567 条“大模型学习-4” 相关内容
- 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）
为什么你想要使用线性模型。 tf.estimator如何在TensorFlow中轻松构建线性模型。 如何使用tf.estimator将线性模型与深度学习相结合以获得两者的优点。
- TensorFlow教程 | TutorialsConvolutional Neural Networks（卷积神经网络）
Convolutional Neural Networks（卷积神经网络）
用于计算学习参数的移动平均数的例程以及在评估期间使用这些平均数来提高预测性能。 实施随着时间的推移系统地减少的学习率计划。 预取输入数据的队列以隔离模型与磁盘延迟和消耗较大的图像预处理。
- TensorFlow教程 | TutorialsRecurrent Neural Networks（复发性神经网络）
Recurrent Neural Networks（复发性神经网络）
- 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）
例如，上述图像的标签是5,0,4和1。 在本教程中，我们将训练一个模型来查看图像并预测它们的位数。我们的目标不是培养一个真正精心设计的模型来实现最先进的性能（尽管我们会在稍后为您提供代码！）
- TensorFlow教程 | TutorialsTensorFlow Linear Model Tutorial（TensorFlow线性模型教程）
TensorFlow Linear Model Tutorial（TensorFlow线性模型教程）
4.使用以下命令执行教程代码以操练本教程中描述的线性模型： $pythonwide_n_deep_tutorial.py--model_type=wide 请继续阅读以了解此代码如何构建其线性模型。
- TensorFlow教程 | TutorialsVector Representations of Words（字词的向量表示）
Vector Representations of Words（字词的向量表示）
词的向量表示 在本教程中，我们看一下Mikolov等人的word2vec模型。该模型用于学习单词的矢量表示，称为“单词嵌入”。
- TensorFlow教程 | TutorialsImage Recognition（图像识别）
Image Recognition（图像识别）
在过去的几年中，机器学习领域在解决这些难题方面取得了巨大的进步。特别是，我们发现一种称为深度卷积神经网络的模型可以在纯视觉识别任务上实现合理的性能-在某些领域匹配或超过人类的表现。
- 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）
迁移学习是一种技巧，通过为ImageNet等一系列类别提供完全培训的模型，并从现有的新类权重中重新训练，从而缩短了大量工作量。在这个例子中，我们将从头开始重新训练最后一层，同时保留所有其他层。
- TensorFlow教程 | TutorialsTutorials（教程）
Tutorials（教程）
以下教程重点关注人类语言中的机器学习问题： 向量表示的单词，它演示了如何创建一个单词的嵌入。 递归神经网络，演示如何使用递归神经网络来预测句子中的下一个单词。
- TensorFlow配置 | DeployDeploy（部署）
Deploy（部署）
Deploy 本节重点介绍部署现实世界的模型。它包含以下文件： 分布式TensorFlow，它解释了如何创建一个TensorFlow服务器集群。
- 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广泛和深度学习教程 在之前的TensorFlow线性模型教程中，我们使用人口普查收入数据集训练了一个逻辑回归模型来预测个人年收入超过5万美元的概率。
- TensorFlow开始 | Get StartedGetting Started（开始）
Getting Started（开始）
GettingStarted 有关TensorFlow编程基础的简要概述，请参阅以下指南： TensorFlowMNIST入门已经成为尝试使用新机器学习工具包的标准数据集。
- 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）
本教程对我们的ML模型使用tf.contrib.learn（TensorFlow的高级机器学习API）估计器。如果你不熟悉这个API，tf.estimatorQuickstart是一个很好的开始。
- 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）
在tf.estimator中创建估计器 tf.estimator框架可以通过其高级别的EstimatorAPI轻松构建和操练机器学习模型。
- 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）
在本教程中，我们将学习TensorFlow模型的基本构建模块，同时构建深度卷积MNIST分类器。 本介绍假定您熟悉神经网络和MNIST数据集。如果你没有他们的背景，请查看初学者的介绍。
- TensorFlow开始 | Get Startedtf.estimator Quickstart（tf.estimator快速入门）
tf.estimator Quickstart（tf.estimator快速入门）
tf.estimator快速入门 TensorFlow的高级机器学习API（tf.estimator）可以轻松配置，训练和评估各种机器学习模型。
- 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）
例如，dense_shape=[3,6]指定二维3x6张量，dense_shape=[2,3,4]指定三维2x3x4张量，并dense_shape=[9]指定具有9个元素的一维张量。
- TensorFlow教程 | TutorialsSimple Audio Recognition（简单的音频识别）
Simple Audio Recognition（简单的音频识别）
如果操练准确性提高但验证不成立，那么这就表明过度操练正在发生，而且你的模型只是在学习关于训练片段的事情，而不是泛化的更广泛的模式。
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