#tensorflow

Tensorboard 是 Tensorflow 中的可视化工具，使用 Tensorboard 不仅可以查看计算图谱(神经网络)结构，而且还能够将训练过程中参数变化，准确率以及损失函数的变化，直观地展示出来。是机器学习研究者非常有用的工具，这篇文章，我就来介绍一下如何在 Keras 中轻松调用Tensorboard。 同样的，为了方便与读者交流，所有的代码都放在了这里： 1. 导入TensorBoard

image from unsplash by Joshua Sortino 机器学习中我们需要对多维度的数据进行处理，所以搞清楚数据的维度以及numpy 和 tensorflow 对于维度的定义就非常关键了。这里我们以 numpy 为例，因为 Tensorflow 的数据格式与 numpy 类似。 1. Axis的数量即为数据的维度

Introduction: I started working on a new classification problem and the first question in my mind: which framework to use? So decided to explore the pros and cons with the available frameworks before to

image source from unsplash.com by Sergio souza 众所周知，Tensorflow入门之所以困难，与其采用的Graph 和 Session 模式有关，这与原生的 Python 代码简单、直观的印象格格不入。同时，由于计算仅仅发生在Session里面，所以初始化参数和变量的时候没办法将结果打印出来，以至于调试起来也十分困难。

image source from unsplash by Mehrshad Rajabi 上一篇文章我们用Keras搭建GRU神经网络，通过对前13年牛奶产量的学习，成功预测了地最后1年牛奶的产量。 该模型是多对一的输入/输出结构，也就意味着12个月的数据输入，只能输出1个月的数据。有没有可能改进模型，让输出输入的数量一致，以提高预测效率呢？这篇文章我们就来改进GRU模型，实现多对多的结构。

早前，我介绍了循环神经网络(RNN)的基本概念，这篇文章我们就用Keras搭建一个RNN网络。该RNN能够通过对历史数据的学习，预测未来数据。 同样的，为了方便与读者交流，所有的代码都放在了这里： Repository: 1. GRU和LSTM简介 GRU(Gated Recurrent Unit)和LSTM(Long Short Term

上一篇文章介绍了YOLO和目标识别算法，大家是不是迫不及待跃跃欲试了。先不要着急，YOLO本身原理虽然简单，但是实现起来也不容易。YOLO原生是用C语言写的，放在无法直接用Python实现。

上一篇文章我们讲到，通过卷积神经网络(CNN)可以轻松实现图片的识别与分类。所以，只要有足够多的，已标记的样本，我们就可以用这些样本将神经网络训练成分类器，用来识别新的图片。MINST手写数字的样本，可以训练手写数字分类器；不同品种猫的样本，可以训练出猫的分类器；人脸的样本可以训练出人脸分类器...

Image source: unsplash.com by Paweł Czerwiński 之前的文章我们介绍了如何用单层和多的全连接层神经网络识别手写数字，虽然识别率能够达到98%，但是由于全链接神经网络本身的局限性，其识别率已经很难再往上提升了。我们需要改进神经网络的结构，采用卷积神经网络(CNN)的结构来进一步提高的识别率。

image source from unsplash.com by Paweł Czerwiński 对于机器学习的初学者来说，容易被一些专用术语搞得晕头转向，这篇文章我们就从挑几个容易混淆的概念和术语接解析一下。 1. Batch 在机器学习的过程中，有时候由于样本数量巨大，无法一次性送入模型进行学习，需要分成若干Batch(批次)，将样本分批(Batch)送入模型的学习叫做Batch

Image source: unsplash.com by Sergey Pesterev 上一篇文章中，我们用Tensorflow搭建了单层神经网络，该网络对MNIST手写识别率能到达90%。如何进一步提高识别率呢？Let's go deeper, 搭建更多层的神经网络吧。 同样的，为了方便与读者交流，所有的代码都放在了这里： Repository: 1. 初始化W和B

Image source wikipedia MNIST database 手写数字识别是一个非常经典的机器学习项目，这篇文章，我们就通过Kaggle上这个经典项目，学习如何用Tensorflow和Keras搭建最简单的单层神经网络，来识别手写数字。 同样的，为了方便与读者交流，所有的代码都放在了这里： Repository: 1. 数据下载和预处理

image source by Samuel Zeller from unsplash.com Tensorflow中有一大堆cross_entropy损失函数用于处理分类问题，初学者往往会一脸懵逼，不知道如何选择。 tf.losses.softmax_cross_entropy tf.losses.sparse_softmax_cross_entropy

在之前的文章中，我们发现训练组(篮)和验证组(红)的损失函数在20个Epoch之后，向着相反方向变化。训练组损失函数继续下降，验证组损失函数反而在上升，这就是典型的Overfitting(过拟合)现象。 过拟合就是模型过度地学习了训练集的特征，反而没法处理测试集中更一般化的问题。处理过拟合最根本的解决方法当然是获得更多的训练样本。

上一篇文章我们介绍了如何使用Keras处理分类问题，那Tensorflow可不可以像处理回归问题一样，直接处理分类问题呢？ 答案当然是肯定的。这篇文章我们就用之前 相同的数据，来学习如何用Tensorflow训练一个线性分类器。数据预处理的过程就略过了，可以参考上一篇文章。 同样的，为了方便与读者交流，所有的源代码都放在了这里： 1. 定义数据shape

Tensorflow 和 Keras 除了能处理前一篇文章提到的回归(Regression，拟合&预测)的问题之外，还可以处理分类(Classfication)的问题。 这篇文章我们就介绍一下如何用Keras快速搭建一个线性分类器或神经网络，通过分析病人的生理数据来判断这个人是否患有糖尿病。 同样的，为了方便与读者交流，所有的源代码都放在了这里： 1. 数据的导入

前面两篇文章介绍了Tensorflow，以及用Tensorflow快速上手一个线性回归的项目。 实际上Tensorflow对于机器学习新手来说并不是很友好，Tensorflow自己也有高层API，比如Estimator和tf.data就相对来说更容易上手。 Keras本来是独立的机器学习框架，但已经逐渐被整合进了Tensorflow, 今天我们就来简单上手一下吧。 同样的，为了方便与读者交流，所有源代码都放在了

上一篇文章我们介绍了Tensorflow的基础，趁热打铁，这篇文章介绍一下如何用Tensorflow训练一个线性回归的项目。 为了方便读者交流和学习，我在github上创建了一个repo，地址在这里 1. import 首先当然是要import tensorflow，numpy 以及以及数据可视化工具 import tensorflow as tf import numpy as np import