515 条“免训练生成-10” 相关内容
- TensorFlow开始 | Get Startedtf.estimator Quickstart（tf.estimator快速入门）
tf.estimator Quickstart（tf.estimator快速入门）
- TensorFlow教程 | TutorialsConvolutional Neural Networks（卷积神经网络）
Convolutional Neural Networks（卷积神经网络）
以下是由TensorBoard生成的描述推理操作的图表： [evo41g9i07.png] 练习：输出inference是非标准化的logits。
- TensorFlow教程 | TutorialsA Guide to TF Layers: Building a Convolutional Neural Network（TF层指南:构建卷积神经网络）
A Guide to TF Layers: Building a Convolutional Neural Network（TF层指南:构建卷积神经网络）
- TensorFlow开始 | Get StartedTensorFlow Mechanics 101（TensorFlow力学101）
TensorFlow Mechanics 101（TensorFlow力学101）
- TensorFlow教程 | TutorialsHow to Retrain Inception's Final Layer for New Categories（如何为新类别重新训练盗梦空间的最后一层）
How to Retrain Inception's Final Layer for New Categories（如何为新类别重新训练盗梦空间的最后一层）
每个步骤从训练集中随机选择10幅图像，从高速缓存中找出它们的瓶颈，并将它们送入最终图层进行预测。然后将这些预测与实际标签进行比较，以通过反向传播过程更新最终图层的权重。
- TensorFlow表现 | PerformanceBenchmarks（基准）
Benchmarks（基准）
- TensorFlow开始 | Get StartedTensorBoard: Visualizing Learning（TensorBoard:可视化学习）
TensorBoard: Visualizing Learning（TensorBoard:可视化学习）
TensorBoard:VisualizingLearning 您将使用TensorFlow进行的计算（如训练大量深度神经网络）可能会很复杂且令人困惑。
- TensorFlow教程 | TutorialsImproving Linear Models Using Explicit Kernel Methods（使用显式内核方法改进线性模型）
Improving Linear Models Using Explicit Kernel Methods（使用显式内核方法改进线性模型）
- TensorFlow开始 | Get StartedMNIST For ML Beginners（ML的初学者MNIST 教程）
MNIST For ML Beginners（ML的初学者MNIST 教程）
训练集和测试集都包含图像及其相应的标签;例如训练图像mnist.train.images和训练标签mnist.train.labels。 每个图像是28像素×28像素。
- TensorFlow开始 | Get StartedDeep MNIST for Experts（针对专家的深度MNIST）
Deep MNIST for Experts（针对专家的深度MNIST）
W=tf.Variable(tf.zeros([784,10]))b=tf.Variable(tf.zeros([10])) 我们将呼叫中每个参数的初始值传递给tf.Variable。
- TensorFlow扩展 | ExtendCreating Estimators in tf.estimator（在tf.estimato创建自定义估算器）
Creating Estimators in tf.estimator（在tf.estimato创建自定义估算器）
- TensorFlow教程 | TutorialsTensorFlow Wide & Deep Learning Tutorial（广泛深入的学习教程）
TensorFlow Wide & Deep Learning Tutorial（广泛深入的学习教程）
TensorFlow也非常适合训练深度神经网络，您可能会考虑选择哪一个，为什么不是两个？是否有可能在一个模型中结合两者的优势？
- TensorFlow指南 | GuideDebugging TensorFlow Programs（调试TensorFlow程序）
Debugging TensorFlow Programs（调试TensorFlow程序）
- TensorFlow开始 | Get StartedBuilding Input Functions with tf.estimator（使用tf.estimator建立输入函数）
Building Input Functions with tf.estimator（使用tf.estimator建立输入函数）
- TensorFlow指南 | GuideImporting Data
Importing Data
例如，图像模型的管道可能会聚合来自分布式文件系统中的文件的数据，将随机扰动应用于每个图像，并将随机选择的图像合并为一批以进行训练。
- TensorFlow配置 | DeployDistributed TensorFlow（tensorflow分布式）
Distributed TensorFlow（tensorflow分布式）
复制训练 一种称为“数据并行性”的通用训练配置涉及多个任务，在不同的小批量数据上一个worker工作训练相同的模型，更新ps作业中一个或多个任务中托管的共享参数。所有任务通常运行在不同的机器上。
- TensorFlow指南 | GuideSaving and Restoring（模型存储和加载）
Saving and Restoring（模型存储和加载）
例如，您可能已经训练了一个五层的神经网络，现在您想要训练一个具有六层的新模型，以重用五个已训练层的现有权重。您可以使用保存程序恢复前五层的权重。
- TensorFlow教程 | TutorialsLarge-scale Linear Models with TensorFlow（TensorFlow的大型线性模型）
Large-scale Linear Models with TensorFlow（TensorFlow的大型线性模型）
线性模型： 与深度神经网络相比，快速训练。 可以在非常大的功能集上运行良好。 可以使用不需要大量学习损耗等操作的算法进行训练。 可以比神经网络更容易地解释和调试。
- TensorFlow指南 | GuideGraphs and Sessions（图表和会话）
Graphs and Sessions（图表和会话）
TensorFlow的XLA编译器可以使用数据流图中的信息生成更快的代码，例如，通过融合相邻操作。可移植性。数据流图是模型中代码的语言无关表示。
- TensorFlow表现 | PerformancePerformance Guide（性能指南）
Performance Guide（性能指南）
生成一个时间表并查找大块空白（等待）。作为XLAJIT教程的一部分，存在一个生成时间线的例子。 检查CPU使用情况。有可能具有优化的输入流水线，并且缺乏CPU周期来处理流水线。
腾讯云开发者
扫码关注腾讯云开发者
领取腾讯云代金券
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号