目录轴承故障识别_实验过程深度学习相关笔记Tensorflow学习笔记无归类杂项一些很有用的网站、工具、资料代码轴承故障识别_实验过程1.滚动轴承概述2.CWRU数据集3.环境用的框架，配置环境，主要参考等

参考极客学院基础教程tensorflow学习笔记二：入门基础TensorFlow用张量这种数据结构来表示所有的数据。

原文教程：tensorflow官方教程记录关键内容与学习感受。未完待续。。CreatingEstimatorsintf.contrib.learn——tf.contrib.learn框架，通过其高级别的EstimatorAPI，使得构建和训练机器学习模型变得容易。Estimator提供了类，你可以快速的实例化并安装普通的模型类别，如回归器和分类器：LinearClassifier：构建了一个线性分

#tensorflow变量作用域用上下文语句规定作用域withtf.variable_scope("作用域_name")......这样可以使得变量在tensorboard中的显示更加简介#增加变量显示1、用tf.summary.scalar(name="",tensor)收集单个值（0维的值）用tf.summary.histogram(name="",tensor)收集高维度的值2、合并变量并写

tf.reshape(tensor,shape,name=None)函数的作用是将tensor变换为参数shape的形式。其中shape为一个列表形式，特殊的一点是列表中可以存在-1。-1代表的含义是不用我们自己指定这一维的大小，函数会自动计算，但列表中只能存在一个-1。（当然如果存在多个-1，就是一个存在多解的方程了）好了我想说的重点还有一个就是根据shape如何变换矩阵。其实简单的想就是，re

由于课题需要，在下之后一阶段工作主要是使用深度网络来解决问题，拟使用TensorFlow来进行实验。由于在下对于TensorFlow完全只有小白级别的认识，因此决定一边学习一边记录，一方面便于分享共同进步，一方面请各位大牛帮忙指出在下认识上的错误。由于实验室分给在下的机器并没有很好地GPU，因此目前只安装了CPU版本的TensorFlow。1，安装Anaconda3（内含python3.5.2环境

文章在下述博文的基础上删减：http://blog.csdn.net/abvedu/article/details/54731713安装好Anaconda后，在AnacondaPrompt下执行conda命令安装matplotlib包。执行命令是：condainstallmatplotlib安装完成之后，就可以在命令窗口或者AnacondaSpyder编程环境使用Matplotlib绘制数学图形。

本篇博客转自以下博客：Tensorflow学习笔记2：AboutSession,Graph,OperationandTensorcs20si：tensorflowforresearch学习笔记1以下是正文

tensorflowRegularizers在损失函数上加上正则项是防止过拟合的一个重要方法,下面介绍如何在TensorFlow中使用正则项.tensorflow中对参数使用正则项分为两步:1.创建一个正则方法(函数/对象)2.将这个正则方法(函数/对象),应用到参数上如何创建一个正则方法函数tf.contrib.layers.l1_regularizer(scale,scope=None)返回一

ReLU是常用在隐藏层的激活函数，Softmax是常用在输出层的激活函数，CrossEntropyReLU数学公式：f(x)=max(x,0)当x小于0时，y=0，当x>=0时，y=x。Softmax数学公式：Softmax示例将任意一组输入，压缩为一组和为1的数。TensorFlow实现：x=tf.nn.softmax([1.2,0.9,0.4])CrossEnropyCrossentropyl

导语：本文是TensorFlow实现流行机器学习算法的教程汇集，目标是让读者可以轻松通过清晰简明的案例深入了解TensorFlow。这些案例适合那些想要实现一些TensorFlow案例的初学者。本教程包含还包含笔记和带有注解的代码。第一步：给TF新手的教程指南1：tf初学者需要明白的入门准备机器学习入门笔记：https://github.com/aymericdamien/TensorFlow-E

该文章是对TF中文手册的卷积神经网络和英文手册ConvolutionalNeuralNetworks部分所包含程序的解读，旨在展示CNN处理规模比较大的彩色图片数据集（分类问题）的完整程序模型，训练中使用交叉熵损失的同时也使用了L2范式的稀疏化约束，例子修改后就可以训练自己的数据。这篇博客按照程序工作的顺序，从cifar10_train.py开始，依次解读途径的每个重要函数，具体细节还需要自己阅读

深度学习模型TensorFlow很适合用来进行大规模的数值计算，其中也包括实现和训练深度神经网络模型。下面将介绍TensorFlow中模型的基本组成部分，同时将构建一个CNN模型来对MNIST数据集中的数字手写体进行识别。基本设置在我们构建模型之前，我们首先加载MNIST数据集，然后开启一个TensorFlow会话(session)。加载MNIST数据集TensorFlow中已经有相关脚本，来自动

有两种较为方便的方法建立全连接层tf.layers.dense()tf.contrib.layers.fully_connected()Reference:https://blog.csdn.net/LiQingBB/article/details/83449842https://stackoverflow.com/questions/44912297/are-tf-layers-dense-an

前言：不同的神经网络结构前向传播的方式也不一样，本章将介绍最简单的全连接网络结构的前向传播算法，并且将展示如何通过TensorFlow实现这个算法。一、前后传播算法简介为了介绍神经网络的前向传播算法，需要先了解神经元的结构。神经元是构成一个神经网络的最小单元，下图显示了一个最简单的神经元结构。从图中可以看出，一个神经元有多个输入和一个输出。每个神经元的输入既可以是其他神经元的输出，也可以是整个神经

**0.浅谈tensorflow变量机制**tensorflow提供了通过变量名称来创建或者获取一个变量的机制。通过这个机制，在不同的函数中可以直接通过变量的名字来使用变量，而不需要将变量通过参数的形式到处传递，实现了变量共享。**1.对比tf.Variable与tf.get_variable**tf.Variable(initial_value=None,trainable=True,colle

这里写自定义目录标题引言1.颜色图像的数组表示2.将数组显示为图像3.FashionMNIST数据集4.模型训练、评估及预测5.完整代码引言最近尝试学习tensorflow框架，计划按照教程进行操作，理解机制及使用的重要函数。任务1是：训练首个神经网络：基本分类。这一部分是训练神经网络来对fashionminst的服饰图像进行分类，可以借此案例熟悉计算机图像处理的输入输出。1.颜色图像的数组表示为

@tf.name_scope(name,default_name=None,values=None)定义命名空间（或定义域），可以嵌套使用，用于管理该命名空间下的东西，并用于sessiongraph的可视化@Tensorflow中的op:Opsaresaythecoreoftensorflow.TensorFlowisaprogrammingsysteminwhichyourepresentcom

二次代价函数其中，C表示代价函数，x表示样本，y表示实际值，a表示对应的输出值，n代表样本总数。是激活函数这时，每一个样本的损失函数为：假如我们使用梯度下降法来调整权值参数的大小，权值w和偏置值b的梯度如下：可以看出，w和b的梯度根激活函数的梯度成正比，激活函数梯度越大，w和b的大小调整得越快，训练收敛得就越快。#二次代价函数loss=tf.reduce_mean(tf.square(y_data

1、Epoch,Batch,Iteration的关系cifar10数据集有60000张图片作为训练数据，10000张图片作为测试数据。假设现在选择BatchSize=100对模型进行训练。那么：每个Epoch要训练的图片数量：60000(训练集上的所有图像)训练集具有的Batch个数：60000/100=600每个Epoch需要完成的Batch个数：600每个Epoch具有的Iteration个数

举例1：inferenceInterface.feed(inputName,floatValues,1,inputSize,inputSize,3);第一个参数是输入节点的名称，第二个参数floatValues是输入节点的值，定义的时候是一维float数组；inputSize,inputSize,3是输入节点的shape，floatValues数组的大小是inputSize*inputSize*3

TensorFlow学习笔记-几种LSTM对比tf.nn.rnn_cell.BasicLSTMCelltf.nn.static_rnntf.nn.static_rnntf.nn.dynamic_rnntf.contrib.cudnn_rnntf.contrib.rnn.LSTMBlockCelltf.contrib.rnn.LSTMBlockFusedCelltf.contrib.rnn.Basi

Createsatensorwithallelementssettozero.创建一个张量，所有元素都设为零。Thisoperationreturnsatensoroftypedtypewithshapeshapeandallelementssettozero.这个操作返回一个具有shape形状的dtype类型的张量，所有元素都设置为零。Forexample:tf.zeros([3,4],tf.i

原文教程：tensorflow官方教程记录关键内容与学习感受。未完待续。。Large-scaleLinearModelswithTensorFlow——tensorflow中，tf.learnAPI提供了大量可供线性模型工作的工具。这篇文档提供了关于这些工具的综述，它解释了：什么是线性模型为什么使用线性模型tf.learn如何帮助构建线性模型如何结合tf.learn和深度学习的线性模型的使用，以获

此文是本人在windows安装tensorflow看到最准确最全的资料，贴在这里留存。同时，安装过程中还参考了这个博文：http://blog.csdn.net/ztf312/article/details/56018891另外，按照作者的方法安装后，需要在tensorflow环境下安装spyder插件，才可在spyder下使用tensorflow。打开anacondanavigator，在env

TensorFlow学习笔记[1]:TensorFlow安装及在Jupyternotebook中用Pythond代码并生成散列点图作者：雨水/家辉，日期：2016-10-15，CSDN博客：http:/

目录在TensorFlow中，所有的数据通过张量的形式来表示1张量及属性：1.1维数（阶）1.2形状1.3数据类型TensorFlow支持以下三种类型的张量：**1.常量****2.变量****3.占位符**：张量定义方法举例**张量阶次及对应形状（shape）**操作实例1：输出1-10操作实例2：计算1-100累计和传送门：在TensorFlow中，所有的数据通过张量的形式来表示1张量及属性：

文章目录激活函数损失函数学习率滑动平均正则化例题激活函数常用的激活函数有：relu、sigmoid、tanh等。损失函数常用的损失函数有均方误差、自定义、交叉熵等。学习率滑动平均正则化例题importtensorflowastfimportnumpyasnpimportmatplotlib.pyplotasplt%matplotlibinlineBATCH_SIZE=30seed=2rdm=np.

Savertensorflow中的Saver对象是用于参数保存和恢复的。如何使用呢？这里介绍了一些基本的用法。官网中给出了这么一个例子：v1=tf.Variable(...,name='v1')v2=tf.Variable(...,name='v2')#Passthevariablesasadict:saver=tf.train.Saver({'v1':v1,'v2':v2})#Orpassthe

tensorflow学习笔记（八）-池化层（pooling)和全连接层(dense)一、池化层（pooling）池化层定义在tensorflow/python/layers/pooling.py.有最大值池化和均值池化

下载需要练习的inception模型并看起流程importtensorflowastfimportosimporttarfileimportrequests#inception_v3模型下载inception_pretrain_model_url='http://download.tensorflow.org/models/image/imagenet/inception-2015-12-05.t

参考资料：斯坦福CS20-2017pdf第一课Graphs、Sessions、tensor理清两个概念：Graphs、Sessions、tensorGraphs：计算的蓝图，并未真正开始计算，用图来表示计算是很直观的。跟Graph相关的操作：g=tf.get_default_graph()g=tf.Graph()withg.as_default():Session：搭建好Graph后，需要在Ses

本篇主要基于慕课的公开课《人工智能实践：Tendosflow笔记》，偏转载性质，原文为：人工智能实践：Tensorflow笔记学习（一）——人工智能概述这两年的人工智能、机器学习、深度学习，炒得火热，相信有些人跟我一样，初听这些名词概念时，并不清楚他们之间有何联系，是否就是同一概念。但其实三者的关系用一张图就可以说明：人工智能：就是用机器模拟人的意识和思维。现在常见的消费产品就是：Google的A

前言本文基于TensorFlow官网的How-Tos写成。TensorBoard是TensorFlow自带的一个可视化工具，Embeddings是其中的一个功能，用于在二维或三维空间对高维数据进行探索。AnembeddingisamapfrominputdatatopointsinEuclideanspace.本文使用MNIST数据讲解Embeddings的使用方法。代码#-*-coding:ut

一、tensorflow的特点与概述《TENSORFLOWROADMAP》1、What’sthepointofthisopensourceproject?Thepointofthisrepositoryisthattheresourcesarebeingtargeted.Theorganizationoftheresourcesissuchthattheusercaneasilyfindtheth

TensorFlow实战训练房价预测模型数据处理与分析单变量房价预测数据处理与分析：importpandasaspdimportseabornassnsimportmatplotlib.pyplotaspltsns.set(context='notebook',style='whitegrid',palette='dark')#设置画图环境df0=pd.read_csv('data/data0.c

最近在研究tensorflow自带的例程speech_command,顺便学习tensorflow的一些基本用法。其中tensorboard作为一款可视化神器，可以说是学习tensorflow时模型训练以及参数可视化的法宝。而在训练过程中，主要用到了tf.summary()的各类方法，能够保存训练过程以及参数分布图并在tensorboard显示。tf.summary有诸多函数：1、tf.summa

1.data.info()可以查看数据的基本status2.DataFrame.apply(func,axis=0,broadcast=False,raw=False,reduce=None,args=(),**kwds)参数：（1）func：应用于每个列/行的函数（2）axis:{0or‘index’,1or‘columns’},默认是0。0or‘index’:将func应用与每列1or‘col

TensorFlow神经网络—激活函数操作描述tf.nn.relu(features,name=None)整流函数：max(features,0)tf.nn.relu6(features,name=None)以6为阈值的整流函数：min(max(features,0),6)tf.nn.elu(features,name=None)elu函数，exp(features)-1if<0,否则featur

1.TensorFlow神经网络—符号嵌入操作描述tf.nn.embedding_lookup(params,ids,partition_strategy=’mod’,name=None,validate_indices=True)根据索引ids查询embedding列表params中的tensor值如果len(params)>1，id将会安照partition_strategy策略进行分割1、如

Tensorflow学习笔记（六）模型的合并将多个模型文件合并成一个模型文件定义一个简单的模型加载SavedModel模型加载.meta模型模型连接两个模型保存成为新的模型保存成一个.pb模型保存为SavedModel

1，自编码器简介传统机器学习任务很大程度上依赖于好的特征工程，比如对数值型，日期时间型，种类型等特征的提取。特征工程往往是非常耗时耗力的，在图像，语音和视频中提取到有效的特征就更难了，工程师必须在这些领域有非常深入的理解，并且使用专业算法提取这些数据的特征。深度学习则可以解决人工难以提取有效特征的问题，它可以大大缓解机器学习模型对特征工程的依赖。深度学习在早期一度被认为是一种无监督的特征学习（Un

2017/02/23更新贴一个TensorFlow2017开发者大会的Mobile专题演讲移动和嵌入式TensorFlow这里面有重点讲到本文介绍的三个例子，以及其他的移动和嵌入式方面的TF相关问题，干货很多2017/01/17更新今天上Github，发现Tensorflow的Androiddemo又更新了，除了基本的修改以外，又增加了一个图像风格迁移的安卓demo，而且还增加了AndroidSt

卷积操作conv2d详解tf.nn.conv2d(input,filter,strides,padding,use_cudnn_on_gpu=None,name=None)除去name参数用以指定该操作的name，与方法有关的一共五个参数：input：指需要做卷积的输入图像，它要求是一个Tensor，具有[batch,in_height,in_width,in_channels]这样的shape，

tf.train.Saver类提供了保存和恢复模型（变量、图、图的元数据）的方法1、保存模型tf.train.Saver.save方法以将变量保存到checkpoint文件中#创建Saver来管理模型中的所有变量saver=tf.train.Saver()withtf.Session()assess:······#Savethevariablestodisk.save_path=saver.sav

本文参考TF官方入门程序链接：https://tensorflow.google.cn/tutorials/keras/basic_classification推荐直接看以上链接中的官方教程，如果无法打开该链接可以直接看以下内容，以下为官方内容的一个搬运，以保证本系列的完整性，便于自己学习使用。本教程会训练一个对服饰（例如运动鞋和衬衫）图像进行分类的神经网络模型。本教程使用tf.keras，它是一

tf.variable_scope()：提供了简单的命名空间技术以避免冲突,可以让变量有相同的命名，包括tf.get_variable得到的变量，还有tf.Variable的变量tf.name_scope()：可以让变量有相同的命名，只是限于tf.Variable的变量tf.get_variable():从同一个变量范围内获取或者创建；创建的变量名不受name_scope的影响；创建的变量，nam

我使用VS2013Python3.5TensorFlow1.3的开发环境UnicodeDecodeError:'utf-8'codeccan'tdecodebyte0xffinposition0:invalidstartbyte在是使用Tensorflow读取图片文件的情况下，会出现这个报错代码如下#-*-coding:utf-8-*-importtensorflowastfimportnumpy

tensorflow学习笔记中，可能版本问题，总会遇到一些小问题，运行到矩阵相乘时会遇到上面的报错。

在MNIST手写字数据集中，我们导入的数据和标签都是预先处理好的，但是在实际的训练中，数据和标签往往需要自己进行处理。以手写数字识别为例，我们需要将0-9共十个数字标签转化成onehot标签。例如：数字标签“6”转化为onehot标签就是[0，0，0，0，0，0，1，0，0，0].首先获取需要处理的标签的个数：batch_size=tf.size(labels)假设输入了6张手写字图片，那么对应的