tensorflow

tensorflow搭建神经网络张量Tensor：多维创建张量：转换成张量：全0 全1 填充生成正态分布的随机数生成截断式正太分布的随机数（μ-2σ，μ+2σ）

文浩（楠搏万）

TensorFlow+CNN垃圾分类深度学习全流程实战教程垃圾分类是实现可持续发展的重要环节，本教程通过TensorFlow+经典的卷积神经网络（CNN）示例，带你从环境配置到单图推理全流程落地：无需繁琐背景，只讲关键步骤，快速构建高效、可解释的自动化分类系统。如果读文章的同学想一键拥有和我一样的环境的话可以先部署Conda，有疑问的话可以读之前文章👉零基础上手Conda：安装、创建环境、管理依赖的完整指南

AI妈妈手把手

【深度学习框架终极PK】TensorFlow/PyTorch/MindSpore深度解析！选对框架效率翻倍想象你要盖一座AI大厦：本文将从6个维度深度对比🎁💡 核心优势：📊 性能实测：🌰 典型场景：📌典型代码（静态图风格）：

海绵波波107

opencv、torch、torchvision、tensorflow的区别PyTorchTensorFlowOpenCVTorchVision以下是PyTorch、TensorFlow、OpenCV和TorchVision各自的发展历史：

用TensorFlow进行逻辑回归(四)更高维的数据import numpy as npfrom sklearn.datasets import *

Selector的用法Selector的用法Selector是基于lxml构建的支持XPath选择器、CSS选择器，以及正则表达式，功能全面，解析速度和准确度非常高

三、CV_VGGnetVGG可以看成是加深版的AlexNet，整个网络由卷积层和全连接层叠加而成，和AlexNet不同的是，VGG中使用的都是小尺寸的卷积核（3 ×\times× 3)。

简单明了的对比PyTorch与TensorFlow在人工智能的浪潮中，深度学习框架已成为推动创新的核心引擎。它们不仅简化了复杂模型的构建与训练，还加速了从理论研究到实际部署的全过程。作为两大主流框架，PyTorch和TensorFlow各自以独特的哲学和优势，在学术界与工业界掀起了一场无声的竞争。PyTorch凭借其动态计算图的灵活性和直观的Pythonic接口，迅速成为研究者的首选；而TensorFlow则以强大的静态图优化、成熟的生态系统和高效的生产部署能力，牢牢占据企业级应用的高地。接下来就让我们来看看两者之间到底有何魅力。

TensorFlow 和PyTorch的全方位对比和选择建议下面是 TensorFlow 和 PyTorch 的全方位对比，涵盖底层架构、语法风格、动态图与静态图机制、部署支持、社区与生态、性能等多个维度，适合开发者、研究者与工程应用人员深入了解。

用TensorFlow进行逻辑回归(六)import tensorflow as tfimport numpy as npfrom tensorflow.keras.datasets import mnist

九章云极AladdinEdu

摩尔线程MUSA架构深度调优指南：从CUDA到MUSA的显存访问模式重构原则当国产GPU面临生态壁垒，显存访问效率成为性能突破的关键战场。本文将深入揭示摩尔线程MUSA架构的显存子系统特性，并提出从CUDA到MUSA的显存访问重构四阶法则，助你解锁90%硬件潜能。

TensorFlow深度学习实战（26）——生成对抗网络详解与实现生成对抗网络 (Generative Adversarial Network, GAN) 能够学习高维复杂数据分布，受到了广泛的研究。自 2016 年首次提出 GAN 到以来，不到十年间，相关的研究论文已超过数十万篇。GAN 能够应用于生成图像、视频、音乐，甚至自然语言，例如，图像到图像的转换、图像超分辨率、药物发现，视频帧预测，GAN 在合成数据生成任务中表现尤为出色。在本节中，我们将学习 GAN 的原理并使用 TensorFlow 实现 GAN。

用TensorFlow进行逻辑回归(二)逻辑回归是经典的分类算法。为了简单，我们考虑二分类。这意味着，我们要处理识别二个分类的问题，我们的标签为 0 或 1。我们要一个与线性回归不同的激活函数，不同的损失函数，神经元的输出略有不同。我们的目的是能构建模型能预测一个新的观察属于两个分类中的哪一个。对于输入 x神经元应输出概率P(y = 1| x) 作为分类1.我们分类观察作为分类1,如果 P(y = 1| x) > 0.5, 或者分类 0,如果P(y = 1| x) < 0.5.

TensorFlow2 study notes[1]

用TensorFlow进行逻辑回归(一)这一节我们用TensorFlow定义简单的分类器。首先考虑分类器的方程式是什么是值得的。数学习的技巧是使用sigmoid函数。sigmoid函数绘制如图3-40, 通常标记为σ, 是实数域里的函数取值(0, 1)。这个特征很便利，因为我们可以将sigmoid的输出解释为事件发现的概率。 (转换离散事件到连续值是机器学习里反复出现的主题)

Tensorflow的安装记录参考：TensorFlow 保姆级教程：安装步骤、使用示例及常见问题应对_tensorflow安装-CSDN博客

使用tensorflow的线性回归的例子（十二）这里展示如何用TensorFlow求解线性戴明回归。=+y=Ax+b我们用iris数据集,特别是:y = Sepal Length 且 x = Petal Width。

【零基础学AI】第31讲：目标检测 - YOLO算法目标检测就像教计算机"看"图片中的物体。它不仅要知道图片中有什么物体，还要知道这些物体在哪里（用方框标出来）。

TensorFlow深度学习实战——基于自编码器构建句子向量在本节中，我们将构建和训练一个基于长短期记忆 (Long Short Term Memory, LSTM) 的自编码器，用于生成 Reuters-21578 语料库中文档的句子向量。我们已经学习了如何使用词嵌入表示一个词，从而创建表示该词在其上下文中含义的向量。本节中，我们将学习如何为句子构建句子向量，句子是单词的序列，因此句子向量表示一个句子的含义。

TensorFlow内核剖析：分布式TensorFlow架构解析与实战指南分布式TensorFlow采用Master-Worker架构实现跨机器协同计算，其核心组件分工如下：Master节点：全局协调者