TensorFlow 快速入门与实战
彭靖田
Google Developers Expert,《深入理解 TensorFlow》作者
31210 人已学习
新⼈⾸单¥59
课程目录
已完结/共 67 讲
第二章:TensorFlow初接触 (5讲)
第六章:实战TensorFlow验证码识别 (8讲)
TensorFlow 快速入门与实战
登录|注册
留言
12
收藏
沉浸
阅读
分享
手机端
回顶部
当前播放: 20 | 变量(Variable)是什么(下)
00:00 / 00:00
高清
  • 高清
1.0x
  • 2.0x
  • 1.5x
  • 1.25x
  • 1.0x
  • 0.75x
  • 0.5x
网页全屏
全屏
00:00
付费课程,可试看
01 | 课程介绍
02 | 课程内容综述
03 | 第一章内容概述
04 | TensorFlow产生的历史必然性
05 | TensorFlow与Jeff Dean的那些事
06 | TensorFlow的应用场景
07 | TensorFlow的落地应用
08 | TensorFlow的发展现状
09 | 第二章内容概述
10 | 搭建你的TensorFlow开发环境
11 | Hello TensorFlow
12 | 在交互环境中使用TensorFlow
13 | 在容器中使用TensorFlow
14 | 第三章内容概述
15 | TensorFlow模块与架构介绍
16 | TensorFlow数据流图介绍
17 | 张量(Tensor)是什么(上)
18 | 张量(Tensor)是什么(下)
19 | 变量(Variable)是什么(上)
20 | 变量(Variable)是什么(下)
21 | 操作(Operation)是什么(上)
22 | 操作(Operation)是什么(下)
23 | 会话(Session)是什么
24 | 优化器(Optimizer)是什么
25 | 第四章内容概述
26 | 房价预测模型的前置知识
27 | 房价预测模型介绍
28 | 房价预测模型之数据处理
29 | 房价预测模型之创建与训练
30 | TensorBoard可视化工具介绍
31 | 使用TensorBoard可视化数据流图
32 | 实战房价预测模型:数据分析与处理
33 | 实战房价预测模型:创建与训练
34 | 实战房价预测模型:可视化数据流图
35 | 第五章内容概述
36 | 手写体数字数据集MNIST介绍(上)
37 | 手写体数字数据集MNIST介绍(下)
38 | MNIST Softmax网络介绍(上)
39 | MNIST Softmax网络介绍(下)
40 | 实战MNIST Softmax网络(上)
41 | 实战MNIST Softmax网络(下)
42 | MNIST CNN网络介绍
43 | 实战MNIST CNN网络
44 | 第六章内容概述
45 | 准备模型开发环境
46 | 生成验证码数据集
47 | 输入与输出数据处理
48 | 模型结构设计
49 | 模型损失函数设计
50 | 模型训练过程分析
51 | 模型部署与效果演示
52 | 第七部分内容介绍
53 | 人脸识别问题概述
54 | 典型人脸相关数据集介绍
55 | 人脸检测算法介绍
56 | 人脸识别算法介绍
57 | 人脸检测工具介绍
58 | 解析FaceNet人脸识别模型
59 | 实战FaceNet人脸识别模型
60 | 测试与可视化分析
61 | 番外篇内容介绍
62 | TensorFlow社区介绍
63 | TensorFlow生态:TFX
64 | TensorFlow生态:Kubeflow
65 | 如何参与TensorFlow社区开源贡献
66 | ML GDE是TensorFlow社区与开发者的桥梁
67 | 课程总结
登录 后留言

全部留言(12)

  • 最新
  • 精选
bearlu
老师,麻烦贴一下源码地址

作者回复: https://github.com/DjangoPeng/tensorflow-101

2019-01-12
2
JustDoDT
注意TensorFlow2.0 相对于1.0很多都改名了。

编辑回复: 是的

2020-01-13
ZeroIce
老师,有什么书籍推荐看的?英文系列也行

作者回复: 《Python深度学习》Keras作者写的 《深入理解TensorFlow》也可以看看

2019-08-24
沉枫y
接上一条留言 print(sess.run(b)) print(b) 两者的输出结果不一样 [1. 1. 1. 1.] <tf.Variable 'b:0' shape=(4,) dtype=float32_ref> 是不是可以理解为 b的本身只是一个定义好的30位的浮点数张量 在经过session会话后,只是在该会话改变了他的值,但并不改变他本身的属性 还是以上理解是错的 是其他的解释

作者回复: 在该会话(上下文)中改变(初始化、计算、赋值)了它。如果你关闭会话 ,它还是一个数据流图中的Variable 实例。

2019-02-26
沉枫y
执行完sess.run([W, b])后 去打印变量W后的结果并没有发生变化(在IDLE中操作)

作者回复: print(sess.run([W, b])) 会打印出结果,因为会话执行特定节点(变量、操作)返回的是 python 数据类型。但是 W和b本身是 TensorFlow DSL 定义的数据类型,是一个抽象的“壳”。无论你执行多少次,“壳”是不会变得。

2019-02-26
星辰大海
终于赶上进度了😂

作者回复: 加油加油!

2019-01-13
JustDoDT
2.0的朋友找到解决方案了,为了成功运行老师的代码:开头可以这样 import tensorflow.compat.v1 as tf tf.disable_v2_behavior()
2020-01-13
4
JustDoDT
注意 tf.random_normal方法改名了 改成了tf.random.normal # 创建变量 # tf.random_normal 方法返回形状为(1,4)的张量。它的4个元素符合均值为100、标准差为0.35的正态分布。 W = tf.Variable(initial_value=tf.random.normal(shape=(1, 4), mean=100, stddev=0.35), name='W') b = tf.Variable(tf.zeros([4]), name='b')
2020-01-13
1
3
陈浩然
import tensorflow as tf W = tf.Variable(initial_value = tf.random_normal(shape = (1 , 4) ,mean = 100 , stddev = 0.35 ), name = "W") b = tf.Variable(tf.zeros([4]) , name="b") [W , b] [<tf.Variable 'W:0' shape=(1, 4) dtype=float32_ref>, <tf.Variable 'b:0' shape=(4,) dtype=float32_ref>] sess = tf.Session() sess.run(tf.global_variables_initializer()) sess.run( [W , b]) [array([[100.40549 , 99.182625, 100.23513 , 99.42683 ]], dtype=float32), array([0., 0., 0., 0.], dtype=float32)] sess.run(tf.assign_add(b , [1,1,1,1] )) sess.run(tf.assign_add(b , [1,1,1,1] )) ​ array([1., 1., 1., 1.], dtype=float32) sess.run(b) array([1., 1., 1., 1.], dtype=float32) saver = tf.train.Saver({'W' : W , 'b' : b}) saver.save(sess , './summary/data.ckpt' , global_step = 0) WARNING:tensorflow:Issue encountered when serializing trainable_variables. Type is unsupported, or the types of the items don't match field type in CollectionDef. Note this is a warning and probably safe to ignore. 'test' has type str, but expected one of: int, long, bool WARNING:tensorflow:Issue encountered when serializing variables. Type is unsupported, or the types of the items don't match field type in CollectionDef. Note this is a warning and probably safe to ignore. 'test' has type str, but expected one of: int, long, bool './summary/data.ckpt-0' sess.run(tf.assign_add(b , [1,1,1,1] )) sess.run(b) array([2., 2., 2., 2.], dtype=float32) saver.restore(sess , './summary/data.ckpt-0') saver.restore(sess , './summary/data.ckpt-0') sess.run(b) INFO:tensorflow:Restoring parameters from ./summary/data.ckpt-0 array([1., 1., 1., 1.], dtype=float32)
2019-01-14
3
Tiger
请问老师,怎么应对tensorflow的版本变化问题,一定要每个函数的名字都要改到2.0版本的吗?
2020-07-10
收起评论