章亦春可以说是一个跟网红绝缘的人，用他自己的话来说，他是一个追求light而不是heat的人。网络上能搜索到的对章亦春本人的采访文章屈指可数，他的名字更多出现在其他人的采访文章……李嫣和4个月的妹妹同框，身高已经超过全家人，气质优雅像模特7月25日，在北京的媒体拍摄到了李嫣和李亚鹏的家人。李嫣和奶奶走在前面，然后海哈金喜则和佣人抱着孩子走在后面。已经很久没有露面的李嫣明显身高已经疯狂上涨不少，和奶奶站在一……翻车！拉胯了！六犯离场怒砸板凳！NBA首发，就这？休赛期期间，除了自由市场的交易新闻外，大部分球员都在这段时间有自己的打算，放松的放松，加练的加练，而有的为了保持状态，直接参加了德鲁联赛。对于德鲁联赛，在很多球迷眼里，可……倪萍瘦了之后好美，素颜出镜系丝巾好优雅，这才是60岁该有的模一提到非常优雅的单品，大家第一时间想到的就是连衣裙，但是提到优雅的配饰，却很少有人能够想到丝巾。丝巾是很多女性不敢去尝试的一款配饰，因为它拥有着非常两极化的评论，有人觉得丝巾老……徕卡创百年来历史最好收入徕卡官方公开了20212022年度财报，报告中显示收入增长达16，总盈利为4。5亿欧元，约合人民币30。35亿元。这一数据创造了品牌诞生百年以来的最佳成绩。报告中还提到了……9。6万种外观，令人赞不绝口的模块化设计魔尼悉比头戴式耳机模块化是什么呢？好像乐高或者积木，那么简单却不满足于简单，不同的组合创造出新的世界，模块化设计理念可以说是一种万金油一样的存在。当然，不得不说这是一个令人赞不绝口的设计方法，毕……