在这个世界里，你知道得越多，就发现有更多的不知道，就在知道与不知道之间来回寻找，这个世界就是这样神奇。当你正在看NG的公开课时，就像这样在知与不知中寻找，或者在其中迷茫，或紧张，或张望，希望有人拉你一把。当看到下面这个公式时：这个就是一个变量的线性回归最优化函数，NG当时没有解释为什么这样定义的，只是让这个J函数最小化，就可以达到最优化的线性方程回归了。同时，你如果看过我前面的文章，也会发现TensorFlow的例子里是这样来定义损失函数的：loss = tf.reduce_mean(tf.square(y - y_data))可以看到这里，tf.square(y - y_data)就是计算y - y_data的平方， tf.reduce_mean是计算所有平方的平均值，但没有除以2，因为除与不除都是一样的收敛性，所以省略了这个不必要的除法，还可以加快计算速度。但是我很好奇这个一元变量的损失函数是怎么得来的呢？在原来的视频里没有解释，也许是我还没有看到。后来仔细翻看讲义，后面有推导整个过程，详细如下：整个过程是通过《概率论》来推导的，然后通过似然函数（这里又引出了不知的概念？）变换，再对公式两边取对数，因为要l函数最大化，就是要后面负数项最小化，也就是推导出来最前面的公式了。有了这个公式和理论支持，当遇到线性回归的问题时，就可以使用这个公式来构造损失函数，最后判断损失函数最小化，就 ...继续阅读 (76)

训练模型 在TF里提供了一些类和函数来帮助训练神经网络模型，主要的类就是优化器类，它提供一个基类的接口，让外面使用所有优化器算法达到统一，因此，优化器是接口类，你不能实例化它，只能从它的派生类来进行实例化。优化器主提供一些计算梯度损失函数和应用梯度到变量，以及提供优化的算法，比如像梯度下降算法（gradient descent，即随机梯度下降）和Adagrad（一个基于梯度优化的算法）。 class tf.train.Optimizer优化器的基类。定义训练模式的操作方式，因为这个类是抽象基类，不要实例化它，需要使用它的派生类：GradientDescentOptimizer, AdagradOptimizer,或MomentumOptimizer。用法：#用指定参数来创建优化器.opt = GradientDescentOptimizer(learning_rate=0.1)#设置图里的最小化损失函数的操作方式。#损失函数是一个张量，要操作的变量列表就是在tf.Variable对象里。.opt_op = opt.minimize(cost, var_list=<变量列表>) 接着下来使用opt_op来进行训练一步的操作如下：opt_op.run() 在应用梯度结果之前处理梯度参数常常对于简单的应用，只需要调用minimize()函数就可以实现计算梯度参数，并且立即应用这些参数到变 ...继续阅读 (76)

在学习andrew ng的深度学习公开课里，可看到一段与数据的矩阵相关的，这里提出了求trace的算法以及规则，虽然学习过高数，线代，概率论，还有数理方程等等，但还是没有什么印象，一脸迷茫。这段相关的文本，我放到这里，如下：只能先百度一下：在线性代数中，一个n×n的对角矩阵A的主对角线（从左上方至右下方的对角线）上各个元素的总和被称为矩阵A的迹（或迹数），一般记作tr(A)。例子如下：对角元素是a,e,i，这三者之和就叫矩阵的迹。我一直在想，为什么非要抓住这个矩阵的对角线不放呢？难道有什么高深的学问吗？后来仔细一想，矩阵的对角线可以表示一个物体的相似性，比如在图形学的缩放变换里使用的矩阵是这样的：在这里可以看到就是对角的元素表示缩放，那么表示物体具有相似性。在机器学习里，主要为了获取数据的特征值，那么就是说，在任何一个矩阵计算出来之后，都可以简单化，只要获取矩阵的迹，就可以表示这一块数据的最重要的特征了，这样就可以把很多无关紧要的数据删除掉，达到简化数据，提高处理速度。关于迹的证明，可以看这里：http://blog.csdn.net/acdreamers/article/details/446626331. C++标准模板库从入门到精通 http://edu.csdn.net/course/detail/33242.跟老菜鸟学C++http://edu.csdn.net/cour ...继续阅读 (56)

在机器学习里，首先会遇到这样一个概念，什么是学习？学习，是指通过阅读、听讲、思考、研究、实践等途径获得知识或技能的过程。学习分为狭义与广义两种：狭义：通过阅读、听讲、研究、观察、理解、探索、实验、实践等手段获得知识或技能的过程，是一种使个体可以得到持续变化（知识和技能，方法与过程，情感与价值的改善和升华）的行为方式。广义：是人在生活过程中，通过获得经验而产生的行为或行为潜能的相对持久的行为方式。人学习之后，知识保存在哪里呢？人脑的大脑皮层、小脑、海马体、杏仁核等等结构是有plasticity（可塑性）的, 人脑的可塑性简单说就是可以修改神经间的网络和单个神经的反应特性.经过修改的网络,每次有同样的输入的时候,都会有同样的输出,这么一来,记忆就存在并且可以被调用了.于是自然界的事物被编码成神经电信号和化学信号在脑中被处理,这些信号被再度编码成为网络结构,形成短时或长时记忆.不同的结构有不同的记忆类型和时效,如杏仁核主要参与情绪的短期记忆,小脑参与肢体动作的短期及长期记忆.形成相关的网络：可见人类的脑神经元起到了学习的作用，这些学习的知识有很多都是在学校里，在家里，经过老师和家长指导来完成的，可见人在小时候都是通过老师和家长来获取知识的，这种方式就叫做监督学习(supervised learning)。在机器学习里，也是这样，要想让机器具备某种能力，必须有老师来培训它，这个培训过程，就 ...继续阅读 (54)

在深度学习里研究的物体的关系，都是比较复杂的。比如一个图片32X32大小的，它的像素信息就有1024个点，如果考虑RGB三种颜色，就是1024X3了。对于目前还没有办法构造140亿个神经元的计算机来说，只能干一件事情，就是简化，化繁为简。为了简化，就需要使用算法来进行，在数学上最简单的处理，就是求平均值。这个道理非常简单，如果10个数，只要把它们相加，再除以10即可。对于0维数字，可以这样来计算，如果对于N维的张量，就不是这么简单的计算了。就拿二维的矩阵来说，它可以横着算，还可以是竖着算，还可以全部加到一起，再除以总数。可见对于N维的张量来说，有更多的可能，那么就得抽像一个数轴出来。数轴在初中的代数就学习了，可见数轴在高等数学里也会使用到的，N维张量，就是N个数轴的表示，如果沿着不同的数轴进行计算，就会产生不同的作用。其实平均值也可以算是降维思想的一种。在TF里，就提供了这样一个算法来计算张量的平均值：tf.reduce_mean(input_tensor, axis=None, keep_dims=False, name=None, reduction_indices=None)沿着张量不同的数轴进行计算平均值。 参数:input_tensor:被计算的张量，确保为数字类型。axis:方向数轴，如果没有指明，默认是所有数轴都减小为1。keep_dims:如果定义true,则保留维 ...继续阅读 (54)

随着人工智能加速进入中国，特别是以深度学习为代表的算法，更是碾压人类的智慧，人类又在一个围棋领域失守，这是继象棋失守之后的大突破。下一个领域会是在什么地方呢？据说在皮肤癌症方面判断，已经超越了相关专业的医生。中医里注重的“望闻问切”，其中望这个领域，很快就可能让人工智能领先了。要想了解深度学习相关内容，必须要学会以下的相关数学知识，现在才发现数学不是用来考试的，不是无用的，“书到用时方恨少”。书目如下：概率论与统计 概率与统计 北京大学出版社 陈家鼎DeGroot, Morris H., and Mark J. Schervish. Probability and Statistics. 3rd ed. Boston高等代数、线性代数 Introduction to Linear Algebra, Fourth Edition by Gilbert Strang多元统计分析 应用多元统计分析 高惠璇 编著, 北京大学出版社Applied Multivariate Statistical Analysis (6th Edition) ，Richard A. Johnson, Dean W. Wichern借鉴Andrew Ng的得意门生，umich 助理教授，Honglak Lee的要求：Probabilistic Graphical Models 概率图模型Linea ...继续阅读 (57)

随着人工智能的复兴，以及科学技术的进步，21世纪又快过了20年，想当年的名言就是：21世纪最重要技能是外语、驾照、计算机。计算机这个技能正在影响了千千万万的人，如果当今不会使用计算机的人，在工作和学习上是寸步难行。随着21世纪即将过去20年，这段时间以来，计算机的科学技术又取得长足的发展，可以说这20年之后，不会编程，不会人工智能的人，同样也是在工作和学习上是寸步难行，可以把这句名言改为：外语、驾照、编程、人工智能是人们最重要技能了。人工智能这两年来大发光彩，机器人是让重复劳动的人失业，人工智能的长远目标是让全人类失业！因为机器自己会学习，机器会自己进化自己的“超级大脑”，会构造自己超过140亿个神经元的大脑。因此，先来了解一下人类的大脑是什么样的。科罗拉多大学博尔德分校（CU-Boulder）的研究人员J.Hoffecker经过对大量的与思维形成有关的化石和考古证据的分析研究，结果显示：人类的“超级大脑super-brain”起源于7.5万年以前的非洲。作为国际知名的考古学家，Hoffecker在欧洲和北极做了大量的研究工作，他认为超级大脑是复杂思想在个体间分享和交流的结果。在这个星球的其它生物中，蜜蜂很可能是能够彼此交流复杂信息最好的例子，但它们关于地图、食物地点和筑巢地点的交流所采用的是另外一种方式——摇摆之舞（waggle dance）。科研人员说：“不同的是，人类进化出更 ...继续阅读 (57)

tf.square(x, name=None)计算x的平方，像(y = x * x = x^2)。 参数:x:一个张量或者SparseTensor。必须有下面之一的类型：half, float32, float64, int32, int64, complex64, complex128.name:操作的名称. 返回值:张量或者SparseTensor.与x数据类型相同. 例子：#python 3.5.3 蔡军生 #http://edu.csdn.net/course/detail/2592 # import tensorflow as tf #创建张量常量 x = tf.square(2, 'test') #显示它的值 init_op = tf.global_variables_initializer() with tf.Session() as sess: sess.run(init_op) print(x.eval()) print(x)结果输出：====================== RESTART: D:/AI/sample/tf_1.27.py ======================4Tensor("test:0", shape=(), dtype=int32)>>>1. C++标准模板库从入门到精通 htt ...继续阅读 (53)

tf.random_uniform(shape, minval=0, maxval=None, dtype=tf.float32, seed=None, name=None)均匀分布（Uniform Distribution）是概率统计中的重要分布之一。顾名思义，均匀，表示可能性相等的含义。 参数:shape:一维整数张量或者Python数组，用来说明行列形式。minval: 0维张量或者Python的数值。表示生成随机值的下限。maxval: 0维张量或者Python的数值。表示生成随机值的上限。dtype:输出张量的类型。seed: Python整数，用来产生随机的种子。name:张量的名称。返回值:返回平均分布的随机张量。 例子：#python 3.5.3 蔡军生 #http://edu.csdn.net/course/detail/2592 # import tensorflow as tf import matplotlib as mpl import matplotlib.pyplot as plt #绘制直方图 def drawHist(heights): #创建直方图 #第一个参数为待绘制的定量数据，不同于定性数据，这里并没有事先进行频数统计 #第二个参数为划分的区间个数 plt.hist(heights, 100) ...继续阅读 (62)

从源码下载，就一直不行，经常断流，搞 了几天才下载完成。出下面的错误：并且还是修改编译文件，才算过关了。比如把文件grpc-gitclone.cmake：execute_process( COMMAND ${CMAKE_COMMAND} -E remove_directory "E:/install/tensorflow/tensorflow/contrib/cmake/build/grpc/src/grpc" RESULT_VARIABLE error_code )if(error_code) message(FATAL_ERROR "Failed to remove directory: 'E:/install/tensorflow/tensorflow/contrib/cmake/build/grpc/src/grpc'")endif()当下载这个库成功时，就把这段删除掉，这样再下载后面的库时，不要从头再来下载，这样才把这个代码下载完成了。同时打开下面的开关：set(git_shallow "1")if(git_shallow) list(APPEND git_clone_options --depth 1 --no-single-branch)endif()采用git_shallow的方式下载，减少下载代码量，反正我也不会上传代码的。通过样修改，总算把所有代码下载 ...继续阅读 (54)

tf.truncated_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)从正态分布截取一段创建随机张量。绝对值大于2的值将会删除。参数:shape:一维整数张量或者Python数组，用来说明行列形式。mean: 0维张量或者Python类型值，表示平均数。stddev:常数，表示正态分布绝对偏差。dtype:输出张量的类型。seed: Python整数，用来产生随机的种子。name:张量的名称。返回值:使用截取之后的随机数据填充指定行列的张量。 例子：#python 3.5.3 蔡军生 #http://edu.csdn.net/course/detail/2592 # import tensorflow as tf import matplotlib as mpl import matplotlib.pyplot as plt #绘制直方图 def drawHist(heights): #创建直方图 #第一个参数为待绘制的定量数据，不同于定性数据，这里并没有事先进行频数统计 #第二个参数为划分的区间个数 plt.hist(heights, 100) plt.xlabel('Value') plt.ylabel('Fre ...继续阅读 (64)

当发现目录时出错如下：\windows\tensorflow\core\framework\op_kernel.cc:993] Not found: Unsuccessful TensorSliceReader constructor: Failed to find any matching files for params_cifar.ckpt在Windows下要把目录写对才可以。比如 default='tmp' 要写成这样 default='./tmp'这样TF就找到相应的目录了。1. C++标准模板库从入门到精通 http://edu.csdn.net/course/detail/33242.跟老菜鸟学C++http://edu.csdn.net/course/detail/29013. 跟老菜鸟学pythonhttp://edu.csdn.net/course/detail/25924. 在VC2015里学会使用tinyxml库http://edu.csdn.net/course/detail/25905. 在Windows下SVN的版本管理与实战 http://edu.csdn.net/course/detail/25796.Visual Studio 2015开发C++程序的基本使用 http://edu.csdn.net/course/detail/25707.在 ...继续阅读 (58)

TF是开源的，因此也想看看它的实现代码，但是网络很不给力，经常出现如下这种情况，下载不了：出现这个问题，不知道有什么解决方法？代码下载和编译命令如下：C:\Users\tony>"C:\Program Files (x86)\Microsoft Visual Studio 14.0\VC\vcvarsall.bat"C:\Users\tony>set PATH="%PATH%;C:\Program Files\CMake\bin\cmake.exe"E:\>cd installE:\install>cd tensorflow\tensorflow\contrib\cmakeE:\install\tensorflow\tensorflow\contrib\cmake>mkdir buildE:\install\tensorflow\tensorflow\contrib\cmake>cd buildset PATH="%PATH%;C:\Program Files\CMake\bin\cmake.exe"cmake .. -A x64 -DCMAKE_BUILD_TYPE=Release ^-DSWIG_EXECUTABLE=E:/install/swigwin-3.0.12/swig.exe ^-DPYTHON_EXECUTABLE=C:/python35/python.exe ^- ...继续阅读 (61)

由于在测试的过程中，经常要产生一些不同分布的随机数，比如初始化待定的变量。又或者一些训练数据。因此来学习一步随机数的产生。tf.random_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)从正态分布创建随机张量。参数:shape:一维整数张量或者Python数组mean:常数，表示正态分布的系数。stddev:常数，表示正态分布绝对偏差。dtype:输出张量的类型。seed: Python整数，用来产生随机的种子。name:张量的名称。返回值:使用随机数据填充指定行列的张量。 例子：#python 3.5.3 蔡军生 #http://edu.csdn.net/course/detail/2592 # import tensorflow as tf import matplotlib as mpl import matplotlib.pyplot as plt #绘制直方图 def drawHist(heights): #创建直方图 #第一个参数为待绘制的定量数据，不同于定性数据，这里并没有事先进行频数统计 #第二个参数为划分的区间个数 plt.hist(heights, 100) plt.xlabel('Value') ...继续阅读 (56)

tf.fill(dims, value, name=None)创建一个张量填充指定的常数。参数：dims:整数类型的列表对象，或者一维张量，表示行列形式。value:填充的常量（0维张量） 返回值：填充指定的张量常量。 例子：#python 3.5.3 蔡军生 #http://edu.csdn.net/course/detail/2592 # import tensorflow as tf #创建张量常量 x = tf.fill([2,10], 9.) #显示它的值 init_op = tf.global_variables_initializer() with tf.Session() as sess: sess.run(init_op) print(x.eval())结果输出：====================== RESTART: D:/AI/sample/tf_1.21.py ======================[[ 9. 9. 9. 9. 9. 9. 9. 9. 9. 9.] [ 9. 9. 9. 9. 9. 9. 9. 9. 9. 9.]]>>> tf.constant(value, dtype=None, shape=None, name='Const', verify_shape=False) ...继续阅读 (68)

上一次我们学习了张量的变量，在这一次来学习一下张量的常量，因为很多时候需要使用张量常量来初始化变量，并且产生一些常量是固定的初始化值，这样可以减少变量的出错，同时也提供很好的测试数据，比如产生一个正态分布的数据，又或者产生初始化为0值，或者1值等等。 tf.zeros(shape, dtype=tf.float32, name=None)产生零值常量的张量类。 参数:shape:任何的整数列表对象，或者是1维的整数张量。dtype:产生元素的类型。name:产生元素的名称。返回值:生成一个所有元素都是0的张量。 例子：#python 3.5.3 蔡军生 #http://edu.csdn.net/course/detail/2592 # import tensorflow as tf #创建张量变量 x = tf.zeros([1], dtype=tf.float32) y = tf.zeros([3, 4], tf.int32) #显示它的值 init_op = tf.global_variables_initializer() with tf.Session() as sess: sess.run(init_op) print(x.eval()) print(y.eval())输出结果：====================== RESTART: ...继续阅读 (56)

当使用NV显卡运行TensorFlow出错时，如下：failed s.ok() could not find cudnncreate in cudnn dso dlerror cudnn需要检查cudnn的版本与cuda的版本一致。否则就会出上面这个错误。我这里使用这两个版本没有问题：cuda_8.0.61_win10.execudnn-8.0-windows10-x64-v5.1.zip1. C++标准模板库从入门到精通 http://edu.csdn.net/course/detail/33242.跟老菜鸟学C++http://edu.csdn.net/course/detail/29013. 跟老菜鸟学pythonhttp://edu.csdn.net/course/detail/25924. 在VC2015里学会使用tinyxml库http://edu.csdn.net/course/detail/25905. 在Windows下SVN的版本管理与实战 http://edu.csdn.net/course/detail/25796.Visual Studio 2015开发C++程序的基本使用 http://edu.csdn.net/course/detail/25707.在VC2015里使用protobuf协议http://edu.csdn.net/course/deta ...继续阅读 (80)

不推荐使用SummaryWriter （来自tensorflow.Python.training.summary_io），将在2016-11-30之后删除。 更新说明： 请切换到tf.summary.FileWriter接口和行为是相同的; 这只是一个重命名。比如原来代码：with tf.Session() as sess: writer = tf.train.SummaryWriter("output", sess.graph) print(sess.run(h)) writer.close()需要修改为：with tf.Session() as sess: writer = tf.summary.FileWriter("output", sess.graph) print(sess.run(h)) writer.close()通过这样修改，就可以运行了。1. C++标准模板库从入门到精通 http://edu.csdn.net/course/detail/33242.跟老菜鸟学C++http://edu.csdn.net/course/detail/29013. 跟老菜鸟学pythonhttp://edu.csdn.net/course/detail/25924. 在VC2015里学会使用tinyxml库http://edu.csdn.net/course/deta ...继续阅读 (56)

在前面，我们已经学习到生成训练数据，接着下来就要开始进行训练TF的神经网络了。但是我们从TensorFlow的名称就知道要使用张量来表示数据结构，并且让张量沿着不同的边进行流动，才可以产生神经元出来，也就是权重值。直接使用Python的数据结构可行吗？肯定不行，否则就不会创建张量这个单词出来了。因为张量是一维到多维的向量，它的维度可能很高，达到数万个维度，远远超过目前人类所能理解的维数。因此在TF里创建了一个张量的数据类型，我们要使用这个数据类型才可能与TF进行沟通，否则就像我们跟老外说中文，他们怎么可能听得懂呢，所以在进行训练之前，要先学习与TF沟通的语言，否则就是临渊羡鱼，不如我们退而结网吧。好吧，先来看看张量的数据类型构造函数：tf.Variable.__init__(initial_value=None, trainable=True, collections=None, validate_shape=True, caching_device=None, name=None, variable_def=None, dtype=None, expected_shape=None, import_scope=None)从这个构造函数里，就知道tf.Variable是一个变量类，它可以用来声明张量对象。它的输入参数是比较多，但很多都是可以使用默认参数即可。这个类主要用初始化值in ...继续阅读 (63)

经过前面的准备，现在来到生成训练数据的新阶段，而在生成数据之前，先看看这段新闻，也可以说是旧闻了。2012年6月，《纽约时报》披露了Google Brain项目，吸引了公众的广泛关注。这个项目是由著名的斯坦福大学的机器学习教授Andrew Ng和在大规模计算机系统方面的世界顶尖专家Jeff Dean共同主导，用16,000个CPU Core的并行计算平台去训练含有10亿个节点的深度神经网络（DNN，Deep Neural Networks），使其能够自我训练，对2万个不同物体的1,400万张图片进行辨识。在开始分析数据前，并不需要向系统手工输入任何诸如“脸、肢体、猫的长相是什么样子”这类特征。Jeff Dean说：“我们在训练的时候从来不会告诉机器：‘这是一只猫’（即无标注样本）。系统其实是自己发明或领悟了‘猫’的概念。”2014年3月，同样也是基于深度学习方法，Facebook的 DeepFace 项目使得人脸识别技术的识别率已经达到了 97.25%，只比人类识别 97.5% 的正确率略低那么一点点，准确率几乎可媲美人类。该项目利用了 9 层的神经网络来获得脸部表征，神经网络处理的参数高达 1.2亿。从这段新闻里可以看到，要使用Tensorflow必须要有大量的训练数据，这里使用了1400万张图片，计算量是惊人的。有了数据之后，就可以让机器自己学习，构造出来自己的深度神经网络。但 ...继续阅读 (53)

前面学习怎么样查看numpy的版本号，这才是刚刚开始，现在来开始更深入地学习一下它，否则以后会很麻烦的，更加看不懂那些例子的代码了。一个用python实现的科学计算包。包括：1、一个强大的N维数组对象Array；2、比较成熟的（广播）函数库；3、用于整合C/C++和Fortran代码的工具包；4、实用的线性代数、傅里叶变换和随机数生成函数。numpy和稀疏矩阵运算包scipy配合使用更加方便。NumPy（Numeric Python）提供了许多高级的数值编程工具，如：矩阵数据类型、矢量处理，以及精密的运算库。专为进行严格的数字处理而产生。多为很多大型金融公司使用，以及核心的科学计算组织如：Lawrence Livermore，NASA用其处理一些本来使用C++，Fortran或Matlab等所做的任务。NumPy的主要对象是同种元素的多维数组。这是一个所有的元素都是一种类型、通过一个正整数元组索引的元素表格(通常是元素是数字)。在NumPy中维度(dimensions)叫做轴(axes)，轴的个数叫做秩(rank)。例如，在3D空间一个点的坐标 [1, 2, 3] 是一个秩为1的数组，因为它只有一个轴。那个轴长度为3.又例如，在以下例子中，数组的秩为2(它有两个维度).第一个维度长度为2,第二个维度长度为3.[[ 1., 0., 0.], [ 0., 1., 2.]]NumPy的数 ...继续阅读 (54)

在前面我们测试过一个例子，这个例子不知道你是否还记得它的内容，如果没有记得也没有关系，现在到我们去研究这个例子的时候了，它的前两行是这样写的：import tensorflow as tf import numpy as np 如果你的python还是不懂，强烈建议先学习一下课程，这样会跟上我们的进度的。在这两行代码里，第一行代码就是导入（import）顶顶大名的tensorflow库，第二行代码是导入数值计算著名库numpy。在这里都使用了别名tf、np，在as后面的名称就是声明为别名，后面代码再使用这两个库时，就可以简化，不用写这么多字符了，这是所有程序人员的聪明之处，毕竟时间就是金钱，如果多浪费一些时间在代码的输入上，是跟不上思路的。更何况可以减轻手指的劳动强度，何乐而不为呢。这种库的导入，就像C语言里包含文件头是一样的，都是为了使用库的功能。从这里看到，numpy是什么东西呢？一脸迷茫的样子。不用焦急，接着下来就深入地学习一下库numpy。NumPy系统是Python的一种开源的数值计算扩展。这种工具可用来存储和处理大型矩阵，比Python自身的嵌套列表（nested list structure)结构要高效的多（该结构也可以用来表示矩阵（matrix））。据说NumPy将Python相当于变成一种免费的更强大的MatLab系统。其实深度学习就是计算量非常的数学运算，所以 ...继续阅读 (60)

在我们探索TensorFlow之前，先来聊一下金庸的小说，在它的小说《笑傲江湖》里，剑宗和气宗是华山派的两个派别，也就是说剑宗和气宗同属于华山派，剑宗认为在武学之中剑术最重要，而气宗则认为在武学之中气功最重要，在华山派的历史上这两派一直是争论不休，互相指责对方是邪说，而那种认为剑术和气功同样重要的说法更是同时被两派指责为邪说。同样，在AI领域，也一直分为两派，一派认为全部数据处理计算太复杂，不能使用神经网络的方式来做AI，应该采用人工编码的方式来实现，早期的人工智能就是写一大堆规则在 数据库里来进行决策；另一派则认为全部数据都用来抽取特征，用来计算，经过多层的神经网络，就可以像人的大脑一样：神经元的连接。同样，在人们看AI能否实现来也分为两派， 1956年，几个计算机科学家相聚在达特茅斯会议（Dartmouth Conferences），提出了“人工智能”的概念。其后，人工智能就一直萦绕于人们的脑海之中，并在科研实验室中慢慢孵化。之后的几十年，人工智能一直在两极反转，或被称作人类文明耀眼未来的预言；或者被当成技术疯子的狂想扔到垃圾堆里。坦白说，直到2012年之前，这两种声音还在同时存在。人工智能，其实已经几十年过去了，到了目前这个阶段，才开始大放异彩。最早，我们所谓人工智能就是自动地计算加减乘除，接着下象棋，比如IBM的深蓝，目前是下围棋，可见与人们看到电影的机器人还是有很大的差距 ...继续阅读 (70)

当阿法狗在围棋界展开大规模战斗之后，所有人都倒下了。可见人工智能的威力无限，正像《射雕英雄传》里的九阴真经，谁掌握了它，那么谁就是华山论剑里的第一人物了。我们也能学习人工智能吗？我们也能开发像阿法狗那样威力强劲的围棋吗？这些想法都是我们的梦想，有梦想就是好事情，马云说：万一实现了呢，王建林说：挣一个亿是个小目标，那么我们的小目标在那里呢？拿AI挣一个亿，呵呵，那是未来的小目标。现在我们的小目标是使用Tensorflow实现一个线性回归，说白了，就是给一大堆二维的数据，让TF告诉这个方程的系数。学习过方程的表示吧，它一般采用截距式：y = kx + b， 这里k是斜率，b是截距，如果我们给一大堆数据（x, y)，然后确定k和b的值。线性回归，是利用数理统计中回归分析，来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法，运用十分广泛。其表达形式为y = w'x+e，e为误差服从均值为0的正态分布。采用高数的解决方法如下：现在，有一个更先进的办法，让TF来给我们解决这样的问题，只要把数据给TF，立即就计算出来了，先来看下面这段代码：import tensorflow as tf import numpy as np # Create 100 phony x, y data points in NumPy, y = x * 0.1 + 0.3 x_data = np.rand ...继续阅读 (59)

1. 同样是下载3.5的python2. pip里安装的命令不一样：C:>pip install tensorflowC:>pip install tensorflow-gpu==1.0也可以从这里下载：https://pypi.python.org/pypi/tensorflow-gpu/1.0.0然后手工安装：这样就可以安装好GPU的版本了。1. C++标准模板库从入门到精通 http://edu.csdn.net/course/detail/33242.跟老菜鸟学C++http://edu.csdn.net/course/detail/29013. 跟老菜鸟学pythonhttp://edu.csdn.net/course/detail/25924. 在VC2015里学会使用tinyxml库http://edu.csdn.net/course/detail/25905. 在Windows下SVN的版本管理与实战 http://edu.csdn.net/course/detail/25796.Visual Studio 2015开发C++程序的基本使用 http://edu.csdn.net/course/detail/25707.在VC2015里使用protobuf协议http://edu.csdn.net/course/detail/25828.在VC2015里学会使用M ...继续阅读 (48)

1. 下载Python 3.5 64位版本https://www.python.org/downloads/windows/2. 安装PIP软件管理工具3. 从DOS窗口里运行PIP下载TensorFlow恭喜你，已经安装成功了。我们来测试一下：啊，出错了，这是什么情况，刚出师就不力。想想，怎么解决？原来缺少它们：原因找到了，赶紧上网下载吧：https://www.microsoft.com/en-us/download/details.aspx?id=53587安装32位和64位的库，就可再次运行，结果如下：这次不出错了，终于紧张的心放下来了，开始再测试一下。从结果上来看，基本上可以运行了，但是有提示，怎么解决呢？我也不知道，下次再解决。1. C++标准模板库从入门到精通 http://edu.csdn.net/course/detail/33242.跟老菜鸟学C++http://edu.csdn.net/course/detail/29013. 跟老菜鸟学pythonhttp://edu.csdn.net/course/detail/25924. 在VC2015里学会使用tinyxml库http://edu.csdn.net/course/detail/25905. 在Windows下SVN的版本管理与实战 http://edu.csdn.net/course/detail/ ...继续阅读 (51)

光栅由大量等宽等间距的平行狭缝构成的光学器件称为光栅（grating）。一般常用的光栅是在玻璃片上刻出大量平行刻痕制成，刻痕为不透光部分，两刻痕之间的光滑部分可以透光，相当于一狭缝。精制的光栅，在1cm宽度内刻有几千条乃至上万条刻痕。这种利用透射光衍射的光栅称为透射光栅，还有利用两刻痕间的反射光衍射的光栅，如在镀有金属层的表面上刻出许多平行刻痕，两刻痕间的光滑金属面可以反射光，这种光栅称为反射光栅。光栅是结合数码科技与传统印刷的技术，能在特制的胶片上显现不同的特殊效果。在平面上展示栩栩如生的立体世界，电影般的流畅动画片段，匪夷所思的幻变效果。光栅是一张由条状透镜组成的薄片，当我们从镜头的一边看过去，将看到在薄片另一面上的一条很细的线条上的图像，而这条线的位置则由观察角度来决定。如果我们将这数幅在不同线条上的图像，对应于每个透镜的宽度，分别按顺序分行排列印刷在光栅薄片的背面上，当我们从不同角度通过透镜观察，将看到不同的图像。光栅扫描显示器光栅扫描CRT的屏幕可分为m行扫描线，每行分为n个小点，每个小点称为象素，每个象素都对应帧缓冲存储器中的若干位，黑白图象只需一位；若每个象素用i位表示其灰度，则可产生2i级灰度或颜色。即光栅扫描显示器的帧缓存中，存放的不是显示指令，而是对应象素的亮度或色彩信息，这种信息称为位图。计算机将要显示的图形、图象转化为位图，经接口电路送入帧缓存，图形控制器控 ...继续阅读 (54)

输出设备（Output Device）是计算机硬件系统的终端设备，用于接收计算机数据的输出显示、打印、声音、控制外围设备操作等。也是把各种计算结果数据或信息以数字、字符、图像、声音等形式表现出来。常见的输出设备有显示器、打印机、绘图仪、影像输出系统、语音输出系统、磁记录设备等。Definition - What does Output Device mean?An output device is any device used to send data from a computer to another device or user. Most computer data output that is meant for humans is in the form of audio or video. Thus, most output devices used by humans are in these categories. Examples include monitors, projectors, speakers, headphones and printers.输出设备是对将外部世界信息发送给计算机的设备和将处理结果返回给外部世界的设备的总称。这些返回结果可能是作为使用者能够视觉上体验的，或是作为该计算机所控制的其他设备的输入：对于一台机器人，控制计算机的输出基本 ...继续阅读 (60)

计算机图形学(Computer Graphics，简称CG)是一种使用数学算法将二维或三维图形转化为计算机显示器的栅格形式的科学。 简单地说，计算机图形学的主要研究内容就是研究如何在计算机中表示图形、以及利用计算机进行图形的计算、处理和显示的相关原理与算法。图形通常由点、线、面、体等几何元素和灰度、色彩、线型、线宽等非几何属性组成。从处理技术上来看，图形主要分为两类，一类是基于线条信息表示的，如工程图、等高线地图、曲面的线框图等，另一类是明暗图，也就是通常所说的真实感图形。 计算机图形学一个主要的目的就是要利用计算机产生令人赏心悦目的真实感图形。为此，必须建立图形所描述的场景的几何表示，再用某种光照模型，计算在假想的光源、纹理、材质属性下的光照明效果。所以计算机图形学与另一门学科计算机辅助几何设计有着密切的关系。事实上，图形学也把可以表示几何场景的曲线曲面造型技术和实体造型技术作为其主要的研究内容。同时，真实感图形计算的结果是以数字图象的方式提供的，计算机图形学也就和图象处理有着密切的关系。 图形与图象两个概念间的区别越来越模糊，但还是有区别的：图象纯指计算机内以位图形式存在的灰度信息，而图形含有几何属性，或者说更强调场景的几何表示，是由场景的几何模型和景物的物理属性共同组成的。 计算机图形学的研究内容非常广泛，如图形硬件、图形标准、图形交互技术、光栅图形生成算法、曲线曲面造型、实 ...继续阅读 (64)

计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取‘信息’的人工智能系统。这里所 指的信息指Shannon定义的，可以用来帮助做一个“决定”的信息。因为感知可以看作是从感官信号中提 取信息，所以计算机视觉也可以看作是研究如何使人工系统从图像或多维数据中“感知”的科学。计算机图形学(Computer Graphics，简称CG)是一种使用数学算法将二维或三维图形转化为计算机显示器的栅格形式的科学。简单地说，计算机图形学的主要研究内容就是研究如何在计算机中表示图形、以及利用计算机进行图形的计算、处理和显示的相关原理与算法。数字图像处理(Digital Image Processing)是通过计算机对图像进行去除噪声、增强、复原、分割、提取特征等处理的方法和技术。数字图像处理的产生和迅速发展主要受三个因素的影响：一是计算机的发展；二是数学的发展（特别是离散数学理论的创立和完善）;三是广泛的农牧业、林业、环境、军事、工业和医学等方面的应用需求的增长。Computer Graphics和Computer Vision是同一过程的两个方向。Computer Gra ...继续阅读 (67)