新内容准备中

Author: CreatCodeBuild

.gitignore

@@ -1,12 +1,28 @@
-data/
-__pycache__*
-*.pyc
-~$*
-events.out.tfevents*
+# IDE
 .idea*
-node_modules*
-20/model/checkpoint
-*.ckpt
-20/model/default.ckpt.meta
-*.data-00000-of-00001
-20/model/default.ckpt.index
+
+# 1
+*/data/
+*__pycache__*
+*/20/model/checkpoint
+*/20/model/default.ckpt.meta
+*/20/model/default.ckpt.index
+
+# 2
+*log/
+*data/
+
+# TensorBoard
+*events.out.tfevents*
+
+# NodeJS
+*node_modules/
+
+# Notebook
+.ipynb_checkpoints/
+
+# File Extension
+*.ckpt*
+*.zip
+*.7z
+*.pyc

1-3/NVIDIA Autonomous Car.mp4 renamed to Season1/1-3/NVIDIA Autonomous Car.mp4

@@ -1,134 +1,134 @@
-# encoding: utf-8
-# 为了 Python3 的兼容，如果你用的 Python2.7
-from __future__ import print_function, division
-import tensorflow as tf
-
-print('Loaded TF version', tf.__version__, '\n\n')
-
-# Tensor 在数学中是“张量”
-# 标量，矢量/向量，张量
-
-# 简单地理解
-# 标量表示值
-# 矢量表示位置（空间中的一个点）
-# 张量表示整个空间
-
-# 一维数组是矢量
-# 多维数组是张量, 矩阵也是张量
-
-
-# 4个重要的类型
-# @Variable		计算图谱中的变量
-# @Tensor		一个多维矩阵，带有很多方法
-# @Graph		一个计算图谱
-# @Session		用来运行一个计算图谱
-
-
-# 三个重要的函数
-
-# Variable 变量
-# tf.Variable.__init__(
-#	initial_value=None, @Tensor
-#	trainable=True,
-#	collections=None,
-#	validate_shape=True,
-#	caching_device=None,
-#	name=None,
-#	variable_def=None,
-#	dtype=None)
-# 注意：Variable是一个Class，Tensor也是一个Class
-
-# Constant 常数
-# tf.constant(value, dtype=None, shape=None, name='Const')
-# return: a constant @Tensor
-
-# Placeholder 暂时变量？
-# tf.placeholder(dtype, shape=None, name=None)
-# return: 一个还尚未存在的 @Tensor
-
-
-
-# 让我们用计算图谱来实现一些简单的函数
-# + - * / 四则运算
-def basic_operation():
-	v1 = tf.Variable(10)
-	v2 = tf.Variable(5)
-	addv = v1 + v2
-	print(addv)
-	print(type(addv))
-	print(type(v1))
-
-	c1 = tf.constant(10)
-	c2 = tf.constant(5)
-	addc = c1 + c2
-	print(addc)
-	print(type(addc))
-	print(type(c1))
-
-	# 用来运行计算图谱的对象/实例？
-	# session is a runtime
-	sess = tf.Session()
-
-	# Variable -> 初始化 -> 有值的Tensor
-	tf.initialize_all_variables().run(session=sess)
-
-	print('变量是需要初始化的')
-	print('加法(v1, v2) = ', addv.eval(session=sess))
-	print('加法(v1, v2) = ', sess.run(addv))
-	print('加法(c1, c2) = ', addc.eval(session=sess))
-	print('\n\n')
-	#这种定义操作，再执行操作的模式被称之为“符号式编程” Symbolic Programming
-
-	# tf.Graph.__init__()
-	# Creates a new, empty Graph.
-	graph = tf.Graph()
-	with graph.as_default():
-		value1 = tf.constant([1,2])
-		value2 = tf.Variable([3,4])
-		mul = value1 / value2
-
-	with tf.Session(graph=graph) as mySess:
-		tf.initialize_all_variables().run()
-		print('一一对应的除法(value1, value2) = ', mySess.run(mul))
-		print('一一对应的除法(value1, value2) = ', mul.eval())
-
-	# tensor.eval(session=sess)
-	# sess.run(tensor)
-
-
-# 省内存？placeholder才是王道
-# def use_placeholder():
-	graph = tf.Graph()
-	with graph.as_default():
-		value1 = tf.placeholder(dtype=tf.float64)
-		value2 = tf.Variable([3, 4], dtype=tf.float64)
-		mul = value1 * value2
-
-	with tf.Session(graph=graph) as mySess:
-		tf.initialize_all_variables().run()
-		# 我们想象一下这个数据是从远程加载进来的
-		# 文件，网络
-		# 假装是 10 GB
-		value = load_from_remote()
-		for partialValue in load_partial(value, 2):
-			# runResult = mySess.run(mul, feed_dict={value1: partialValue})
-			evalResult = mul.eval(feed_dict={value1: partialValue})
-			print('乘法(value1, value2) = ', runResult)
-		# cross validation
-
-def load_from_remote():
-	return [-x for x in range(1000)]
-
-
-# 自定义的 Iterator
-# yield， generator function
-def load_partial(value, step):
-	index = 0
-	while index < len(value):
-		yield value[index:index+step]
-		index += step
-	return
-
-if __name__ == '__main__':
-	basic_operation()
-	# use_placeholder()
+# encoding: utf-8
+# 为了 Python3 的兼容，如果你用的 Python2.7
+from __future__ import print_function, division
+import tensorflow as tf
+
+print('Loaded TF version', tf.__version__, '\n\n')
+
+# Tensor 在数学中是“张量”
+# 标量，矢量/向量，张量
+
+# 简单地理解
+# 标量表示值
+# 矢量表示位置（空间中的一个点）
+# 张量表示整个空间
+
+# 一维数组是矢量
+# 多维数组是张量, 矩阵也是张量
+
+
+# 4个重要的类型
+# @Variable		计算图谱中的变量
+# @Tensor		一个多维矩阵，带有很多方法
+# @Graph		一个计算图谱
+# @Session		用来运行一个计算图谱
+
+
+# 三个重要的函数
+
+# Variable 变量
+# tf.Variable.__init__(
+#	initial_value=None, @Tensor
+#	trainable=True,
+#	collections=None,
+#	validate_shape=True,
+#	caching_device=None,
+#	name=None,
+#	variable_def=None,
+#	dtype=None)
+# 注意：Variable是一个Class，Tensor也是一个Class
+
+# Constant 常数
+# tf.constant(value, dtype=None, shape=None, name='Const')
+# return: a constant @Tensor
+
+# Placeholder 暂时变量？
+# tf.placeholder(dtype, shape=None, name=None)
+# return: 一个还尚未存在的 @Tensor
+
+
+
+# 让我们用计算图谱来实现一些简单的函数
+# + - * / 四则运算
+def basic_operation():
+	v1 = tf.Variable(10)
+	v2 = tf.Variable(5)
+	addv = v1 + v2
+	print(addv)
+	print(type(addv))
+	print(type(v1))
+
+	c1 = tf.constant(10)
+	c2 = tf.constant(5)
+	addc = c1 + c2
+	print(addc)
+	print(type(addc))
+	print(type(c1))
+
+	# 用来运行计算图谱的对象/实例？
+	# session is a runtime
+	sess = tf.Session()
+
+	# Variable -> 初始化 -> 有值的Tensor
+	tf.initialize_all_variables().run(session=sess)
+
+	print('变量是需要初始化的')
+	print('加法(v1, v2) = ', addv.eval(session=sess))
+	print('加法(v1, v2) = ', sess.run(addv))
+	print('加法(c1, c2) = ', addc.eval(session=sess))
+	print('\n\n')
+	#这种定义操作，再执行操作的模式被称之为“符号式编程” Symbolic Programming
+
+	# tf.Graph.__init__()
+	# Creates a new, empty Graph.
+	graph = tf.Graph()
+	with graph.as_default():
+		value1 = tf.constant([1,2])
+		value2 = tf.Variable([3,4])
+		mul = value1 / value2
+
+	with tf.Session(graph=graph) as mySess:
+		tf.initialize_all_variables().run()
+		print('一一对应的除法(value1, value2) = ', mySess.run(mul))
+		print('一一对应的除法(value1, value2) = ', mul.eval())
+
+	# tensor.eval(session=sess)
+	# sess.run(tensor)
+
+
+# 省内存？placeholder才是王道
+# def use_placeholder():
+	graph = tf.Graph()
+	with graph.as_default():
+		value1 = tf.placeholder(dtype=tf.float64)
+		value2 = tf.Variable([3, 4], dtype=tf.float64)
+		mul = value1 * value2
+
+	with tf.Session(graph=graph) as mySess:
+		tf.initialize_all_variables().run()
+		# 我们想象一下这个数据是从远程加载进来的
+		# 文件，网络
+		# 假装是 10 GB
+		value = load_from_remote()
+		for partialValue in load_partial(value, 2):
+			# runResult = mySess.run(mul, feed_dict={value1: partialValue})
+			evalResult = mul.eval(feed_dict={value1: partialValue})
+			print('乘法(value1, value2) = ', runResult)
+		# cross validation
+
+def load_from_remote():
+	return [-x for x in range(1000)]
+
+
+# 自定义的 Iterator
+# yield， generator function
+def load_partial(value, step):
+	index = 0
+	while index < len(value):
+		yield value[index:index+step]
+		index += step
+	return
+
+if __name__ == '__main__':
+	basic_operation()
+	# use_placeholder()