保存神经网络参数代码：#!/usr/bin/env python # -*- coding: utf-8 -*- # @Time : 2018/9/4 16:11 # @Author : Seven # @Site : # @File : save.py # @Software: PyCharm import tensorflow as tf # 保存神经网络参数 def

示例代码：#!/usr/bin/env python # -*- coding: utf-8 -*- # @Time : 2018/9/1 16:38 # @Author : Seven # @Site : # @File : GAN.py # @Software: PyCharm # TODO: 0.导入环境 import matplotlib.pyplot as plt

生成对抗网络生成式对抗网络（GAN, Generative Adversarial Networks ）是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。 模型通过框架中（至少）两个模块：生成模型（Generative Model）和判别模型（Discriminative Model）的互相博弈学习产生相当好的输出。 原始 GAN 理论中，并不要求 G 和 D 都是神经网络，只需

递归神经网络实现MNIST手写数字识别代码#!/usr/bin/env python # -*- coding: utf-8 -*- # @Time : 2018/8/31 13:00 # @Author : Seven # @Site : # @File : RNN.py # @Software: PyCharm # TODO: 0.导入环境 import tensor

LSTM模型由于RNN也有梯度消失的问题，因此很难处理长序列的数据，大牛们对RNN做了改进，得到了RNN的特例LSTM（Long Short-Term Memory），它可以避免常规RNN的梯度消失，因此在工业界得到了广泛的应用。 从RNN到LSTM在RNN模型中，我们总结了RNN具有如下结构： RNN的模型可以简化成如下图的形式，所有 RNN 都具有一种重复神经网络模块的链式的形式。在标准的

循环神经网络的训练算法：BPTTBackPropagation Through Time (BPTT)经常出现用于学习递归神经网络（RNN）。 与前馈神经网络相比，RNN的特点是可以处理过去很长的信息。因此特别适合顺序模型。 BPTT扩展了普通的BP算法来适应递归神经网络。 BPTT算法是针对循环层的训练算法，它的基本原理和BP算法是一样的，也包含同样的三个步骤： 前向计算每个神经元的输出值；

PYTHON实现RNN算法实现学习二进制的加法。 如上图所示，我们来手写RNN算法： 代码：#!/usr/bin/env python # -*- coding: utf-8 -*- # @Time : 2018/8/29 13:51 # @Author : Seven # @Site : # @File : demo.py # @Software: PyCharm # TO

递归神经网络递归神经网络（Recurrent Neural Networks，RNN）是两种人工神经网络的总称： 时间递归神经网络（recurrent neural network）：时间递归神经网络的神经元间连接构成有向图 结构递归神经网络（recursive neural network)：结构递归神经网络利用相似的神经网络结构递归构造更为复杂的深度网络。 递归神经网络（RNN）(也叫

TensorFlow四种写法之四：keras代码：#!/usr/bin/env python # -*- coding: utf-8 -*- # @Time : 2018/8/23 19:14 # @Author : Seven # @Site : # @File : CNN-keras.py # @Software: PyCharm # 0.导入环境 import os

TensorFlow四种写法之二：layer代码：#!/usr/bin/env python # -*- coding: utf-8 -*- # @Time : 2018/8/22 21:01 # @Author : Seven # @Site : # @File : CNN-layers.py # @Software: PyCharm # 0.导入环境 from ten