TensorFlow

TensorFlow是一个由Google开发的开源机器学习库，用于数据流编程。它允许开发者构建和训练复杂的深度学习模型，以解决各种问题。自从2015年发布以来，TensorFlow已经成为深度学习领域最受欢迎的框架之一，广泛应用于计算机视觉、自然语言处理、声音识别、时间序列分析等领域。

核心概念

TensorFlow的名字来源于其处理的核心数据结构“张量”（Tensors），它是一个多维数组或列表

概要

当我们开始学习编程的时候，第一件事往往是学习打印"Hello World"。就好比编程入门有Hello World，机器学习入门有MNIST。

MNIST是一个入门级的计算机视觉数据集，它包含各种手写数字图片

它也包含每一张图片对应的标签，告诉我们这个是数字几。比如，上面这四张图片的标签分别是5，0，4，1。

在此教程中，我们将训练一个机器学习模型用于预测图片里面的数字。我们的目的不是要设计一个世界一流的复杂模型 -- 尽管我们会在之后给你源代码去实现一流的预测模型 -- 而是要介绍下如何使用TensorFlow。所以，我们这里会从一个很简单的数学模型开始，它叫做Soft

构建一个多层卷积网络 CNN

在MNIST上只有91%正确率，实在太糟糕。在这个小节里，我们用一个稍微复杂的模型：卷积神经网络来改善效果。这会达到大概99.2%的准确率。虽然不是最高，但是还是比较让人满意。

卷积层

卷积层（Convolutional layer），卷积神经网路中每层卷积层由若干卷积单元组成，每个卷积单元的参数都是通过反向传播算法优化得到的。卷积运算的目的是提取输入的不同特征，第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级，更多层的网络能从低级特征中迭代提取更复杂的特征。

线性整流层

线性整流层（Rectified Linea

TensorFlow

Google 2015年11月开源的人工智能系统 数据流（flow）图技术来进行数值计算

节点：数据 / 值运算 边：多维数据（tensors - 张量，python numpy ndarray）的流动

步骤及元素

构建图：将计算流程表示成图 执行图：通过Sessions来执行图计算 Tensor：将数据表示为tensors Variables：使用Variables来保持状态信息 Feed/Fetch：分别使用feeds和fetches来填充数据和抓取任意的操作结果

构建图

构建图的第一步, 是创建源 op (source op).

遇到错误 "module 'tensorflow' has no attribute 'config'" 时，通常与 TensorFlow 的版本或安装有关。

在 TensorFlow 2.x 中，tf.config 是一个有效的子模块，用于配置硬件设备、执行环境等。

如果你使用的是 TensorFlow 1.x，那么你不会找到 config 子模块，因为它是 TensorFlow 2.x 中新引入的。

解决方案参考

1.确认 TensorFlow 版本

2.如果使用的是 TensorFlow 1.x

3.如果已经是 TensorFlow 2.x

4.考

如何固化由tensorflow.keras.models创建的CNN模型到实盘?

\

谢谢

# Python 代码入口函数，input_1/2/3 对应三个输入端，data_1/2/3 对应三个输出端
def bigquant_run(input_1, input_2, input_3):
    # 示例代码如下。在这里编写您的代码
    import tensorflow as tf
    print(tf.__version__)

    import torch
    ##print(pytorch.__version__)
    df = pd.DataFrame({'data': [1, 2, 3]})
    dat

在导入tensorflow时numpy出现报错，tensorflow版本是2.13.0，numpy版本是1.24.3。

\

Fine-Tuning Existing Models

微调存在的模型

Brief Recap on Restoring Variables from a Checkpoint

简单概述一下从Checkponit中加载变量

After a model has been trained, it can be restored usingtf.train.Saver()which restoresVariablesfrom a given checkpoint. For many cases,tf.train.Saver()provides a simple mec

写在前面：读TensorFlow的这篇官网教程，给了我很大的帮助，该教程对seq2seq模型在理论上和代码实现上都有简要介绍。感觉有必要翻译一下做个记录，文章很长，不会做到一字一句的翻译，有些不好翻译的地方我会给出原句，有不严谨的地方望谅解。

本文目录：

• 前沿 | Introduction
• 基础 | Basic
• 训练- 如何构建我们的第一个NMT系统
• 词向量 | Embedding
• 编码器 | Encoder
• 解码器 | Decoder
• 损失 | Loss
• **梯度计算和优化 | Gradient co

循环神经网络能够挖掘数据中的时序信息，并且具有语义信息的深度表达能力，在语音识别、语言模型、机器翻译以及时序分析等方面得到了广泛应用。

在之前的文章中，我们介绍了RNN的很多内容，包括：

1. 循环神经网络RNN介绍 介绍了RNN
2. Autoencoder及tensorflow实现 介绍了autoencoder和tensorflow实现
3. [前馈神经网络与符号系统](https://zhuanlan.zhihu.c

本文内容来自于Introduction to TensorFlow Datasets and Estimators，第一部分的数据处理在Tensorflow tf.data.Dataset 介绍 进行了介绍，本文介绍第二部分tf.estimator。

Estimato

在七月份对传统机器学习方法的总览学习之后，我这半个月都在学习如何使用TensorFlow框架进行深度学习，最近进行了一个小的项目——验证码识别，期间踩了不少坑，不得不说TensorFlow算是我用过的较难的框架了，在这里进行总结，和大家分享。

处理图像问题

使用卷积神经网络处理图片前，一般要先进行一些图片处理，将它归一化，例如图像的大小、色调等，可以使用PIL库。

from PIL import Image
img = Image.

前置准备

在阅读本文之前，请确定你已经了解了神经网络的基本结构以及前向传播、后向传播的基本原理，如果尚未了解，可以查看下文。

[神经网络初探​chrer.com ](https://link.zhihu.com/?target=http%3A//chrer.com/2018/07/19/%25E7%25A5%259E%25E7%25BB%258F%25E7%25BD%2591%25E7%25BB%

本文主要介绍tf.Tensor的各种常用属性，张量是对矢量和矩阵向潜在的更高维度的泛化。对内，TensorFlow 将张量表现为基本数据类型的 n 维数组。

在编写 TensorFlow 程序时，操控和传递的主要目标是 tf.Tensor。tf.Tensor 目标表示一个部分定义的计算，最终会产生一个值。TensorFlow 程序首先建立 tf.Tensor 目标图，详细说明如何基于其他可用张量来计算每个张量，然后运行该图的部分内容以获得所期望的结果。

tf.Tensor 有以下属性：

• 数据类型（例如 float32，int32 或 string）

Datasets和Estimators是Tensorflow中两个最重要的模块：

1. Dataset是创造input pipeline的最佳实践；
2. Estimator是一个封装好的比较高层的创建Tensorflow模型的方法，Estimator包括预先训练好的模型，也可以用来创建自己的定制化的模型。

在Tensorflow框架中，Dataset和Estimator如下所示，通过两者的结合，我们能够很容易的创建Tensorflow模型，并且将数据喂给模型，本篇介绍Dataset，下一篇介绍Estimator。

![](/community/uploads/default/orig

前置准备

在阅读本文之前，请确定你已经了解了神经网络的基本结构以及前向传播、后向传播的基本原理。

几种重要算法

前向传播

前向传播是神经网络最重要的算法之一，他的目的是通过输入层的输入进行推断，得到输出层的结果，下面假定一个简单的神经网络如下图，包含：一个输入层，一个隐藏层，一个输出层。

则该算法的tensorFlow表达为：

import tensorflow as tf
# 初始化权重
w1 = tf.

2018年的TensorFlow技术交流峰会已经结束了，介绍了Tensorflow的各种新功能和技术。本次峰会汇集了来自世界各地的各种机器学习用户，与TensorFlow团队和社区进行为期一整天的技术性交流，演示和对话。主要的技术分享者包括：Anitha Vijayakumar，Megan Kacholia，Jeff Dean和Rajat Monga等。文末附本次分享视频下载链接。

下面是本此分享的目录

![](/community/uploads/default/original/3X/6/9/6926316317b243be8f9acc3131912cdf22d078c7.j

一直想对tensorflow的slim做更深入的了解，于是就有了这篇文章，一是为了做笔记，二是为大家理解slim提供帮助。不过由于时间有限，此文章会慢慢更新，估计持续一周才能完成。另外，我是一名学习者，所以文章中难免有不正确的地方，希望大家多多包涵并请不吝指正。注：阅读这篇文章估计要花三个小时，所以分成两篇，建议边看英文边看我的解读

TensorFlow-Slim

TF-Slim is a lightweight library for defining, training and evaluating complex models in TensorFlow. Compon

要说史上最著名的猫，大概就是薛定谔的那只了。它被关在装有少量镭和氰化物的密闭容器里，当镭发生衰变时，就会触发机关打碎装有氰化物的瓶子，猫就会死亡；如果镭不发生衰变，猫就会存活下来。在量子力学理论中，由于放射性的镭处于衰变和没有衰变两种状态的叠加，这只猫也处于生死叠加态，只有对其进行观测，才能决定这只猫的生死。

所以，哈姆雷特说：

生存还是死亡，这是一个问题！

今天我们从猫说起，来讨论一个管道，一个

神经网络模型的效果以及优化的目标是通过损失函数(loss function)来定义的，本文介绍两个经典的损失函数，分别对应监督学习中的分类问题和回归问题

1. cross entropy loss function 交叉熵损失函数，对应分类问题
2. mean squared error 均方误差，对应回归问题

并介绍如何采用Tensorflow中的API进行实现。

cross entropy loss function

通过神经网络解决多分类问题最常用的方法是设置 个输出节点，

源代码，请在文末查询

前言

我们希望找出跟随价格上涨的模式。通过每日收盘价，MA，KD，RSI，yearAvgPrice 本次推文研究只是展示深入学习的一个例子。 结果估计不是很好。希望抛砖引玉，给大家带来更多的思考。策略使用的数据从雅虎财务获取。

• 什么时候要买或者卖

• 股票走势预测

![](/community/uploads/default/original/3X/e/6/e623527d5186b76ac1a140

马毅老师曾说过:”如果你没有看过近30年的经典论文,你是做不出成果的”.现如今深度学习如此火热,一些关键节点发布的文章更应该好好的阅读,因此我想在未来的一段时间内去阅读一些经典的论文,去推敲和分析,并且争取可以使用TensorFlow去复现他.而这篇文章我们将会阅读VGG这篇经典文章,希望和大家交流,如果有理解不到位的地方,也请大家多多指正.

VGG的意义

这篇论文的模型的名称”VGG”其实是牛津大学的Oxford Visual Geometry Group

![](/community/uploads/default/original/3X/a/c/ac70287a28d17e

最近在学习深度置信网络（DBN）的时候，看过几篇博客，但是在DBN的结构上，一大堆博客讲DBN是将受限玻尔兹曼机（RBM）像砖块一样叠加起来的一个网络，这本身是有一些错误的，修正一波。

1：受限玻尔兹曼机RBM

如图所示

受限玻尔兹曼机本身是一个基于二分图的无向图的模