编程实践

Unicode文本排序 Python比较任何类型的序列时，会一一比较序列里的各个元素。对字符串来说，比较的是码位，可是在比较非ASCII字符时，得到的结果不如人意。 fruits = ['caju', 'atemoia', 'caja&#3

分类与定位 定位图片中物体可以表示为回归任务：预测物体周围的边界框，一种常见的方法是预测物体中心的水平坐标和垂直坐标，还有其高度和宽度。这意味着有四个数字要预测。它不需要对模型进行太多修改，只需要添加四个具有单位的第二个密集输出层（通常在全局平均池化层之上），就可以使用MSE损失

为了正确比较而规范Unicode字符串 因为Unicode有组合字符（变音字符和附加到前一个字符上的记号，打印时作为一个整体），所以字符串比较起来很复杂。 例如，"café"这个词可以使用两种方式构成，分别由4个和5个码位，但是结果完全一样： s1

#include <stdio.h> typedef unsigned char *byte_pointer; //将数据类型byte_pointer定义为一个指向类型为unsigned char的对象的指针 void show_bytes(byte_pointer

#include <stdio.h> typedef unsigned char *byte_pointer; //将数据类型byte_pointer定义为一个指向类型为unsigned char的对象的指针 void show_bytes(byte_pointer

TensorFlow数据集（TFDS）项目使下载通用数据集变得非常容易，从小型数据集（如MNIST或Fashion MNIST）到大型数据集（如ImageNet）。该列表包括图像数据集、文本数据集（包括翻译数据集）以及音频和视频数据集。 TFDS没有和TensorFlow捆绑在一

预处理输入特征 为神经网络准备数据需要将所有特征转换为数值特征，通常将其归一化等。特别是如果数据包含分类特征或文本特征，则需要将它们转换为数字。 在准备数据文件时，可以使用任何喜欢的工具（例如NumPy、pandas或Scikit-Learn）提前完成此操作。或者，可以在使用Da

TFRecord格式 TFRecord格式是TensorFlow首选的格式，用于储存大量数据并有效读取数据。这是一种非常简单的二进制格式，只包含大小不同的二进制记录序列（每个记录由一个长度、一个用于检查长度是否受损的CRC校验和、实际数据 以及最后一个CRC校验和组成）。可以使用

数据API 整个数据API都围绕着数据集的概念。通常，使用的是逐步从磁盘中读取数据的数据集，但为了简单起见，使用 tf.data.Dataset.from_tensor_slices()在RAM中完全创建一个数据集合 import keras.activations import

def cube(x): return x**3 cube(2) 8 import tensorflow as tf cube(tf.constant(2.0)) <tf.Tensor: shape=(), dtype=float32, numpy=8.0> 现在用t