TensorFlow is an open source machine learning framework developed by Google. Tensor Flow It is designed to facilitate the development and deployment of machine learning models, particularly deep learning

Intel 发布了 Intel Extension for TensorFlow，它利用 TF 的 PluggableDevice 机制，现在为 TensorFlow 提供 Intel GPU 后端，可与 Data Center GPU Flex 系列以及 Arc Graphics 离散 GPU 配合使用。 Intel Extension for TensorFlow 现在可以通过 TensorFlow

Over the summer, I really wanted to get started with creating AI using Tensorflow and Python. Sadly, I had a lot of trouble even just setting it up! I tried using Atom, but it turns out they use Kite as

Image from unsplash.com by @Jason_xj 之前的文章我们介绍了 RNN 循环网络，并用循环网络成功地预测了牛奶产量。这篇文章我们继续使用 RNN 以及 LSTM 和 GRU 处理分类问题。我们使用的是 Keras 自带的数据集——路透社新闻分类问题。 关注微信公众号获取源代码（二维码见文末） 1. RNN 回顾 与卷积神经网络处理空间局部相关性数据不同，循环网络主要用于处理时间序列

2020년 유튜브는 나에게 최첨단 과학기술을 보라고 권유하였다. 그냥 어물쩡 끌려가듯이 숙제하듯이 듣는데, 내용에 집중하기 보다는 자꾸 다른 생각이 들었다. 뭐지? 왜지? 왜? 왜 열심히들 사용하라고 하지? 그러면서 내 생각은 세 가지로 정리되었다. 1. 결국 사람이네. 과학이 컴퓨터가 구글이 아무리 발전한다해도 그들 지향점 중심에는 사람이 있었다. 사람을

StyleGAN2 Official TensorFlow Implementation Screenshots Hunter's comment This is quite the improvement from v1 of this -- crazy how fluid this is, also kinda scary how computers are starting to analyse

image from unsplash.com by Tara Hegerty 之前的文章介绍过如何在 Keras 中快速调用 Tensorboard 这个可视化工具，这篇文章我们再深入探讨一下 Tensorboard 在T Tensorflow 2.0 下如何使用。 本文源代码请关注微信公众号(二维码见文末)获取 1. Tensorboard 工作原理 简单来说，tensorboard 就是通过监听定目录下的

Image from unsplash.com by Adrian Cuj 前面的文章我们讨论了机器学习的各种问题，但是还没有认真讨论一下数据加载的问题。作为机器学习的第一步，如何正确和快速地加载数据以及预处理对于机器学习的项目成败是至关重要的。 我们已经很熟悉用 pandas.read_csv 来读取csv文件数据，然后用其内建函数或借助 numpy 和 scikit-learn

image from unsplash by Zhang Kenny 前面的几篇文章从线性回归，到手写数字识别再到预测牛奶产量，我们用 Tensorflow 2.0 与 Keras 结合完成了全链接神经网络，卷积神经网络以及循环神经网络的搭建和训练。那 Tensorflow 2.0 和 Keras 到底是什么关系，我们应该如何选择和搭配二者来完成自己的项目呢？这篇文章就来探讨一下这个问题。 1.

前面两篇文章我们通过线性回归和 MINST 手写识别的项目，学习了如何使用 Tensorflow 2.0 解决预测和分类的问题。同时也回顾了神经网络以及 CNN 的套路。这篇文章我们同样通过 RNN 的实例再次巩固一下 Tensorflow 2.0 的使用方法。 1. Keras 方法回顾 如下图所示，数据记录了1962年到1975年一共14年每个月牛奶的产量。

Professional JavaScript Book - Contact me if you'd like a free copy In my last post I talked about how my first co-authored book, Professional JavaScript, was released this month. I'm happy to announce

上篇文章我们用线性回归的项目快速入门了 Tensorflow 2.0 ，本文我们继续深入研究 ，使用 Keras 搭建模型配合 Tensorflow 2.0 解决线性回归和分类问题。 全部代码，请见我的github repo 1. 线性回归回顾 在 Tensorflow 2.0 中我们使用tf.GradientTape()记录前向传播计算(Forward Propagation)，然后利用

随着 Tensorflow 2.0 正式版发布的日期越来越近，我们应该做好准备忘记 1.0 版本中那些反人类的 静态 Graph 和 Session，拥抱新版本的各种易用简单的新特性。 我们之前的文章介绍了 Tensorflow 的 Eager 模式，Tensorflow 2.0 默认就是在 Eager 模式下运行的，所以 Eager 模式下可以直接打印出运算结果以及与 numpy

If you are using Tensorflow 1.14.0 and ImageDataGenerator, then when fitting the generator to the model, this error appears: AttributeError: 'DirectoryIterator' object has no attribute 'shape' FIX Enter

TensorFlow 머신 러닝 코드는 실행에 앞서 Computational Graph 즉 그래프를 생성하게 되어 있다. Session 단계에서는 생성된 그래프를 이용하여 입력되는 데이터에 대해 언제라도 동일한 그래프를 사용하여 연산을 실행한다. numPy 스타일 뉴럴네트워크 코드나 PyTorch 코드와 비교할 목적으로 GPU 연산에 따른 소요 시간을 그래프

Image source from unsplash by Timothy L Brock 上一篇文章介绍了如何在 Keras 中调用 Tensorboard。这篇文章就来谈谈如何用 Tensorboard 帮助模型调参。 代码repo见这里