TensorFlow中通过assign更新变量值的正确方式
本文介绍在TensorFlow中如何正确更改变量的值。核心方法是使用tf.assign()创建更新操作，并必须在Session中通过run()执行该操作才能在图中生效。直接对Python变量赋值无效，且若传入非Tensor类型会导致AttributeError。
2026-10-13
7
本文介绍在TensorFlow中如何正确更改变量的值。核心方法是使用tf.assign()创建更新操作，并必须在Session中通过run()执行该操作才能在图中生效。直接对Python变量赋值无效，且若传入非Tensor类型会导致AttributeError。
本文介绍在Python中如何遍历指定文件夹以获取所有文件名称，并将结果写入列表或文本文件。通过os.walk和os.listdir两种方法，分别实现递归遍历子目录和非递归获取指定类型文件的功能，适用于深度学习等需要批量处理数据的场景。
本文详细解析如何使用TensorFlow复现经典的AlexNet模型。重点还原了论文中双GPU并行的原始网络结构，而非常见的单GPU合并版本。文章涵盖模型定义、参数加载及测试流程，通过具体代码示例展示如何对渣土车等常见物体进行图像分类识别，适合希望深入理解AlexNet架构及熟悉TensorFlow操作的开发者参考。
本文系统解析卷积神经网络（CNN）的核心机制，涵盖局部连接、权值共享及池化降采样等关键概念。详细阐述CNN标准结构组件，包括卷积层、ReLU激活与全连接层的组合策略，并深入探讨通过小滤波器组合、零填充及合理步长设置来大幅减少参数量、防止过拟合并提升模型泛化能力的具体实践方法。
本文深入解析人工智能专业的核心课程体系，重点剖析线性代数、概率论等数学基础的实际应用价值，并客观评估编程与算法的学习难度。通过拆解从理论推导到工程落地的完整路径，帮助读者厘清AI专业的真实门槛，判断自身是否适合投身这一领域。
本文深入解析Python numpy库中np.random.seed()函数的核心机制与使用场景。通过对比实验，验证随机数种子对后续随机数生成的持续性影响，并探讨不同参数值如何确定随机序列的起始位置。文章指出种子参数仅作用于其定义后的下一次随机数生成，帮助开发者在机器学习和深度学习实验中实现结果的可复现性。
本文详解Python中遍历读取目录的两种常用方法：os.listdir与os.walk。os.listdir仅获取当前层级文件列表，而os.walk可递归遍历所有子目录。文章通过具体代码示例对比两者返回值差异，并提供了支持多后缀过滤、递归/非递归选项的完整封装函数，帮助开发者高效处理机器学习或深度学习中的文件读取需求。
本文深入解析LSTM网络结构，详细讲解遗忘门、输入门和输出门的工作原理。重点阐述如何在Keras中通过units和input_shape参数配置LSTM，并逐步推导各门控机制的参数量计算公式。结合MNIST数据集示例代码，展示LSTM在序列数据处理中的实际应用与效果。
本文详细解析YOLO3目标检测模型的预测流程，涵盖Darknet53特征提取、多尺度特征层解码及非极大抑制筛选。通过Python代码复现，展示如何从网络输出还原边界框坐标与类别概率，并实现可视化结果。
本文详细介绍 Python OpenCV 中的三种图像模糊（滤波）技术：均值滤波、高斯滤波及高斯双边滤波。通过解析 cv2.blur、cv2.GaussianBlur 和 cv2.bilateralFilter 函数的参数与原理，对比它们在去除椒盐噪声、高斯噪声及保边去噪方面的特性与适用场景，帮助开发者根据实际需求选择合适的滤波算法。
本文介绍Python深度学习入门知识，首先分析逻辑回归在非线性分类中的局限性，引出特征转换与多层逻辑回归的概念。随后阐述神经网络的基本结构、全连接机制及矩阵运算方式，并详解交叉熵损失函数的计算原理，帮助初学者理解深度学习核心逻辑。
本文深入解析Python深度学习中的BackPropagation（反向传播）算法，重点阐述如何利用链式法则计算损失函数对参数的梯度。通过前向传播获取中间变量，再经反向传播逐层推导偏导数，最终结合梯度下降法优化模型参数，实现神经网络的有效训练。
