일부 예제에서는 학습 및 테스트를 위해 MNIST 데이터 집합이 필요합니다. 걱정하지 마세요, 이 데이터 집합은 예제를 실행할 때 자동으로 다운로드됩니다. MNIST는 필기 숫자의 데이터베이스로, 해당 데이터 집합에 대한 간략한 설명을 위해 이 노트북을 확인할 수 있습니다. 업데이트 (07/14/2019): 몇 가지 TensorFlow v2 예제를 추가! (더 곧). 다음은 위에서 정의한 용어를 TensorFlow에서 사용하여 간단한 선형 함수를 계산하는 방법을 보여 주는 간단한 코드 조각입니다. 모든 예제를 다운로드하려면 이 리포지토리를 복제하기만 하면 TensorFlow에 대한 명확하고 간결한 예제를 찾으려는 초보자에게 적합합니다. 기존의 `원시` TensorFlow 구현 외에도 최신 TensorFlow API 사례(예: 레이어, 추정기, 데이터 집합 등)도 찾을 수 있습니다. 데이터가 로드되면 일부 데이터 검사를 할 시간입니다! 이미지 배열의 ndim 및 크기 특성의 도움으로 매우 간단한 분석으로 시작할 수 있습니다: 첫 번째 알고리즘은 k-Near near 이웃(kNN)입니다. 유클리드 거리와 같은 거리 메트릭을 사용하여 교육을 통해 데이터를 분류하는 감독된 학습 알고리즘입니다. 가장 간단한 알고리즘 중 하나이지만 데이터를 분류하는 데는 여전히 강력합니다. 이 알고리즘의 장점 : 팁 : 텐서가 간단한 가정용 개체의 도움으로 무엇인지 설명이 비디오를 시청! 이 프로젝트에서는 코드 구현을 가능한 한 단순하게 유지하면서 세부 자습서를 사용하여 쉽게 부터 고급까지 부품을 연결하려고 했습니다. 간단한 표현식으로 시작하여 어떤 이유로 TensorFlow 방식으로 y = 5 * x + 13 함수를 평가하려고한다고 가정해 보겠습니다. 나는 주어진 숫자를 예측하는 텐서 플로우 모델을 가지고 있지만 (MNIST기준) 조금 실패합니다.

정확도를 인쇄하거나 TF를 사용하여 이 숫자를 예측하는 것이 좋습니다. 그런 다음 학습 데이터 집합에서 선택한 데이터로 신경망을 학습합니다. 첫째, 우리는 훈련 기능을 정의합니다. 이 함수는 신경망을 확장하고 여러 일괄 처리를 만들어 학습 집합의 데이터를 제공해야 합니다.