android python tensorflow测试程序

日月光华的课程中使用的数据集，实现逻辑回归的。

python教程，包括：python基础、python进阶；常用机器学习库：numpy、scipy、sklearn、xgboost；深度学习库：keras、tensorflow、paddle、pytorch。

基于 TensorFlow、Keras 和 scikit-learn，介绍了 21 个典型的人工智能应用场景。 这些应用场景被分类为预测类项目实战、识别类项目实战和生成类项目实战。 其中预测类项目包括房价预测、泰坦尼克号生还预测、共享单车使用情况预测、福彩 3D 中奖预测、股票走势预测等 8 个项目； 识别类项目包括数字识别、人脸识别、表情识别、人体姿态识别等 7 个项目； 生成类项目包括看图写话、生成电视剧剧本、风格迁移、生成人脸等 6 个项目; 适合新手下载。

本文来自于cnblogs，文章介绍了Tensorflow的工作原理以及如何使用它等相关知识。　　Tensorflow发布已经有三年，如今它已成为深度学习生态系统的基石。然而对于初学者来说它并不怎么简单易懂，与PyTorch或DyNet这样的运行即定义的神经网络库相比就更明显了。　　有很多Tensorflow的入门教程，内容涵盖线性回归、MNIST分类乃至机器翻译。这些内容具体、实用的指南能帮助人们快速启动并运行Tensorflow项目，并且可以作为类似项目的切入点。但有的开发者开发的应用并没有很好的教程参考，还有的项目在探索全新的路线（研究中很常见），对于这些开发者来说入门Tensorflow

本文来自于csdn，本文章主要是对真实数据进行实战，手把手带你走一遍使用机器学习对真实数据进行处理的全过程。Scikit-learn集成了很多机器学习需要使用的函数，学习Scikit-learn能简洁、快速写出机器学习程序。并且通过代码更加深入的了解机器学习模型，学习如何处理数据，如何选择模型，如何选择和调整模型参数。1、推荐安装Anaconda（集成Python和很多有用的Package）2、编辑器：Spyder或Pycharm或JupyterNotebook1、下载数据数据集为房屋信息housing，代码运行后，会下载一个tgz文件，然后用tarfile解压，解压后目录中会有一个housi

Deeplearning.AI_Tensorflow_Developer__Professional_Certificate 该存储库包含来自Coursera的Deeplearning.AI Tensorflow开发人员专业证书课程的完整作业和测验

tensorflow-internals：这是有关TensorFlow内核和实现机制的开源电子书

12.3 流体分析的参数和单位 FLAC 3D 渗流计算中涉及的参数包括渗透系数、密度、Biot 系数和 Biot 模量（颗粒可压缩 土体中的渗流），或者流体体积模量和孔隙率（只适用于颗粒不可压缩的土体）。 12.3.1 渗透系数 渗透系数是流体计算的主要参数之一，值得注意的是，FLAC 3D 中渗透系数 k 与一般土力 学中的概念不同。FLAC 3D 中 k 的国际单位是（m 2 /Pa/sec），与土力学中渗透系数 K（cm/s） 之间存在如下换算关系： 2 -6 a (m /P sec) (cm/s) 1.02 10k K    （12-1） 可见，在 FLAC 3D 计算中需要将实验室获得的土体渗透系数参数乘以 1.02×10 -6 才能用于 计算。 FLAC 3D 流体计算的时间步与渗透系数有关，渗透系数越大则稳定时间步越小，达到收敛 的计算时间就越长。如果模型中含有多种不同的渗透系数时，时间步是由最大的渗透系数决 定的。在稳态渗流计算中，可以人为地减小模型中多个渗透系数之间的差异，以提高收敛速 度。例如，渗透系数之间的差异 20 倍与 200 倍计算得到的最终稳定的渗流状态基本没有差 别。以下是一些渗透系数的典型值： 花岗岩、岩石： 10 -19 m 2 /Pa-sec 石灰岩： 10 -17 m 2 /Pa-sec 砂岩： 10 -15 m 2 /Pa-sec 粘土： 10 -13 m 2 /Pa-sec 砂土： 10 -7 m 2 /Pa-sec 另外，渗透系数是单元参数，必须使用 PROPERTY 命令进行赋值。 12.3.2 密度 当问题中涉及到重力荷载时必须设置密度参数，FLAC 3D 中涉及的密度参数有 3 种：土体 的干密度 d  ，土体的饱和密度 s  以及流体的密度 f  。 在渗流模式（设置 CONFIG fluid）中，只需要设置土体的干密度，FLAC 3D 会按照式（12-2） 自动计算每个单元的饱和重度。 s d f ns    （12-2）

Hands-On Machine Learning with Scikit-Learn and TensorFlow + 源码