本文翻译自: 《Control flow operations: conditionals and loops》, 如有侵权请联系删除,仅限于学术交流,请勿商用。如有谬误,请联系指出。
Effective TensorFlow Chapter 7:TensorFlow中的执行顺序和控制依赖
本文翻译自: 《Understanding order of execution and control dependencies》, 如有侵权请联系删除,仅限于学术交流,请勿商用。如有谬误,请联系指出。
Effective TensorFlow Chapter 6: 在TensorFlow中的运算符重载
本文翻译自: 《Take advantage of the overloaded operators》, 如有侵权请联系删除,仅限于学术交流,请勿商用。如有谬误,请联系指出。
Effective TensorFlow Chapter 5:在TensorFlow中,给模型喂数据(feed data)
本文翻译自: 《Feeding data to TensorFlow》, 如有侵权请联系删除,仅限于学术交流,请勿商用。如有谬误,请联系指出。
Effective TensorFlow Chapter 4: TensorFlow中的广播Broadcast机制
本文翻译自: 《Broadcasting the good and the ugly》, 如有侵权请联系删除,仅限于学术交流,请勿商用。如有谬误,请联系指出。
Effective TensorFlow Chapter 3: 理解变量域Scope和何时应该使用它
本文翻译自: 《Scopes and when to use them》, 如有侵权请联系删除,仅限于学术交流,请勿商用。如有谬误,请联系指出。
Effective TensorFlow Chapter 2:理解静态和动态的Tensor类型的形状
本文翻译自: 《Understanding static and dynamic shapes》, 如有侵权请联系删除,仅限于学术交流,请勿商用。如有谬误,请联系指出。
语义标签(Semantic label)与多模态模型的一些关系
语义标签指的是通过特殊方式使得样本的标签具有一定的语义信息,从而实现更好的泛化,是解开放集问题(open set)和zero-shot问题中的常见思路。如有谬误请联系指出,本文遵守CC 4.0 BY-SA版权协议,转载请联系作者并注明出处,谢谢。
《土豆笔记之反向求导细节系列》Pooling池化层的反向求导细节
这个系列主要是对深度学习中常见的各种层的反向求导细节进行学习和介绍,并且辅以代码予以理解,本章介绍的是池化层,包括有max_pooling
和avg_pooling
,考虑到其stride
的变化,其反向求导的细节也颇具有价值进行深究。如有谬误请联系指出,谢谢。
《土豆笔记之反向求导细节系列》Conv卷积层的反向求导细节
这个系列主要是对深度学习中常见的各种层的反向求导细节进行学习和介绍,并且辅以代码予以理解,本章介绍的是卷积层,考虑到不同通道之间的转换并且不同的stride
,padding
等,卷积层的反向求导研究起来也是颇有意思的。如有谬误请联系指出,谢谢。