#
如下所示： import tensorflow as tf a=tf.constant([[[1,2,3,4],[4,5,6,7],[7,8,9,10]], [[11,12,13,14
在实际的业务中，可能会遇到很大量的特征，这些特征良莠不齐，层次不一，可能有缺失，可能有噪声，可能规模不一致，可能类型不一样，等等问题都需要我们在建模之前，先预处理特征或者叫清洗特征。那么这清洗特征的过
在Python代码中指定GPU import os os.environ["CUDA_VISIBLE_DEVICES"] = "0" 设置定量的GPU使用量： config = tf.C
tensorflow中对tensor对象进行像numpy数组一样便捷的操作是不可能的， 至少对1.2以及之前的版本而言。 从issue上看到，有不少人希望tensorflow能及早实现这些操作，但近期
-----最近从github上找了一个代码跑，但是cpu训练的时间实在是太长，所以想用gpu训练一下，经过了一天的折腾终于可以用gpu进行训练了，嘿嘿~ 首先先看一下自己电脑的显卡信息： 可以看到我
今天和大家分享一下用TensorFlow的saver存取训练好的模型那点事。 1. 用saver存取变量； 2. 用saver存取指定变量。 用saver存取变量。 话不多说，先上代码 #
如下所示： #tensorflow 中从ckpt文件中恢复指定的层或将指定的层不进行恢复: #tensorflow 中不同的layer指定不同的学习率 with tf.Graph().as_d
下面代码的功能是先训练一个简单的模型，然后保存模型，同时保存到一个pb文件当中，后续可以从pd文件里读取权重值。 import tensorflow as tf import numpy as n
我就废话不多说了，直接上代码吧！ import tensorflow as tf w1 = tf.Variable([[1,2]]) w2 = tf.Variable([[3,4]])
TensorFlow提供了TFRecords的格式来统一存储数据，理论上，TFRecords可以存储任何形式的数据。 TFRecords文件中的数据都是通过tf.train.Example Prot
