那些年
...
LSTM
可以把 lstm的memory看做一个neural LSTM的解释图： 一个neural的工作过程 有点RNN的味道了 真正的LSTM
RNN在TF中的实现
Embedding层在 TensorFlow 中，可以通过 layers.Embedding(𝑁_vocab,𝑛)来定义一个 Word Embedding层，其中𝑁_vocab参数指定词汇数量， 𝑛指定embedding后的单词向量的长度 1import tensorflow as tf 1234567#这里应该是对一个句子而言x=tf.range(10)#生成10个单词的数字编码:[0,9]x=tf.random.shuffle(x)print(x)#创建10个单词，每个单词用长度为4的向量表示net=tf.keras.layers.Embedding(10,4)#10是单词个数，4是embedding后的向量长度out=net(x) tf.Tensor([1 0 8 9 3 4 5 6 2 7], shape=(10,),...
元组与集合-Python基础连载（十一）
开篇 在本期内容中，将介绍Python六大标准数据类型中最后两种：元组(tuple)与集合(set)。 元组(tuple)你已经学习过列表，并且知道列表是可变数据类型。这里要学习的元组和列表非常相似，在掌握列表的使用方法基础之上，再来学习元组会非常容易。 你只需记得元组与列表的不同之处： 1.元组是不可变数据类型 2.元组使用()包裹元素 元组的不可变特性决定了元组没有增删改等功能，只可查询。 其查询方法归纳如下： 1. index() ()内传入所要查询的元素值，返回该元素值所在的下标，若找不到该元素值，则报错： 1234>>> x=(1,2,3,4,5)>>> x.index(2)#查找元素2对应的下标1>>> x.index(2333) #2333不在x中，因此报错Traceback (most recent call last): File "<pyshell#50>", line 1, in <module> x.index(2333)ValueError:...
记忆中的那座房子
我又来到了记忆中的那所房子昏黄的傍晚，在东边那个小房间里，有几个人人嗑着瓜子，看着电视我认出了他们其中一人，其余人似曾相识，可却无法看清他们的面容时间一分一秒的流逝着…他们一直在那里，嗑着瓜子，看着电视潮湿的空气使我感觉到呼吸困难于是我走出房门，来到院子里抬头环顾天空，只见西南上空被墨汁浸染视线在晃动，墨汁在扩散又是一场逃不掉的大雨它伴随着夜色的临近而逐渐肆虐我从院子踱步至大门底下，拿了个马扎坐下，静静地等待着许久，耳畔清净了我看了下手机，晚8点透过东边房间的窗户，我看到暗蓝色的光影闪烁着，并时不时的传出豆子爆裂的声音据此推断...
捉迷藏
捉迷藏的游戏，一望无际的麦田那时夕阳未落，一群人藏，一个人找闭上双眼，在另一个时空重复阿拉伯数字，98，99，100…暗伏于柳后，栖身高草丛...
TF中的卷积层实现
tf.nn.conv2dtf.nn.conv2d函数用于实现2D卷积运算 输入X:[b,h,w,cin] 卷积核W:[k,k,cin,cout] 输出O:[b,h',w',cout] 其中，cin表示输入通道数，cout表示卷积核的数量，也是输出特征图的通道数 卷积核大小为k*k 123456import tensorflow as tfx=tf.random.normal([2,5,5,3])#模拟输入，3通道，高宽为5，2张图片#需要根据[k,k,cin,cout]格式创建 W 张量(filter)， 4 个 3x3 大小卷积核w=tf.random.normal([3,3,3,4])#步长为1，padding为0out=tf.nn.conv2d(x,w,strides=1,padding=[[0,0],[0,0],[0,0],[0,0]]) 1print(out.shape)#2是2张图片 1TensorShape([2, 3, 3,...
缺失的记忆
...
高层API:Keras
常见功能模块常见网络层类tf.keras.layers类中包含了全连接层、 激活函数层、 池化层、 卷积层、 循环神经网络层等常见网络层的类，可以直接使用这些类创建网络层，这里以softmax为例： 123import tensorflow as tffrom tensorflow import kerasfrom tensorflow.keras import layers#导入常见网络层类 123x=tf.constant([2.,1.,0.1])layer=layers.Softmax(axis=-1)#创建softmax层out=layer(x)#调用softmax前向计算，输出为out 1out <tf.Tensor: shape=(3,), dtype=float32, numpy=array([0.6590012 , 0.24243298, 0.09856589],...
