一 实现思路 1. 加载 MNIST 数据集，得到训练集与测试集 2. 将训练集与测试集转换为DataSet对象 3. 将数据顺序打散 避免每次读取数据顺序相同，使得模型记住训练集的一些特点，降低模型泛化能力。 4. 设置批训练 从训练集总数中随机抽取batchsize个样本，来进行模型训练，相比于使用所用样本构建模型，批训练花费的时间更少，计算效率更高。每训练一个次，就叫一个step，当经历若干个step使得把训练集所有样本训练过以后，那叫一个epoch 5. 数据预处理 图片像素值进行标准化，使得处于0到1的区间 图片的类别转化成one-hot编码 图片的标签是数字0到数字10，是属于多分

TensorFlow是一款优秀的深度学习框架，支持多种常见的操作系统，例如Windows10，Mac Os等等，同时也支持运行在NVIDIA显卡上的GPU版本以及仅使用CPU进行运算的CPU版本。此篇教程将介绍如何安装最新版TensorFlow框架（2.1.0版本） 安装步骤 1.常用IDE安装 2.CUDA安装 3.cuDNN神经网络加速库安装 4.TensorFlow框架安装 常用IDE安装 用户在Python官网上可以下载到最新版本（Python3.7）的解释器。（Python官网）Python解释器可以让用户利用Python语言编写的代码可以被执行。目前有许多优秀的集成开发环境（IDE

本资源为北京大学周健老师《人工智能实践：Tensorflow笔记2》课程公开资料，内含课件及课程源码。

Keras中的Conv1D公路网，Tensorflow2.x和pytorch

GRADCAM-Tensorflow2-可视可解释AI Grad-CAM：深度网络通过基于梯度的本地化的视觉解释 安装Grad CAM： !pip install tf-explain src： : 论文：Grad-CAM：深度网络通过基于梯度的本地化的视觉解释 参考： : 摘要：我们提出了一种技术，该技术可为来自大量基于CNN的模型的决策产生“视觉解释”，从而使其更加透明。 我们的方法-梯度加权类激活映射（Grad-CAM），使用任何目标概念的梯度，流入最终的卷积层，以生成一个粗略的局部化地图，突出显示图像中用于预测该概念的重要区域。 Grad-CAM适用于各种CNN模型系列：（1）具有完全连接层的CNN，（2）用于结构化输出的CNN，（3）用于具有多模式输入或强化学习任务的CNN，无需任何架构变更或重新培训。 我们将Grad-CAM与细粒度的可视化相结合，以创建高分辨率的

nlpgnn 包装说明 自然语言处理领域当前正在发生巨大变化，近年来，已经提出了许多出色的模型，包括BERT，GPT等。 同时，图形神经网络作为一种精美的设计正在诸如TextGCN和Tensor-TextGCN等自然语言处理领域中不断使用。 该工具箱专用于自然语言处理，希望以最简单的方式实现模型。 关键字：NLP； 神经网络 楷模： 伯特 阿尔伯特 GPT2 TextCNN Bilstm +注意 GCN，GAN 杜松子酒 TextGCN，TextSAGE 示例（有关更多详细信息，请参见测试）： BERT-NER（中英文版） BERT-CRF-NER（中英文版） BERT-CLS

tensorflow2.0 Gpu版本，在cuda11.0 cudnn8.0-vs2019 下编译，需要依赖cuda11.0和cudnn8.0.

tensorflow2.4.0 py3.6 whl文件 pip install tensorflow 即可安装文件

适合树莓派安装TensorFlow 下载不下来版本为 tensorflow-2.1.0-cp37-none-linux_armv7l.whl

其中最主要介绍tensorflow的基础教程，详细明了，包括从基础到实战的视频教程，数学讲解清晰，包括resnet，rnn，goolenet，lstm，域对抗等网络的搭建实战，是有偿的，需要的可以联系我（Chovy-QW），很值得看。