image source from unsplash.com by Sergio souza 众所周知，Tensorflow入门之所以困难，与其采用的Graph 和 Session 模式有关，这与原生的 Python 代码简单、直观的印象格格不入。同时，由于计算仅仅发生在Session里面，所以初始化参数和变量的时候没办法将结果打印出来，以至于调试起来也十分困难。 当然Google官方也意...

Tensorflow 和 Keras 除了能处理前一篇文章提到的回归(Regression，拟合&预测)的问题之外，还可以处理分类(Classfication)的问题。 这篇文章我们就介绍一下如何用Keras快速搭建一个线性分类器或神经网络，通过分析病人的生理数据来判断这个人是否患有糖尿病。 同样的，为了方便与读者交流，所有的源代码都放在了这里： https://github.com...

前面两篇文章介绍了Tensorflow，以及用Tensorflow快速上手一个线性回归的项目。 实际上Tensorflow对于机器学习新手来说并不是很友好，Tensorflow自己也有高层API，比如Estimator和tf.data就相对来说更容易上手。 Keras本来是独立的机器学习框架，但已经逐渐被整合进了Tensorflow, 今天我们就来简单上手一下吧。 同样的，为了方便与读者交流...

早前，我介绍了循环神经网络(RNN)的基本概念，这篇文章我们就用Keras搭建一个RNN网络。该RNN能够通过对历史数据的学习，预测未来数据。 同样的，为了方便与读者交流，所有的代码都放在了这里： Repository:https://github.com/zht007/tensorflow-practice 1. GRU和LSTM简介GUR(Gated Recurrent Unit)**和...

上一篇文章我们介绍了如何使用Keras处理分类问题，那Tensorflow可不可以像处理回归问题一样，直接处理分类问题呢？ 答案当然是肯定的。这篇文章我们就用之前 相同的数据，来学习如何用Tensorflow训练一个线性分类器。数据预处理的过程就略过了，可以参考上一篇文章。 同样的，为了方便与读者交流，所有的源代码都放在了这里：https://github.com/zht007/tensor...

image source by Samuel Zeller from unsplash.com Tensorflow中有一大堆cross_entropy损失函数用于处理分类问题，初学者往往会一脸懵逼，不知道如何选择。 tf.losses.softmax_cross_entropy tf.losses.sparse_softmax_cross_entropy tf.losses.sigmo...

手写数字识别是一个非常经典的机器学习项目，这篇文章，我们就通过参加Kaggle上这个经典项目的竞赛，学习如何用Tensorflow和Keras实现一个最简单的单层神经网络。 同样的，为了方便与读者交流，所有的代码都放在了这里： Repository:https://github.com/zht007/tensorflow-practice 1. 数据下载和预处理在Kaggle的项目页面可以下...

Image source: unsplash.com by Paweł Czerwiński 之前的文章我们介绍了如何用单层和多的全连接层神经网络识别手写数字，虽然识别率能够达到98%，但是由于全链接神经网络本身的局限性，其识别率已经很难再往上提升了。我们需要改进神经网络的结构，采用**卷积神经网络(CNN)**的结构来进一步提高的识别率。 关于CNN的原理，我在之前的文章中已经介绍，这篇...

Image source: unsplash.com by Sergey Pesterev 上一篇文章中，我们用Tensorflow搭建了单层神经网络，该网络对MNIST手写识别率能到达90%。如何进一步提高识别率呢？Let’s go deeper, 搭建更多层的神经网络吧。 同样的，为了方便与读者交流，所有的代码都放在了这里： Repository:https://github.com/...

image source from unsplash by Mehrshad Rajabi 上一篇文章我们用Keras搭建GRU神经网络，通过对前13年牛奶产量的学习，成功预测了地最后1年牛奶的产量。 该模型是多对一的输入/输出结构，也就意味着12个月的数据输入，只能输出1个月的数据。有没有可能改进模型，让输出输入的数量一致，以提高预测效率呢？这篇文章我们就来改进GRU模型，实现多对多的结...