0导包import warningswarnings.filterwarnings("ignore")import numpy as np # numpy 支持矩阵计算 import tensorflow as tfimport matplotlib.pyplot as plt # matplotlib 是 Python 的画图工具1-1构造数据np.random.seed(999) # 设定随机种子，用于控制随机过程def pre(x): return 2 * x + 3 # 这里 w 是 2， b 是 3# 多点的线性回归，随机产生500个 0-5 的
0-1导包importwarningswarnings.filterwarnings("ignore")importkerasimportnumpyasnpimporttensorflowastfimportmatplotlib.pyplotasplt1-1构造数据调用接口去下载数据mnist=keras.datasets.mnist#导入mnist(train_images,train_labels),(test_images,test_labels)=mnist.load_data()60000条训练集，10000条测试集print("trainimageshape:",train_ima
0-1导包importwarningswarnings.filterwarnings("ignore")importkerasimportnumpyasnpimporttensorflowastfimportmatplotlib.pyplotasplt1-1构造数据调用接口去下载数据mnist=keras.datasets.mnist#导入mnist(train_images,train_labels),(test_images,test_labels)=mnist.load_data()60000条训练集，10000条测试集print("trainimageshape:",train_ima
手头有台MacBookM1笔记本，大部分应用都不兼容，VMwareFusion不支持Linux虚拟机。Parallel据说支持arm版的Windows和Linux，但是好像也不好用。唯一还有点用的地方就是做机器学习，目前tensorflow2.5原生支持M1，性能相比于2.4有较大提升，但是必须得用MacOS12，还处于beta阶段。本文记录了在M1上配置tensorflow环境的过程，并且做了一些简单测试，从测试结果来看，性能提升还是比较明显的。升级MacOS12目前苹果为适配M1开发的tensorflow版本已经不用了，tensorflow2.5原生支持M1，所以第一步是升级MacOS12
手头有台MacBookM1笔记本，大部分应用都不兼容，VMwareFusion不支持Linux虚拟机。Parallel据说支持arm版的Windows和Linux，但是好像也不好用。唯一还有点用的地方就是做机器学习，目前tensorflow2.5原生支持M1，性能相比于2.4有较大提升，但是必须得用MacOS12，还处于beta阶段。本文记录了在M1上配置tensorflow环境的过程，并且做了一些简单测试，从测试结果来看，性能提升还是比较明显的。升级MacOS12目前苹果为适配M1开发的tensorflow版本已经不用了，tensorflow2.5原生支持M1，所以第一步是升级MacOS12
0-1导包import warningswarnings.filterwarnings("ignore")import numpy as npimport tensorflow as tfimport matplotlib.pyplot as plt1-1构造数据np.random.seed(999)raw_data = np.random.standard_normal((1000, 2)) # 产生 0 均值的 正态分布plt.figure(figsize=(8,6)) # 设置当前图像的长和宽plt.scatter(raw_data[:,0],raw_data[:,1],ma
0-1导包import warningswarnings.filterwarnings("ignore")import numpy as npimport tensorflow as tfimport matplotlib.pyplot as plt1-1构造数据np.random.seed(999)raw_data = np.random.standard_normal((1000, 2)) # 产生 0 均值的 正态分布plt.figure(figsize=(8,6)) # 设置当前图像的长和宽plt.scatter(raw_data[:,0],raw_data[:,1],ma
本文介绍基于Python语言中TensorFlow的Keras接口，实现深度神经网络回归的方法。(基于PythonTensorFlowKeras的深度学习回归代码——keras.Sequential深度神经网络)1写在前面 前期一篇文章TensorFlowDNNRegressor实现深度学习的代码详细介绍了基于TensorFlowtf.estimator接口的深度学习网络；而在TensorFlow2.0中，新的Keras接口具有与tf.estimator接口一致的功能，且其更易于学习，对于新手而言友好程度更高；在TensorFlow官网也建议新手从Keras接口入手开始学习。因此，本文结
本文介绍基于Python语言中TensorFlow的Keras接口，实现深度神经网络回归的方法。(基于PythonTensorFlowKeras的深度学习回归代码——keras.Sequential深度神经网络)1写在前面 前期一篇文章TensorFlowDNNRegressor实现深度学习的代码详细介绍了基于TensorFlowtf.estimator接口的深度学习网络；而在TensorFlow2.0中，新的Keras接口具有与tf.estimator接口一致的功能，且其更易于学习，对于新手而言友好程度更高；在TensorFlow官网也建议新手从Keras接口入手开始学习。因此，本文结
