机器学习

本文主要对LSTM神经网络实现中国人口预测项目的数据处理部分进行讲解，主要包括数据基本处理，可视化，相关性分析，缺失值及异常值检测等。 1. 项目简介 本项目将使用PaddlePaddle框架进行机器

1. 传统神经网络VS卷积神经网络 传统的神经网络通常只由输入层、隐藏层以及输出层构成。其中的隐藏层可以有多层，需要根据具体问题来确定其层数。卷积神经网络在原有的传统神经网络基础上，加入了更加有效的特

1. 手写数字识别功能完善 本文将继续进行手写数字识别案例开发，主要针对于模型功能的完善进行案例演示，主要考虑从以下几个方面对上一篇文章介绍的案例进行完善。 考虑增加准确率计算 开启Tensorboa

1. 多分类问题 思考一个问题，神经网络输出的结果如何解决分类问题呢？解决多分类问题，一个常用的方法就是：我们主要考虑在logistic后加上Softmax分类映射，输出分类的概率，进而进行分类。 从

1. 读取TFRecords文件 其实读取TFRecords文件大体思路与常规文件读取思路比较一致。但是，还是有一点不一样，在解码操作之前，需要解析Example操作（因为TFRecords比其他文件

1. TFRecords文件读取 TFRecords文件其实是一种二进制文件，虽然它不如其他格式好理解，但是它能更好的利用内存，更方便复制和移动，并且不需要单独的标签文件。比如，数据集中的特征值和标签

1. 三种获取数据到TensorFlow程序的方法 QueueRunner：基于队列的输入管道从TensorFlow图形开头的文件中读取数据 Feeding：运行每一步时，Pyhon代码提供数据 预加

持续创作，加速成长！这是我参与「掘金日新计划 · 10 月更文挑战」的第21天，点击查看活动详情 本文主要任务是继续完成Tensorflow线性回归案例开发，在训练好的模型基础上继续完善，为变量增加命

持续创作，加速成长！这是我参与「掘金日新计划 · 10 月更文挑战」的第20天，点击查看活动详情 1. 案例回顾 上一篇文章我们搭建了完整线性回归模型并进行1000轮训练，达到了较为不错的效果。本文将

持续创作，加速成长！这是我参与「掘金日新计划 · 10 月更文挑战」的第19天，点击查看活动详情 首先我们简单回归一下案例的要求。 1. 线性回归案例需求 案例需求： 本案例我们将使用TensorFl

持续创作，加速成长！这是我参与「掘金日新计划 · 10 月更文挑战」的第18天，点击查看活动详情 1. 高级API tf.keras：Keras本来是一个独立的深度学习库，tensorflow将其加入

1. 变量 TensorFlow变量是表示程序处理的共享持久状态的最佳方法，变量通过tf.VariableOP类进行操作。非常适合保存模型参数，这也决定了变量的特点如下： 存储持久化 可修改值 可指定

1. 张量的变换 1.1 类型改变 tf.cast(x, dtype, name=None) x：想要修改的张量 dype：想要修改的类型 代码演示： 首先，我们创建一个int32张量 然后，使用tf

持续创作，加速成长！这是我参与「掘金日新计划 · 10 月更文挑战」的第15天，点击查看活动详情 1. 张量 1.1 张量的基本属性 在TensorFlow中，张量就是一个n维数组。张量（Tensor

持续创作，加速成长！这是我参与「掘金日新计划 · 10 月更文挑战」的第14天，点击查看活动详情 1. 会话中的关键操作 run()方法 通过使用sess.run()来运行operation fetc

持续创作，加速成长！这是我参与「掘金日新计划 · 10 月更文挑战」的第13天，点击查看活动详情 1. TensorFlow中常见OP（Operation） 1.1 操作函数 操作函数在运行过程中会产

持续创作，加速成长！这是我参与「掘金日新计划 · 10 月更文挑战」的第12天，点击查看活动详情 1. Tensorboard可视化 在Tensorflow中，为了更加清楚的理解网络和计算，方便后续的

持续创作，加速成长！这是我参与「掘金日新计划 · 10 月更文挑战」的第11天，点击查看活动详情 1. TensorFlow图结构 图包含了一组tf.Operation代表的计算单元对象和tf.Ten

持续创作，加速成长！这是我参与「掘金日新计划 · 10 月更文挑战」的第10天，点击查看活动详情 1. 机器学习与深度学习 在特征提取方面： 机器学习的特征工程步骤是要靠手动完成的，而且需要大量相关专

携手创作，共同成长！这是我参与「掘金日新计划 · 8 月更文挑战」的第20天，点击查看活动详情 1. 监督学习 定义： 输入数据是由输入特征值和目标值所组成 函数的输出可以是一个连续的值（称为回归）