TensorFlow 固定随机种子实现可复现训练
本文介绍在 TensorFlow 中通过固定随机数种子来确保神经网络训练结果可复现的方法。针对参数初始化和数据读取中的随机操作，使用 tf.set_random_seed 函数设置统一种子，从而在输入数据相同的情况下获得一致的训练输出。
2026-10-13
15
本文介绍在 TensorFlow 中通过固定随机数种子来确保神经网络训练结果可复现的方法。针对参数初始化和数据读取中的随机操作，使用 tf.set_random_seed 函数设置统一种子，从而在输入数据相同的情况下获得一致的训练输出。
本文探讨在TensorFlow中使用tfrecord存储浮点数数组时遇到的精度丢失问题。通过对比tobytes()二进制存储与直接序列化，揭示了二进制转换导致的精度损失，并提供了正确的代码实现，包括如何保存和读取浮点数组，确保数据完整性。
本文介绍如何使用Python的Socket库和select模块构建一个简单的聊天室。通过服务端监听连接、管理用户列表，以及客户端利用多线程实现同时收发消息，展示了Python在网络通信编程中的基础应用。
本文基于Python基础语法，详细解析了一个简易ATM系统的实现过程。内容涵盖主界面设计、账号与密码验证逻辑、余额查询、存款取款功能及密码修改模块。通过模块化函数设计与循环控制，展示了如何将基础编程知识应用于实际业务场景，适合Python初学者参考学习。
本文提供Python读取Excel表格文件的完整代码示例。通过封装请求获取文件后，利用xlrd库解析xls数据，遍历Sheet页并提取每行数值存入列表。代码包含异常处理与文件写入逻辑，适用于需要批量处理表格数据的技术场景。
本文详细记录了在Windows 10系统中为NVIDIA MX250显卡配置TensorFlow GPU环境的全过程。针对旧版tensorflow-gpu 1.8.0，文章指导用户正确安装CUDA 9.0及对应版本的cudnn，并解决Anaconda版本兼容性问题。通过Python 3.6环境下的实际测试，展示了GPU加速训练带来的显著速度提升，为使用较老硬件进行深度学习开发提供了参考方案。
本文详细介绍Python中NetworkX库的核心功能，涵盖无向图与有向图的创建、顶点与边的属性管理、图的遍历算法（DFS/BFS）及可视化绘制。重点解析PageRank算法原理与参数配置，通过代码示例演示如何计算节点重要性，适用于社会网络分析与复杂系统建模。
本文详细解析Python环境变量的核心作用，包括如何在CMD中直接调用python命令、确保pip install正确识别包路径，以及解决IDE找不到Python解析器的问题。同时整理PYTHONPATH、PYTHONHOME等关键变量说明，帮助开发者快速配置开发环境。
本文介绍使用Python编写简易爬虫并将抓取的数据保存至本地文件的方法。通过urllib获取网页内容，利用正则表达式提取图片链接，最后将图片保存至指定本地目录。文章基于Python 3.5环境，重点讲解了文件存储的实现细节及正则匹配的注意事项，适合初学者参考。
本文详细介绍 TensorFlow 中三种数据读取方式，重点讲解如何使用 TFRecord 格式保存和读取图片数据。通过 Slim 库实现高效的数据序列化与反序列化，涵盖从文件路径获取、参数配置到批量读取的完整流程，适用于大规模图像数据集的训练与验证。
本文详细介绍 TensorFlow 中实现数据类型转换的核心函数，包括 tf.to_bfloat16、tf.to_complex128、tf.to_complex64、tf.to_double、tf.to_float、tf.to_int32 及 tf.to_int64。内容涵盖各函数的参数定义、返回值类型、潜在异常处理及代码示例，帮助开发者准确进行张量类型强制转换。
本文深入解析Python内置函数zip()，演示如何将多个可迭代对象打包为元组列表。涵盖长度不等时的截断行为、*号解压操作、for循环中的并行迭代技巧，以及利用zip实现二维矩阵行列互换的高级用法。此外，还介绍了基于zip的概率元素采样方法，帮助开发者高效处理数据组合与转换任务。