开发一款写作网站招聘App，应选择哪种软件工具？

写作网站招聘,app开发用什么软件,HS酒店网站建设,滨城区住房和城乡建设局网站深度学习-第T2周——彩色图片分类深度学习-第P1周——实现mnist手写数字识别一、前言二、我的环境三、前期工作1、导入依赖项并设置GPU2、导入数据集3、归一化4、可视化图片四、构建简单的CNN网络五、编译并训练模型1、设置超参数2、编写训练函数六、预测七、模型评估深度学习-… 深度学习-第T2周——彩色图片分类深度学习-第P1周——实现mnist手写数字识别一、前言二、我的环境三、前期工作1、导入依赖项并设置GPU2、导入数据集3、归一化4、可视化图片四、构建简单的CNN网络五、编译并训练模型1、设置超参数2、编写训练函数六、预测七、模型评估深度学习-第P1周——实现mnist手写数字识别 一、前言 本文为365天深度学习训练营 中的学习记录博客 原作者K同学啊 二、我的环境 电脑系统Windows 10语言环境Python 3.8.5编译器colab在线编译深度学习环境Tensorflow 三、前期工作 1、导入依赖项并设置GPU import tensorflow as tf gpus tf.config.list_physical_devices(GPU)if gpus:gpu0 gpus[0]tf.config.experimental.set_memory_growth(gpu0, True)tf.config.set_visible_device([gpu0], GPU)2、导入数据集 使用dataset下载MNIST数据集并划分训练集和测试集 使用dataloader加载数据 import tensorflow as tf from tensorflow.keras import datasets, layers, models import matplotlib.pyplot as plt(train_images, train_labels), (test_images, test_labels) datasets.cifar10.load_data()3、归一化 数据归一化作用 使不同量纲的特征处于同一数值量级减少方差大的特征的影响使模型更准确加快学习算法的准确性 train_images, test_images train_images / 255.0, test_images / 255.0train_images.shape, test_images.shape, train_labels.shape, test_labels.shape4、可视化图片 class_names [airplane, automobile, bird, cat, deer, dog, frog, horse, ship, truck]plt.figure(figsize (20, 10)) for i in range(20): plt.subplot(5, 10, i 1) plt.xticks([]) plt.yticks([]) plt.grid(False) plt.imshow(train_images[i], cmap plt.cm.binary) plt.xlabel(class_names[train_labels[i][0]])plt.show() 四、构建简单的CNN网络 对于一般的CNN网络来说都是由特征提取网络和分类网络构成其中特征提取网络用于提取图片的特征分类网络用于将图片进行分类。 卷积层通过卷积操作对输入图像进行降维和特征抽取有卷积填充步幅三个部分。 卷积假设输入图片为n * n通过k * k的卷积核那么输出维度为n-k1*n-k1。 填充假设输入图片为n * n通过k * k的卷积核 且填充为p那么输出维度为n-k2p1*n-k2p1 步幅 假设输入图片为n * n通过k * k的卷积核 填充为p且步幅为s那么输出维度为n-k2p/ s 1*n-k2p/ s 1 池化层是一种非线性形式的下采样。主要用于特征降维压缩数据和参数的数量减小过拟合同时提高模型的鲁棒性。 与卷积层一样假设输入图片为n * n通过k * k的卷积核 填充为p且步幅为s那么输出维度为n-k2p/ s 1*n-k2p/ s 1 #二、构建简单的CNN网络 # 创建并设置卷积神经网络 # 卷积层通过卷积操作对输入图像进行降维和特征抽取,输出维度为 # 池化层是一种非线性形式的下采样。主要用于特征降维压缩数据和参数的数量减小过拟合同时提高模型的鲁棒性。 # 全连接层在经过几个卷积和池化层之后神经网络中的高级推理通过全连接层来完成。