张量是一个多维数组，它是标量、向量和矩阵概念的推广。在深度学习中，张量被广泛用于表示数据和模型参数。
Pytorch是一个基于Python的机器学习库。它广泛应用于计算机视觉，自然语言处理等深度学习领域。是目前和TensorFlow分庭抗礼的深度学习框架，在学术圈颇受欢迎。
自己一直以来都是使用的pytorch，最近打算好好的看下tensorflow，新开一个系列：pytorch和tensorflow的爱恨情仇（相爱相杀。。。）
它允许您使用一组TensorFlow操作并注释构造，以便toco知道如何将其转换为tflite。这在张量流图中嵌入了一个伪函数。这允许在较低级别的TensorFlow实现中嵌入高级API使用信息，以便以后可以替换其他实现。本质上，这个伪op中的任何“输入”都被输入到一个标识中，并且属性被添加到该输入中，然后由构成伪op的组成ops使用。
在深度学习中，Tensor是一种重要的数据结构，它可以用来存储和处理多维数组。在PyTorch中，Tensor是一种非常基础且常用的数据类型，它支持很多高效的操作。本篇博客将介绍如何使用torch tensor，让你快速入门。
TensorFlow接受了Python自己的原生数据类型，例如Python中的布尔值类型，数值数据类型（整数，浮点数）和字符串类型。单一值将转换为0维张量（标量），列表值将转换为1维张量（向量），列表套列表将被转换成2维张量（矩阵）等等，以下示例来自于TensorFlow for Machine Intelligence.
¹ Jasper Snoek 等人，“机器学习算法的实用贝叶斯优化”，《第 25 届国际神经信息处理系统会议论文集》2（2012）：2951–2959。
深度学习还没学完，怎么图深度学习又来了？别怕，这里有份系统教程，可以将0基础的你直接送到图深度学习。还会定期更新哦。
在本部分中，我们将介绍 TensorFlow 2.00 alpha。 我们将首先概述该机器学习生态系统的主要功能，并查看其使用示例。 然后我们将介绍 TensorFlow 的高级 Keras API。 我们将在本节结尾处研究人工神经网络技术。
在tf.random.truncated_normal中如果随机数的取值在(u-2\sigma, u+2\sigma)之外，则重新生成，保证值在均值附近
TensorFlow是一个由Google创建的开源软件库，用于实现机器学习和深度学习系统。这两个名称包含一系列强大的算法，它们共享一个共同的挑战——让计算机学习如何自动识别复杂模式和/或做出最佳决策。
---- 新智元报道 来源：Pytorch 官网 【新智元导读】今天，PyTorch官方在GitHub发布0.4.0版本，最重要的改进是支持Windows系统。新版本完全改变了API，是本年度最重大的升级。 TensorFlow依旧有王者荣耀，但PyTorch虎视眈眈。 今天，PyTorch官方在GitHub发布0.4.0版本，最重要的改进是支持Windows系统。 PyTorch是在2017年1月由Facebook推出的。它是经典机器学习库Torch框架的一个端口，Torch二进制文件包装于GPU
Tensorflow 是一个面向深度学习算法的科学计算库，内部数据保存在张量（Tensor）对象熵，所有的运算操作（Operation）也都是基于张量对象进行的，我们所接触到的复杂的神经网络算法本质上就是各种张量相乘，想加等一些基本运算操作的组合。
目前为止，我们只是使用了TensorFlow的高级API —— tf.keras，它的功能很强大：搭建了各种神经网络架构，包括回归、分类网络、Wide & Deep 网络、自归一化网络，使用了各种方法，包括批归一化、dropout和学习率调度。事实上，你在实际案例中95%碰到的情况只需要tf.keras就足够了（和tf.data，见第13章）。现在来深入学习TensorFlow的低级Python API。当你需要实现自定义损失函数、自定义标准、层、模型、初始化器、正则器、权重约束时，就需要低级API了。甚至有时需要全面控制训练过程，例如使用特殊变换或对约束梯度时。这一章就会讨论这些问题，还会学习如何使用TensorFlow的自动图生成特征提升自定义模型和训练算法。首先，先来快速学习下TensorFlow。
原项目 | https://github.com/aymericdamien/TensorFlow-Examples/
选自machinethink.net 机器之心编译 参与：赵华龙、邵明、吴攀、李泽南 在你使用深度神经网络做预测之前，你首先要训练神经网络。现在存在许多不同的神经网络训练工具，TensorFlow 正迅速成为其中最热门的选择。近日，独立开发者 Matthijs Hollemans 在 machinethink.net 的博客上发布了一篇讲解如何在 iOS 系统上运行 TensorFlow 的深度长文教程，并开源了相关的代码。机器之心对本文进行了编译介绍。关于 TensorFlow 的更多资讯和教程，请参阅机
文章主要讲述了如何利用TensorFlow进行深度学习，包括模型的搭建、训练、保存以及部署。同时，文章还介绍了如何使用TensorFlow进行图像分类和文本情感分析等具体应用。
在计算图中，节点表示计算单位，边表示计算用到和产生的数据。 例如，在TensorFlow图中，tf.matmul操作将对应于具有两个输入边（要乘以的矩阵）和一个输出边（乘法的结果）的单个节点。
https://iamarookie.blog.csdn.net/article/details/117591977
近年来，深度学习领域的进展与深度学习框架的开发同步进行。这些框架为自动微分和 GPU 加速提供了高级且高效的 API，从而可以利用相对较少和简单的代码实现极度复杂和强大的深度学习模型。
本节学习来源斯坦福大学cs20课程，有关自学与组队学习笔记，将会放于github仓库与本公众号发布，欢迎大家star与转发，收藏！
上篇我们说到用「DQN」来实现贪吃蛇训练，也就是用**Q（s,a）**和搭建神经网络来实现。那么我们如何合理的处理数据？
本文长度为7196字，建议阅读10分钟 本文为你讲解如何使用Tensorflow进行机器学习和深度学习。 1. 前言 深度学习算法的成功使人工智能的研究和应用取得了突破性进展，并极大地改变了我们的生活。越来越多的开发人员都在学习深度学习方面的开发技术。Google推出的TensorFlow是目前最为流行的开源深度学习框架，在图形分类、音频处理、推荐系统和自然语言处理等场景下都有丰富的应用。尽管功能强大，该框架学习门槛并不高，只要掌握Python安装和使用，并对机器学习和神经网络方面的知识有所了解就可以上
这些文档阐明了 NumPy 中的概念、设计决策和技术限制。这是了解 NumPy 基本思想和哲学的好地方。
上一期我们发布了“一文读懂TensorFlow（附代码、学习资料）”，带领大家对TensorFlow进行了全面了解，并分享了入门所需的网站、图书、视频等资料，本期文章就来带你一步步上手TensorFlow。 1. 前言 深度学习算法的成功使人工智能的研究和应用取得了突破性进展，并极大地改变了我们的生活。越来越多的开发人员都在学习深度学习方面的开发技术。Google推出的TensorFlow是目前最为流行的开源深度学习框架，在图形分类、音频处理、推荐系统和自然语言处理等场景下都有丰富的应用。尽管功能强大，
tf.Variable()将函数标记为可训练，被标记的变量会在反向传播中记录梯度信息。
张量命名是一个非常有用的方法，这样可以方便地使用维度的名字来做索引或其他操作，大大提高了可读性、易用性，防止出错。
TensorFlow™ 是一个采用 数据流图（data flow graphs），用于数值计算的开源软件库。节点（Nodes）在图中表示数学操作，图中的线（edges）则表示在节点间相互联系的多维数据数组，即张量（tensor）。它灵活的架构让你可以在多种平台上展开计算，例如台式计算机中的一个或多个CPU（或GPU），服务器，移动设备等等。TensorFlow 最初由Google大脑小组（隶属于Google机器智能研究机构）的研究员和工程师们开发出来，用于机器学习和深度神经网络方面的研究，但这个系统的通用性使其也可广泛用于其他计算领域。
一个运行TensorFlow操作的类。会话对象封装了执行操作对象和计算张量对象的环境。
AI 科技评论按：关于深度学习的框架之争一直没有停止过。PyTorch，TensorFlow，Caffe还是Keras ？近日， 斯坦福大学计算机科学博士生Awni Hannun就发表了一篇文章，对比当前两个主流框架PyTorch和TensorFlow。 AI 科技评论编译如下： 这篇指南是我目前发现的PyTorch和TensorFlow之间的主要差异。写这篇文章的目的是想帮助那些想要开始新项目或者转换深度学习框架的人进行选择。文中重点考虑训练和部署深度学习堆栈组件时框架的可编程性和灵活性。我不会权衡速度、
张量（Tensor）是一个可用来表示在一些矢量、标量和其他张量之间的线性关系的多线性函数，这些线性关系的基本例子有内积、外积、线性映射以及笛卡儿积。其坐标在 𝑛𝑛 维空间内，有 𝑛𝑟𝑛𝑟 个分量的一种量，其中每个分量都是坐标的函数，而在坐标变换时，这些分量也依照某些规则作线性变换。𝑟𝑟 称为该张量的秩或阶（与矩阵的秩和阶均无关系）。
该函数将各种类型的Python对象转换为张量对象。它接受张量对象、数字数组、Python列表和Python标量。例如:
上一节课，讲解了MNIST图像分类的一个小实战，现在我们继续深入学习一下pytorch的一些有的没的的小知识来作为只是储备。
在TensorFlow系统中，张量的维数来被描述为阶.但是张量的阶和矩阵的阶并不是同一个概念.张量的阶（有时是关于如顺序或度数或者是n维）是张量维数的一个数量描述.比如，下面的张量（使用Python中list定义的）就是2阶.
在处理大规模数据集或进行复杂计算时，利用 GPU 进行加速是一种常见的优化手段。NumPy 提供了一些工具和技术，可以方便地在 GPU 上执行计算。在本篇博客中，我们将深入介绍 NumPy 中的 GPU 加速，并通过实例演示如何应用这些技术。
封装一个python函数并将其用作TensorFlow op。给定一个python函数func，它以numpy数组作为参数并返回numpy数组作为输出，将这个函数包装为张量流图中的一个操作。下面的代码片段构造了一个简单的TensorFlow图，它调用np.sinh() NumPy函数作为图中的操作:
张量的数据类型其实和numpy.array基本一一对应，除了不支持str,主要有下面几种形式：
该函数将各种类型的Python对象转换为张量对象。它接受张量对象、数字数组、Python列表和Python标量。
持续创作，加速成长！这是我参与「掘金日新计划 · 10 月更文挑战」的第1天，点击查看活动详情
Tensorflow的基本数据结构是张量Tensor。张量即多维数组。Tensorflow的张量和numpy中的array很类似。
我们首先介绍一下TensorBoard的使用，然后介绍TensorFlow的基本ops，之后介绍张量的数据类型，最后介绍一下如何将自己的输入导入模型。
沿着坐标轴给出的维数减少input_张量。除非keepdims为真，否则对于轴上的每一项，张量的秩都会减少1。如果keepdims为真，则使用长度1保留缩减后的维度。如果轴为空，则所有维数都被缩减，并返回一个只有一个元素的张量。
TensorFlow名字可以拆解为两部分：Tensor、Flow。其中，Tensor 就表示张量。
翻译：穆文&韩小阳 校对：寒小阳 & 龙心尘 导 读 之前的课程里介绍了自然语言处理当中的一些问题，以及设计出来的一些相应的算法。research的东西还是落地到工程应用上比较有价值，之前也手撸过一些toy project，不过这些实现要用在工程中，总是有那么些虚的，毕竟稳定性和效率未必能够保证。所幸的是，深度学习热度持续升温的大环境下，各种大神和各家大厂也陆续造福民众，开源了一些深度学习框架，在这些开源框架的基础上去搭建和实现自己想要的深度学习网络结构就简单和稳定得多了。 有时候选择多了也是麻烦，对框架
scikit-learn 官方文档：https://scikit-learn.org/stable/#
众所周知，训练机器学习模型的目标是提高模型的泛化能力，通常使用测试集误差来近似模型在现实世界的泛化误差。为了能用机器学习来解决现实世界的问题，我们通常需要对从现实世界中获取的数据进行预处理操作。本文需要使用两个软件包：
在实际应用中，我们经常需要根据对象的布尔值来执行不同的逻辑。例如，检查用户输入是否为空：
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
腾讯会议
实时音视频
