之前的文章中介绍的使用 Tensorflow 训练的模型要么只能运行在 PC 端，要么需要云端的支持。随着智能手机和物联网设备的普及，能够在智能手机甚至嵌入式设备直接运行的模型需求就越来越高。这篇文章就开始介绍 Tensorflow Lite, 这个能够运行在智能手机和 嵌入式设备的开源深度学习框架。 通常，我们会在 PC 或者云端建立模型，并对模型进行训练，然后将模型转换成 Tensorf...

Image from unsplash.com by @Jason_xj 之前的文章我们介绍了 RNN 循环网络，并用循环网络成功地预测了牛奶产量。这篇文章我们继续使用 RNN 以及 LSTM 和 GRU 处理分类问题。我们使用的是 Keras 自带的数据集——路透社新闻分类问题。 关注微信公众号获取源代码（二维码见文末） 1. RNN 回顾与卷积神经网络处理空间局部相关性数据不同，循环网...

Image from unsplash.com by @ripato 前面的文章我们学习了如何使用 Tensorflow 2.0 训练卷积神经网络，今天我们将学习如何用卷积神经网络的升级版 ResNet 来实战 CIFAR100 数据集。 关注微信公众号获取源代码（二维码见文末） 1. 深度神经网络的困扰自从2012 年，5层卷积神经网络在 ILSVRC12 挑战赛 ImageNet 数据...

image from unsplash by Zhang Kenny 前面的几篇文章从线性回归，到手写数字识别再到预测牛奶产量，我们用 Tensorflow 2.0 与 Keras 结合完成了全链接神经网络，卷积神经网络以及循环神经网络的搭建和训练。那 Tensorflow 2.0 和 Keras 到底是什么关系，我们应该如何选择和搭配二者来完成自己的项目呢？这篇文章就来探讨一下这个问题。...

前面两篇文章我们通过线性回归和 MINST 手写识别的项目，学习了如何使用 Tensorflow 2.0 解决预测和分类的问题。同时也回顾了神经网络以及 CNN 的套路。这篇文章我们同样通过 RNN 的实例再次巩固一下 Tensorflow 2.0 的使用方法。 关注微信公众号获取源代码（二维码见文末） 1. Keras 方法回顾如下图所示，数据记录了1962年到1975年一共14年每个月牛...

随着 Tensorflow 2.0 正式版发布的日期越来越近，我们应该做好准备忘记 1.0 版本中那些反人类的 静态 Graph 和 Session，拥抱新版本的各种易用简单的新特性。 我们之前的文章介绍了 Tensorflow 的 Eager 模式，Tensorflow 2.0 默认就是在 Eager 模式下运行的，所以 Eager 模式下可以直接打印出运算结果以及与 numpy 的无缝切...

上篇文章我们用线性回归的项目快速入门了 Tensorflow 2.0 ，本文我们继续深入研究 ，使用 Keras 搭建模型配合 Tensorflow 2.0 解决线性回归和分类问题。 全部代码，请见我的github repo https://github.com/zht007/tensorflow-practice 1. 线性回归回顾在 Tensorflow 2.0 中我们使用tf.Gra...

image from unsplash by Gábor Juhász 迁移学习即利用已有的知识来学习新的知识，与人类类似，比如你学会了用笔画画，也就可以学习用笔来画画，并不用从头学习握笔的姿势。对于机器学习来说，可以用现有的已经经过训练的模型，来训练我们自己的模型，并没有必要从头训练。 以图像识别的神经网络模型为例，我们可以使用已经在 Image Net 上训练过的模型直接训练我们自己的...

image from unsplash.com by @jodaarba 在之前的文章中我们系统地介绍了强化学习，以及与神经网络相结合的深度强化学习。期间由于 Tensorflow 2.0 尚未正式发布，大多数代码均使用 Tensorflow 1.x 或者 Keras 实现的，今后我们逐渐会用 Tensorflow 2.x 或者 PyTorch 更新代码，同时借机复习相关知识。 这篇文章我们...

image from unsplash.com by Tara Hegerty 之前的文章介绍过如何在 Keras 中快速调用 Tensorboard 这个可视化工具，这篇文章我们再深入探讨一下 Tensorboard 在T Tensorflow 2.0 下如何使用。 本文源代码请关注微信公众号(二维码见文末)获取 1. Tensorboard 工作原理简单来说，tensorboard 就...