TensorFlow Tutorial
- Recommendations for Neural Network Training
- Image Recognition using TensorFlow
- TensorFlow - Forming Graphs
- Gradient Descent Optimization
- TensorFlow - XOR Implementation
- TensorFlow - Optimizers
- Hidden Layers of Perceptron
- Multi-Layer Perceptron Learning
- TensorFlow - Exporting
- TensorFlow - Distributed Computing
- TensorFlow - Keras
- CNN and RNN Difference
- TFLearn and its installation
- TensorFlow - Linear Regression
- Single Layer Perceptron
- TensorFlow - Word Embedding
- TensorBoard Visualization
- Recurrent Neural Networks
- Convolutional Neural Networks
- TensorFlow - Basics
TensorFlow Useful Resources
Selected Reading
- Who is Who
- Computer Glossary
- HR Interview Questions
- Effective Resume Writing
- Questions and Answers
- UPSC IAS Exams Notes
TensorFlow - Mathematical Foundations
重要的是,要了解TengsorFlow所需的数学概念,然后再在TensorFlow建立基本应用。 数学被视为任何机器学习算法的核心。 在数学核心概念的帮助下,确定了特定机器学习算法的解决办法。
Vector
一系列数字是连续的或离散的,被定义为病媒。 机器学习算法处理固定长度的病媒,以更好地产生产出。
机器学习算法涉及多层面数据,因此病媒发挥着至关重要的作用。
病媒模型的地形分布如下:
Scalar
ar可以定义为单维媒介。 缩略语是这样,仅包括数量和方向。 粗略地说,我们只关心这一规模。
体质的例子包括儿童体重和身高的参数。
Matrix
矩阵可定义为多维阵列,以行文和栏目的形式排列。 矩阵的规模按行长和栏长加以界定。 下图显示了任何具体矩阵的代表性。
根据上述“m”行文和“n”栏,矩阵表的表述将指定为“m*n矩阵”,该矩阵表的长度也界定了。
Mathematical Computations
在本节中,我们将学习 TensorFlow 中不同的数学计算。
Addition of matrices
如果两个或两个以上矩阵的基质相同,则有可能添加。 添加意味着按照特定立场增加每个要素。
考虑以下例子,以了解如何增加矩阵——
(千美元)
Subtraction of matrices
谷物的减产方式与增加两个矩阵类似。 用户可以分出两个矩阵,只要其尺寸相同。
(千美元)
Multippcation of matrices
两种矩阵A m*n和B p*q可乘数,n 页: 1 由此产生的矩阵是:
C m*q
(美元)
(美元)
(美元)
C=egin{bmatrix}11& c 12}_c <21> & c<22> end{bmatrix}=egin{bmatrix}19 & 2243 & 50 end{bmatrix}
Transpose of matrix
矩阵A,m*n的转口一般由AT(transpose)n*m代表,通过将一栏矢量转换成行媒介获得。
支出:美元
Dot product of vectors
任何介质纳米的矢量都可以作为矩阵表示。
(美元)
两种病媒的原始产品是相应部件产品的总和,这些成分具有相同层面,可以表述为
美元 v 2^ Tvdisplay1} =sumepmits =1}^n iii
下面提到病媒特质产品的例子:
页: 1 v<2}v_1^Tv>=1 imes3+2 imes5-3 imes1=10$
Advertisements