tensorflow 1
import tensorflow as tf
import numpy as np
import matplotlib.pylab as pltdef tfDemo1():#create datax_data = np.random.rand(100).astype(np.float32)y_data = x_data * 0.1 + 0.3#create tensorflow structureWeights=tf.Variable(tf.random_uniform([1],-1.0,1.0)) #一维，范围[-1,1]biases=tf.Variable(tf.zeros([1]))y=Weights*x_data+biasesloss=tf.reduce_mean(tf.square(y-y_data))#建立优化器，减小误差，提高参数准确度，每次迭代都会优化optimizer=tf.train.GradientDescentOptimizer(0.5) #学习效率<1train=optimizer.minimize(loss)#初始化变量init=tf.global_variables_initializer()with tf.Session() as sess:sess.run(init)#trainfor step in range(201):sess.run(train)if step%20==0:print(step,sess.run(Weights),sess.run(biases))def tfDemo2():matrix1 = tf.constant([[3, 3]])matrix2 = tf.constant([[2], [2]])#Tensor("Const:0", shape=(1, 2), dtype=int32)#Tensor("Const_1:0", shape=(2, 1), dtype=int32)print(matrix1)print(matrix2)# matrix multiply# np.dot(m1,m2)product = tf.matmul(matrix1, matrix2)sess = tf.Session() # Session是一个object，首字母要大写result = sess.run(product)print(result)sess.close()# method 2# with 可以自己关闭会话with tf.Session() as sess:result2 = sess.run(product)print(result2)# Variable
def tfDemo3():state=tf.Variable(0,name='counter')print(state)print(state.name)one=tf.constant(1)new_value=tf.add(state,one)updata=tf.assign(state,new_value)#变量必须要激活init=tf.global_variables_initializer()with tf.Session() as sess:sess.run(init)for _ in range(3):sess.run(updata)print(sess.run(state))# placeholder
def tfDemo4():# 给定type，tf大部分只能处理float32数据input1 = tf.placeholder(tf.float32)input2 = tf.placeholder(tf.float32)output = tf.multiply(input1, input2)with tf.Session() as sess:print(sess.run(output, feed_dict={input1: [7.], input2: [2.]}))# 添加层
def add_layer(inputs,in_size,out_size,activation_function=None):#Weights是一个矩阵，[行，列]为[in_size,out_size]Weights=tf.Variable(tf.random_normal([in_size,out_size]))#正态分布#初始值推荐不为0，所以加上0.1，一行，out_size列biases=tf.Variable(tf.zeros([1,out_size])+0.1)#Weights*x+b的初始化的值，也就是未激活的值Wx_plus_b=tf.matmul(inputs,Weights)+biasesif activation_function is None:outputs=Wx_plus_belse:outputs=activation_function(Wx_plus_b)return outputs# 构建一个神经网络
def tfDemo5():# (-1,1)之间，有300个单位，后面的是维度，x_data是有300行（300个例子）x_data=np.linspace(-1,1,300)[:,np.newaxis]# 加噪声,均值为0，方差为0.05，大小和x_data一样noise=np.random.normal(0,0.05,x_data.shape)y_data=np.square(x_data)-0.5+noisexs=tf.placeholder(tf.float32,[None,1])ys=tf.placeholder(tf.float32,[None,1])"""建立网络"""#定义隐藏层，输入1个节点，输出10个节点l1=add_layer(xs,1,10,activation_function=tf.nn.relu)#定义输出层prediction=add_layer(l1,10,1,activation_function=None)# 计算loss只需要正向传播loss=tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),reduction_indices=[1]))"""训练"""#优化算法,minimize(loss)以0.1的学习率对loss进行减小train_step=tf.train.GradientDescentOptimizer(0.1).minimize(loss)init=tf.global_variables_initializer()with tf.Session() as sess:sess.run(init)for i in range(2000):# sess.run()调用一次就进行一次正向传播，然后根据误差进行一次反向传播调整网络参数(梯度下降进行调整)sess.run(train_step,feed_dict={xs:x_data,ys:y_data})if i%50==0:print(sess.run(loss,feed_dict={xs:x_data,ys:y_data}))# 可视化
def tfDemo6(): """定义数据形式"""# (-1,1)之间，有300个单位，后面的是维度，x_data是有300行（300个例子）x_data=np.linspace(-1,1,300)[:,np.newaxis]# 加噪声,均值为0，方差为0.05，大小和x_data一样noise=np.random.normal(0,0.05,x_data.shape)y_data=np.square(x_data)-0.5+noisexs=tf.placeholder(tf.float32,[None,1])ys=tf.placeholder(tf.float32,[None,1])"""建立网络"""#定义隐藏层，输入1个节点，输出10个节点l1=add_layer(xs,1,10,activation_function=tf.nn.relu)#定义输出层prediction=add_layer(l1,10,1,activation_function=None)"""预测"""#损失函数,算出的是每个例子的平方，要求和（reduction_indices=[1]，按行求和）,再求均值loss=tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),reduction_indices=[1]))"""训练"""#优化算法,minimize(loss)以0.1的学习率对loss进行减小train_step=tf.train.GradientDescentOptimizer(0.1).minimize(loss)init=tf.global_variables_initializer()with tf.Session() as sess:sess.run(init)fig=plt.figure()#连续性的画图ax=fig.add_subplot(1,1,1)ax.scatter(x_data,y_data)# 不暂停plt.ion()# plt.show()绘制一次就会暂停# plt.show() #也可以用plt.show(block=False)来取消暂停，但是python3.5以后提供了ion的功能，更方便for i in range(1000):sess.run(train_step,feed_dict={xs:x_data,ys:y_data})if i%20==0:# print(sess.run(loss,feed_dict={xs:x_data,ys:y_data}))#尝试先抹除，后绘制第二条线#第一次没有线，会报错，try就会忽略错误，然后紧接着执行下面的步骤try:# 画出一条后抹除掉,去除第一个线段，但是只有一个，也就是抹除当前的线段ax.lines.remove(lines[0])except Exception:passprediction_value=sess.run(prediction,feed_dict={xs:x_data})lines=ax.plot(x_data,prediction_value,'r-',lw=5) #lw线宽# 暂停0.1splt.pause(0.1)
def main():#tfDemo1()#tfDemo2()#tfDemo3()#tfDemo4()#tfDemo5()tfDemo6()if __name__ == '__main__':main()相关文章：
SLAM资源整理
资源整理 浙大3D Group VINS orbslam2 orbslam2 video study https://www.bilibili.com/video/BV1bK4y197kB/?spm_id_fromautoNext orbslam2 csdn https://blog.csdn.net/ncepu_chen/category_9874746.html https://www.zhihu.com/column/c_1114864226103037952 https:…
Golang微服务开发实践
github: github.com/yun-mu/Micr… 微服务概念学习：可参考 Nginx 的微服务文章 微服务最佳实践：可参考 微服务最佳实践 demo 简介 服务： consignment-service（货运服务）user-service（用户服务）l…
Linux ssh/scp/docker学习
文章目录Linux ssh/scp/docker使用学习1. ssh 登录2. scp传输文件3. docker4. git checkout 替换指定分支的单个文件Linux ssh/scp/docker使用学习 1. ssh 登录 sudo ssh fireflyip (登录账号密码) scp -r company/data_depthfill/ firefly192.168.105.6:/tmp/ 2…
tensorflow mnist 1
import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data import keras.backend.tensorflow_backend as KTFdef add_layer(inputs,in_size,out_size,activation_functionNone):#Weights是一个矩阵，[行，列]为[in_size,out_s…
framework7使用笔记
2019独角兽企业重金招聘Python工程师标准>>> myApp.addView(.view-main, {}); 以上这句代码一定要添加 ，否则链接的页面不能正常加载 --------------------------------------------- 如果初始化时定义了preprocess，则页面上链接的自动加载将…
Linux:检查当前运行级别的五种方法
2019独角兽企业重金招聘Python工程师标准>>> 运行级就是Linux操作系统当前正在运行的功能级别。存在七个运行级别，编号从0到6。系统可以引导到任何给定的运行级别。运行级别由数字标识。每个运行级别指定不同的系统配置，并允许访问不同的进程…
概率机器人资料整理
机器人算法仿真 https://atsushisakai.github.io/PythonRobotics/ 最大熵对应的概率分布及其优化推导 https://www.cnblogs.com/yychi/p/9401807.html 矩阵计算网址 http://www.yunsuan.info/matrixcomputations/index.html
LLVM官方文档翻译---- LLVM原子指令与并发指引
英文原文地址：http://llvm.org/docs/Atomics.html 译文原文地址：http://blog.csdn.net/wuhui_gdnt/article/details/52485591 注：该文章转载已经得到译者授权。 --------------------------------------------------------------------------…
matplotlib画图
import matplotlib.pyplot as plt import numpy as npdef test1():# 从[-1,1]中等距去50个数作为x的取值x np.linspace(-1, 1, 50)print(x)y 2*x 1y1 2**x 1# 第一个是横坐标的值，第二个是纵坐标的值plt.plot(x, y)plt.plot(x, y1)# 必要方法，用于将…
学习新对象字面量语法
目标 使用简写属性名称使用简写方法名称使用计算属性名称问题 哪些部分是冗余的? const person{name:name,address:address,sayHello:function(){/*......*/},sayName:function(){/*......*/}sayAddress:function(){/*......*/}} 复制代码简写属性名称 //ES5 const message{te…
ORB-SLAM2代码/流程详解
ORB-SLAM2代码详解 文章目录ORB-SLAM2代码详解1. ORB-SLAM2代码详解01_ORB-SLAM2代码运行流程1 运行官方Demo1.2. 阅读代码之前你应该知道的事情1.2.1 变量命名规则1.3 理解多线程1.3.1 为什么要使用多线程?1.3.2 多线程中的锁1.4 SLAM主类System1.4.1 System类是ORB-SLAM2系统…
VS2010 CUDA 5.5 Win7 64位配置以及项目创建配置
一.安装CUDA5.5以及配置VS助手 1、安装之前必须确认自己电脑的GPU支持CUDA。在设备管理器中找到显示适配器（Display adapters)，找到自己电脑的显卡型号，如果包含在http://www.nvidia.com/object/cuda_gpus.html的列表中，说明支持…
HTC VIVE SDK 中的例子 hellovr_opengl 程序流程分析
最近Vive的VR头盔设备很火，恰逢项目需求，所以对 SDK 中的例子 hellovr_opengl 做了比较细致的代码分析，先将流程图绘制如下，便于大家理解。 在ViVe头盔中实现立体效果的技术核心： 如果要外挂Vive的VR设备实现立体效果&…
Proximal Algorithms 4 Algorithms
目录 Proximal minimization解释\(f(x) g(x)\)解释1 最大最小算法不动点解释Forward-backward 迭代解释加速 proximal gradient method交替方向方法 ADMM解释1 自动控制解释2 Augmented Largranians解释3 Flow interpretation解释4 不动点特别的情况 \(f(x) g(Ax)\)Proximal …
C# TripleDES NoPadding 时对待加密内容进行补字节（8个字节为一个Block）
补一个空格（半角）： private static byte[] FormatData(String str) {var yu str.Length % 8;if (yu 0) return Encoding.GetEncoding(Consts.Charset).GetBytes(str);var size 8 - yu;var arr new byte[str.Length size];var data Enco…
keras Regressor 回归
import numpy as np np.random.seed(1337) # for reproducibility from keras.models import Sequential from keras.layers import Dense import matplotlib.pyplot as plt # 可视化模块import tensorflow as tf import keras.backend.tensorflow_backend as KTF# create som…
13、JsonResponse响应介绍
转载于:https://blog.51cto.com/yht1990/2406566
keras Classifier 分类
import numpy as np np.random.seed(1337) # for reproducibility from keras.models import Sequential from keras.layers import Dense, Activation from keras.optimizers import RMSprop import matplotlib.pyplot as plt # 可视化模块import tensorflow as tf import ke…
如何管理好自己的性格？
往往因为我们太感性，而获得与男人不一样的灵动的感受。而当过分的感性不合时宜地在职业生涯中表现出来时，我们该怎么调整自己呢？ 由于女人与生俱来的特点，我们善良、有耐心，所以我们更易得到别人的支持和帮助&#…
Axis2 webservice入门--Webservice的发布与调用
一、Webservice发布 参考 http://www.cnblogs.com/demingblog/p/3263576.html 二、webservice 调用 部分参考：http://www.cnblogs.com/demingblog/p/3264688.html 使用myeclipse中的axis2插件生成客户端代码 new -->others到如下界面： 点next 到如下界…
Java断点续传（基于socket与RandomAccessFile的实现）
这是一个简单的C/S架构，基本实现思路是将服务器注册至某个空闲端口用来监视并处理每个客户端的传输请求。 客户端先获得用户给予的需传输文件与目标路径，之后根据该文件实例化RandomAccessFile为只读，之后客户端向服务器发送需传输的文件名文…
EJB调用原理分析
EJB调用原理分析 作者：robbin (MSN:robbin_fan AT hotmail DOT com) 版权声明：本文严禁转载，如有转载请求，请和作者联系 一个远程对象至少要包括4个class文件：远程对象；远程对象的接口；实现远程…
Jfinal Generator 不需要生成带某个前缀的表名数组的方法
2019独角兽企业重金招聘Python工程师标准>>> package com.demo.common.model; import javax.sql.DataSource; import com.jfinal.kit.PathKit; import com.jfinal.kit.Prop; import com.jfinal.kit.PropKit; import com.jfinal.plugin.activerecord.generato…
tensorflow 2
import tensorflow as tf import numpy as npdef test1():#create datax_datanp.random.rand(100).astype(np.float32)y_datax_data*0.10.3#create tensorflow structureWeightstf.Variable(tf.random_uniform([1],-1.0,1.0)) #一维，范围[-1,1]biasestf.Variable(tf…
PCB多层线路板打样难点
PCB多层板无论从设计上还是制造上来说，都比单双层板要复杂，一不小心就会遇到一些问题，那在PCB多层线路板打样中我们要规避哪些难点呢？ 1、层间对准的难点 由于多层电路板中层数众多，用户对PCB层的校准要求越来越…
GARFIELD@11-07-2004
Vanity Fair转载于:https://www.cnblogs.com/rexhost/archive/2004/11/07/61286.html
python文件读写1
# -*- coding: utf-8 -*-# read txt file def readTextFile(file):f open(file, r)# 尽可能多的读取文件的内容，一般会将整个文件内容都会读取context f.read() print(context)f.close()def readTextFileByLines(file):f open(file, "r")lines f.read…
jfinal框架下使用c3P0连接池连接sql server 2008
2019独角兽企业重金招聘Python工程师标准>>> 闲话少说 进入正题 首先是工程需要的jar包 然后是c3p0的配置文件。我是这样配置的 仅供参考 jdbcDriver com.microsoft.sqlserver.jdbc.SQLServerDriver jdbcUrl jdbc:sqlserver://localhost:7777;databaseNametest us…
mongodb插入文档时不传ObjectId
type BookExt struct {ID bson.ObjectId bson:"_id"Title string bson:"title"SubTitle string bson:"subTitle"Author string bson:"author" } 以上结构体,在通过此结构体对象作为参数传入Insert插入…
[问题]DotNet 项目如何实现在构建时 Build 号自动增加？
[问题]DotNet 项目如何实现在构建时 Build 号自动增加？ 继续昨天的问题，今天在Google上找了一下，没有找到很好的方案。目前找到的解决方案有以下几种：1.使用一个地三方的 VS.Net 插件，实现在编译时 Build 号自动增加&a…