This guide provides a quick overview of TensorFlow basics. Each section of this doc is an overview of a larger topic—you can find links to full guides at the end of each section. TensorFlow is an end-to-end platform for machine learning. It supports the following: Multidimensional-array based numeric computation (similar to NumPy.) GPU and distributed processing Automatic differentiation Model construction, training, and export And more

查看tensorflow版本

The best place to start is with the user-friendly Keras sequential API. Build models by plugging together building blocks. After these tutorials, read the Keras guide. The Keras functional and subclassing APIs provide a define-by-run interface for customization and advanced research. Build your model, then write the forward and backward pass. Create custom layers, activations, and training loops.

Convolutional Neural Network (CNN) This tutorial demonstrates training a simple Convolutional Neural Network (CNN) to classify CIFAR images. Because this tutorial uses the Keras Sequential API, creating and training your model will take just a few lines of code.

完成tensorflow安装，import tensorflow后出现错误：Could not load dynamic library ‘cudart64_101.dll’; dlerror: cudart64_101.dll not found。分享解决经验如下： 1、下载cudart64_101.dll文件，根据不同操作系统，存放目录如下： C:\Windows\ 系统 （Windows 95/98/Me） C:\WINNT\ System32 （Windows NT/2000） C:\ Windows\ System32 （Windows XP， Vista， 7， 8， 8.1， 10） 在 64 位版本的Windows中，32 位 DLL存放文件夹为C:\Windows\SysWOW64， 64 位 dll存放文件夹为C:\Windows\System32。 2、dll文件拷贝完成后，打开“开始-运行-输入regsvr32 cudart64_101.dll”，回车即可解决或者重启电脑。

包括下面几个包 cublas64_11 cublasLt64_11 cudart64_110 cudnn64_8 cufft64_10 curand64_10 cusolver64_11 cusparse64_11

人工智能基础视频教程零基础入门课程 第十四章 人工智能基础视频教程零基础入门课程，不需要编程基础即可学习，共15章，由于整体课程内容太大，无法一次传输，分章节上传。 第一章 人工智能开发及远景介绍（预科） 第二章 线性回归深入和代码实现 第三章 梯度下降和过拟合和归一化 第四章 逻辑回归详解和应用 第五章 分类器项目案例和神经网络算法 第六章 多分类、决策树分类、随机森林分类 第七章 分类评估、聚类 第八章 密度聚类、谱聚类 第九章 深度学习、TensorFlow安装和实现 第十章 TensorFlow深入、TensorBoard 十一章 DNN深度神经网络手写图片识别 十二章 TensorBoard可视化 十三章 卷积神经网络、CNN识别图片 十四章 卷积神经网络深入、AlexNet模型 十五章 Keras深度学习框架

海豹 ⠀ ⠀⠀ 半监督图分类的PyTorch实现：分层图透视（WWW 2019） 抽象的 节点分类和图分类是两个图学习问题，它们分别预测节点的类标签和图的类标签。 图的节点通常代表现实世界的实体，例如，社交网络中的用户或蛋白质-蛋白质相互作用网络中的蛋白质。 在这项工作中，我们考虑一个更具挑战性但实际上有用的设置，其中节点本身是一个图实例。 这导致了分层图的透视图，这种透视图出现在许多领域中，例如社交网络，生物网络和文档收集。 例如，在社交网络中，一群具有共同兴趣的人形成一个用户组，而许多用户组则通过交互或普通成员相互连接。 我们在层次图中研究节点分类问题，其中“节点”是图实例，例如上述示例中的用户组。 由于标签通常受限于实际数据，因此我们通过谨慎/主动迭代（或简称SEAL-C / AI）设计了两种新颖的半监督解决方案，称为半监督图分类。 SEAL-C / AI采用了一个迭代框架，该框

具有单周期学习率时间表的AdamW的Tensorflow 2.3实现 基于S.Gugger和J.Howard在这里的帖子： : 用法 optimiser = OneCycleAdamW(learning_rate: float, weight_decay: float, cycle_length: int) 学习率：在周期峰值时使用的最大学习率。 学习率将逐渐上升，然后下降 重量衰减：要应用的重量衰减。 这将遵循与学习率相同的时间表 周期长度：完成“一个周期”策略的步骤数。 在“ cycle_length”之后，学习率将呈指数递减的趋近于零。 经过测试： Python 3.8 张量流2.3 张量流数据集4.2.0 tensorflow-addons 0.12.1

包括datasets文件夹、tf_utils.py、improv_utils.py、作业L2-3以及自己的图片finger5.py