93 条“deepseek模型训练-9” 相关内容
- TensorFlow开始 | Get StartedRegression Examples（回归的例子）
Regression Examples（回归的例子）
- TensorFlow教程 | TutorialsConvolutional Neural Networks（卷积神经网络）
Convolutional Neural Networks（卷积神经网络）
以下是由TensorBoard生成的描述推理操作的图表： [evo41g9i07.png] 练习：输出inference是非标准化的logits。
- TensorFlow教程 | TutorialsA Guide to TF Layers: Building a Convolutional Neural Network（TF层指南:构建卷积神经网络）
A Guide to TF Layers: Building a Convolutional Neural Network（TF层指南:构建卷积神经网络）
[图片] 所述MNIST数据集包括60000个训练样例和手写数字0-9，格式为28x28像素的单色图像万个测试样例。 入门 让我们为我们的TensorFlow程序设置骨架。
- TensorFlow教程 | TutorialsHow to Retrain Inception's Final Layer for New Categories（如何为新类别重新训练盗梦空间的最后一层）
How to Retrain Inception's Final Layer for New Categories（如何为新类别重新训练盗梦空间的最后一层）
- TensorFlow教程 | TutorialsTensorFlow Wide & Deep Learning Tutorial（广泛深入的学习教程）
TensorFlow Wide & Deep Learning Tutorial（广泛深入的学习教程）
TensorFlow广泛和深度学习教程 在之前的TensorFlow线性模型教程中，我们使用人口普查收入数据集训练了一个逻辑回归模型来预测个人年收入超过5万美元的概率。
- TensorFlow开始 | Get Startedtf.estimator Quickstart（tf.estimator快速入门）
tf.estimator Quickstart（tf.estimator快速入门）
tf.estimator快速入门 TensorFlow的高级机器学习API（tf.estimator）可以轻松配置，训练和评估各种机器学习模型。
- TensorFlow开始 | Get StartedBuilding Input Functions with tf.estimator（使用tf.estimator建立输入函数）
Building Input Functions with tf.estimator（使用tf.estimator建立输入函数）
您将了解如何构建一个input_fn预处理模型并将数据输入到模型中。然后，您将实施一项input_fn将训练，评估和预测数据输入到神经网络回归器以预测房屋中值的中值。
- TensorFlow教程 | TutorialsImproving Linear Models Using Explicit Kernel Methods（使用显式内核方法改进线性模型）
Improving Linear Models Using Explicit Kernel Methods（使用显式内核方法改进线性模型）
使用显式内核方法改进线性模型 在本教程中，我们将演示如何将（明确的）内核方法与线性模型结合起来，在隐性增加训练和推理时间的情况下，大幅提高后者的预测质量。
- TensorFlow开始 | Get StartedDeep MNIST for Experts（针对专家的深度MNIST）
Deep MNIST for Experts（针对专家的深度MNIST）
- TensorFlow表现 | PerformanceBenchmarks（基准）
Benchmarks（基准）
基准 概观 在多个平台上测试了一系列图像分类模型，为TensorFlow社区创建了参考点。Methodology部分详细说明了测试如何执行并且链接到了所使用的脚本。
- TensorFlow开始 | Get StartedMNIST For ML Beginners（ML的初学者MNIST 教程）
MNIST For ML Beginners（ML的初学者MNIST 教程）
在本教程中，我们将训练一个模型来查看图像并预测它们的位数。我们的目标不是培养一个真正精心设计的模型来实现最先进的性能（尽管我们会在稍后为您提供代码！）而是倾向于使用TensorFlow。
- TensorFlow指南 | GuideEstimators（估计量）
Estimators（估计量）
- TensorFlow开始 | Get StartedTensorFlow Mechanics 101（TensorFlow力学101）
TensorFlow Mechanics 101（TensorFlow力学101）
- TensorFlow表现 | PerformanceHigh-Performance Models（高性能的模型）
High-Performance Models（高性能的模型）
在使用GPU进行训练时应始终使用NCHW。NHWC在CPU上有时更快。一个灵活的模型可以在GPU上使用NCHW进行训练，并使用NHWC在CPU上进行推理，并从训练中获得权重。
- TensorFlow教程 | TutorialsLarge-scale Linear Models with TensorFlow（TensorFlow的大型线性模型）
Large-scale Linear Models with TensorFlow（TensorFlow的大型线性模型）
你为什么要使用线性模型？ 当最近的研究证明更复杂的神经网络具有多层功能时，为什么要使用如此简单的模型？ 线性模型： 与深度神经网络相比，快速训练。 可以在非常大的功能集上运行良好。
- TensorFlow表现 | PerformanceHow to Quantize Neural Networks with TensorFlow（如何量化神经网络的张力?）
How to Quantize Neural Networks with TensorFlow（如何量化神经网络的张力?）
训练神经网络是通过对权重施加许多微小移动来完成的，而这些小增量通常需要浮点精度才能工作（尽管这里也有研究努力使用量化表示）。 采用预先训练的模型并运行推理是非常不同的。
- TensorFlow教程 | TutorialsTensorFlow Linear Model Tutorial（TensorFlow线性模型教程）
TensorFlow Linear Model Tutorial（TensorFlow线性模型教程）
我们将训练逻辑回归模型，并给出个人信息，我们的模型将输出0到1之间的数字，这可以解释为个人年收入超过5万美元的概率。 设置 尝试本教程的代码： 如果您尚未安装TensorFlow，请安装。
- TensorFlow教程 | TutorialsVector Representations of Words（字词的向量表示）
Vector Representations of Words（字词的向量表示）
CBOW和skip-gram模型使用二元分类目标（逻辑回归）来训练，以在同一上下文中区分来自（k）虚数（噪音）单词（\tildew）的真实目标词（w_t）。我们在下面对CBOW模型进行说明。
- TensorFlow扩展 | ExtendCreating Estimators in tf.estimator（在tf.estimato创建自定义估算器）
Creating Estimators in tf.estimator（在tf.estimato创建自定义估算器）
- TensorFlow指南 | GuideSaving and Restoring（模型存储和加载）
Saving and Restoring（模型存储和加载）
例如，您可能已经训练了一个模型，其中包含一个名为"weights"您要将它的值恢复到名为"params"的变量中。 仅保存或恢复模型使用的变量子集有时也很有用。
腾讯云开发者
扫码关注腾讯云开发者
领取腾讯云代金券
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号