#
如下所示： import tensorflow as tf a=tf.constant([[[1,2,3,4],[4,5,6,7],[7,8,9,10]], [[11,12,13,14
在實際的業務中，可能會遇到很大量的特征，這些特征良莠不齊，層次不一，可能有缺失，可能有噪聲，可能規模不一致，可能類型不一樣，等等問題都需要我們在建模之前，先預處理特征或者叫清洗特征。那么這清洗特征的過
在Python代碼中指定GPU import os os.environ["CUDA_VISIBLE_DEVICES"] = "0" 設置定量的GPU使用量： config = tf.C
tensorflow中對tensor對象進行像numpy數組一樣便捷的操作是不可能的， 至少對1.2以及之前的版本而言。 從issue上看到，有不少人希望tensorflow能及早實現這些操作，但近期
-----最近從github上找了一個代碼跑，但是cpu訓練的時間實在是太長，所以想用gpu訓練一下，經過了一天的折騰終于可以用gpu進行訓練了，嘿嘿~ 首先先看一下自己電腦的顯卡信息： 可以看到我
今天和大家分享一下用TensorFlow的saver存取訓練好的模型那點事。 1. 用saver存取變量； 2. 用saver存取指定變量。 用saver存取變量。 話不多說，先上代碼 #
如下所示： #tensorflow 中從ckpt文件中恢復指定的層或將指定的層不進行恢復: #tensorflow 中不同的layer指定不同的學習率 with tf.Graph().as_d
下面代碼的功能是先訓練一個簡單的模型，然后保存模型，同時保存到一個pb文件當中，后續可以從pd文件里讀取權重值。 import tensorflow as tf import numpy as n
我就廢話不多說了，直接上代碼吧！ import tensorflow as tf w1 = tf.Variable([[1,2]]) w2 = tf.Variable([[3,4]])
TensorFlow提供了TFRecords的格式來統一存儲數據，理論上，TFRecords可以存儲任何形式的數據。 TFRecords文件中的數據都是通過tf.train.Example Prot
