减少过拟合方法： 交叉验证 normalization 学习率调整， learning rate decay momentum动量调整 k折交叉检验： 正则化： 更小的权值w，从某种意义上说，表示网络的复 杂度更低，对数据的拟合刚刚好（这个法则也叫做奥卡姆剃刀） 添加正则化相当于参数的解空间添加了约束，限制了模型的复杂度 L1正则化的形式是添加参数的绝对值之和作为结构风险项，L2正则化的形式添加参数的平方和作为结构风险项 L1正则化鼓励产生稀疏的权重，即使得一部分权重为0，用于特征选择；L2鼓励产生小而分散的权重，鼓励让模型做决策的时候考虑更多的特征，而不是仅仅依赖强依赖某几个特

本文的安装环境为tensorflow2.1，使用的算法为LSTM算法，数据集为keras的imdb数据集。对于研究tensorflow2.1中LSTM算法的人可以借鉴参考

tensorflow API新旧对照表，修改了tensorflow 2.0以前版本的api 和2.0版本的匹配问题。对照表很详细。

Google老师亲授TensorFlow2.0入门到进阶（教学视频、笔记） 第1章 Tensorflow简介与环境搭建 第2章 Tensorflow keras实战 第3章 Tensorflow基础API使用 第4章 Tensorflow dataset使用 第5章 Tensorflow Estimator使用与tf1.0 第6章 卷积神经网络 第7章 循环神经网络 第8章 Tensorflow分布式 第9章 Tensorflow模型保存与部署 资料

LSTM GRU神经网络单变量预测

tensorflow2.4 py3.8 whl文件 pip install tensorflow 即可安装文件

tensorflow的猫狗识别案例，具体讲解内容在博客里面有说明。

Tensorflow2.0 之Could not create cudnn handle: CUDNN_STATUS_ALLOC_FAILED问题 问题描述： 在tensorflow2.0的学习过程中，遇到了Could not create cudnn handle: CUDNN_STATUS_ALLOC_FAILED，发现这个问题是我在调用kseras模块的卷积类前向传播时触发的，之前的全连接层都没有出现过类似的问题。分析问题应该是gpu没有正确的分配所导致的。 import tensorflow as tf from tensorflow.keras import layers x =

data_progress.py用于对数据集进行分类 datasort.py用于对数据集图片进行重命名 train_resnet.py用于训练resnet网络 model_test.py用于用测试集图片对cnn模型和mobilenet模型进行预测，并观察准确率 design.py用于测试界面 results文件夹有resnet网络训练好的h5文件，以及网络训练过程文档和训练过程准确率变换图像

tensorflow2.6.0+windows-cpu的dll和lib