44 条“训练” 相关内容
- 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）
训练 一旦瓶颈完成，网络顶层的实际培训就开始了。您会看到一系列步骤输出，每个输出都显示训练准确性，验证准确性和交叉熵。训练准确性显示当前训练批次中使用的图像的百分比是否标有正确的分类。
- TensorFlow表现 | PerformanceBenchmarks（基准）
Benchmarks（基准）
- TensorFlow教程 | TutorialsConvolutional Neural Networks（卷积神经网络）
Convolutional Neural Networks（卷积神经网络）
- TensorFlow开始 | Get StartedRegression Examples（回归的例子）
Regression Examples（回归的例子）
- TensorFlow开始 | Get StartedTensorFlow Mechanics 101（TensorFlow力学101）
TensorFlow Mechanics 101（TensorFlow力学101）
data_sets.validation5000个图像和标签，用于迭代验证训练精度。data_sets.test10000个图像和标签，用于最终测试的训练精度。
- 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表现 | PerformanceHigh-Performance Models（高性能的模型）
High-Performance Models（高性能的模型）
在使用GPU进行训练时应始终使用NCHW。NHWC在CPU上有时更快。一个灵活的模型可以在GPU上使用NCHW进行训练，并使用NHWC在CPU上进行推理，并从训练中获得权重。
- 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 StartedDeep MNIST for Experts（针对专家的深度MNIST）
Deep MNIST for Experts（针对专家的深度MNIST）
训练模型 现在我们已经定义了我们的模型和训练损失函数，使用TensorFlow进行训练非常简单。由于TensorFlow知道整个计算图，因此它可以使用自动微分来查找相对于每个变量的损失梯度。
- 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 | GuideEstimators（估计量）
Estimators（估计量）
- 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表现 | PerformanceHow to Quantize Neural Networks with TensorFlow（如何量化神经网络的张力?）
How to Quantize Neural Networks with TensorFlow（如何量化神经网络的张力?）
训练神经网络是通过对权重施加许多微小移动来完成的，而这些小增量通常需要浮点精度才能工作（尽管这里也有研究努力使用量化表示）。 采用预先训练的模型并运行推理是非常不同的。
- 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教程 | TutorialsVector Representations of Words（字词的向量表示）
Vector Representations of Words（字词的向量表示）
CBOW和skip-gram模型使用二元分类目标（逻辑回归）来训练，以在同一上下文中区分来自（k）虚数（噪音）单词（\tildew）的真实目标词（w_t）。我们在下面对CBOW模型进行说明。
- TensorFlow表现 | PerformanceUsing JIT Compilation（使用JIT编译）
Using JIT Compilation（使用JIT编译）
教程 本教程将介绍如何在开启JIT的情况下训练MNISTsoftmax的简单版本。当前在会话级别的JIT，这是用于教程的内容，仅支持GPU。
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