开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

Tensorflow更新教程: NoneType对象没有‘seq2seq’属性

TensorFlow是一个开源的机器学习框架，用于构建和训练各种机器学习模型。它提供了丰富的工具和库，使开发者能够轻松地创建和部署机器学习应用。

在TensorFlow中，NoneType对象没有‘seq2seq’属性的错误通常是由于使用了过时的代码或API版本导致的。为了解决这个问题，可以尝试以下步骤：

更新TensorFlow版本：确保你正在使用最新版本的TensorFlow。可以通过官方文档或TensorFlow官方GitHub页面获取最新版本的信息。
检查代码：检查你的代码中是否使用了过时的API或函数。在TensorFlow的更新版本中，一些API可能已被弃用或更改。查阅TensorFlow官方文档以了解最新的API和函数用法。
更新依赖库：确保你的依赖库也是最新的版本。有时，与TensorFlow不兼容的旧版本依赖库可能导致错误。
查阅文档和社区：如果以上步骤无法解决问题，可以查阅TensorFlow官方文档、GitHub问题页面或开发者社区，寻找类似问题的解决方案或向其他开发者寻求帮助。

推荐的腾讯云相关产品和产品介绍链接地址：

腾讯云AI Lab：https://cloud.tencent.com/developer/labs
腾讯云机器学习平台：https://cloud.tencent.com/product/tiia
腾讯云人工智能：https://cloud.tencent.com/solution/ai
腾讯云云服务器：https://cloud.tencent.com/product/cvm
腾讯云对象存储：https://cloud.tencent.com/product/cos
腾讯云区块链服务：https://cloud.tencent.com/product/tbaas
腾讯云音视频处理：https://cloud.tencent.com/product/mps
腾讯云物联网平台：https://cloud.tencent.com/product/iotexplorer

请注意，以上链接仅供参考，具体的产品选择应根据实际需求和情况进行评估。

相关搜索:NoneType对象没有属性endwith (Tensorflow)Tensorflow“NoneType”对象没有属性“shape”NoneType：“AttributeError”对象没有属性“NoneType”NoneType对象没有属性程序显示'NoneType‘对象没有’NoneType‘属性 “NoneType”对象没有属性“name”“NoneType”对象没有属性“PrimarySmtpAddress”NoneType‘对象没有'clearcolor’属性 NoneType对象没有属性'group‘“NoneType”对象没有属性“decode”“NoneType”对象没有属性“flip”“NoneType”对象没有“”drop“”属性“”“NoneType”对象没有属性“shape”Python-Mockito 'NoneType‘对象没有’NoneType‘属性属性错误：'NoneType‘对象没有'find’属性 'NoneType‘对象没有'user’Django属性 python"'NoneType'对象没有属性'encode'"浏览：“NoneType”对象没有“”browse“”属性“”AttributeError：“NoneType”对象没有“”send“”属性“”SQLAlchemy：“NoneType”对象没有属性“drivername”

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

GitHub超3万星：Transformer 3发布，BERT被一分为二

来了来了，它来了！它带着全新的tokenizer API、TensorFlow改进以及增强的文档和教程来了！

04

【TensorFlow 谷歌神经机器翻译】从零开始打造属于你的翻译系统

【新智元导读】谷歌今天公布了一个用 TensorFlow 构建神经机器翻译（NMT）系统的教程，全面解释 seq2seq 模型，并演示如何从零开始构建 NMT 翻译模型。这个教程从 NMT 的背景知识讲起，详细讲解如何构建并训练一个 NMT 模型，并提供代码，绝对有用。机器翻译——自动在两种语言之间进行翻译的任务——是机器学习中最活跃的研究领域之一。在多种机器翻译方法中，序列到序列（“seq2seq”）模型最近取得了巨大的成功，并已经成为大多数商业翻译系统的事实上的标准，例如谷歌翻译。这是由于 seq2s

04

Google发布神经机器翻译教程，带你从零开始搭建NMT系统

李林编译自 Google Research Blog 量子位报道 | 公众号 QbitAI 想自己在TensorFlow上搭神经机器翻译(NMT)模型？Google亲自来教你了。周三，Googl

08

13个Tensorflow实践案例，深度学习没有想象中那么难

关于深度学习，每个人都有自己的看法。有人说就是炼丹，得个准确率召回率什么的，拿到实际中，问问为什么，都答不上来。各种连代码都没写过的人，也纷纷表示这东西就是小孩堆积木，然后整个大功耗的服务器跑上几天，调调参数。然后每个实验室招生，都说自己是做什么深度学习，机器学习，大数据分析的，以此来吸引学生。可是可是，他们实验室很可能连一块 GPU 都没有。对于像我这样的渣渣来说，深度学习的乐趣不在于推导那么几个公式，而在于你在做情感分析的时候，RMSE小了，准确率高了；你在做机器翻译的时候，英文句子准确地变成了地地

使用Python实现深度学习模型：序列到序列模型（Seq2Seq）

序列到序列（Seq2Seq）模型是一种深度学习模型，广泛应用于机器翻译、文本生成和对话系统等自然语言处理任务。它的核心思想是将一个序列（如一句话）映射到另一个序列。本文将详细介绍 Seq2Seq 模型的原理，并使用 Python 和 TensorFlow/Keras 实现一个简单的 Seq2Seq 模型。

02

13个Tensorflow实践案例，教你入门到进阶

关于深度学习，每个人都有自己的看法。有人说就是炼丹，得个准确率召回率什么的，拿到实际中，问问为什么，都答不上来。各种连代码都没写过的人，也纷纷表示这东西就是小孩堆积木，然后整个大功耗的服务器跑上几天，调调参数。然后每个实验室招生，都说自己是做什么深度学习，机器学习，大数据分析的，以此来吸引学生。可是可是，他们实验室很可能连一块 GPU 都没有。小时候，我把两个5号电池连在一块，然后用导线把正负极连起来，在正极的地方接个小灯泡，然后灯泡就亮了，这时候我就会高兴的不行。家里的电风扇坏了，把风扇拆开后发现里边

图深度学习入门教程（六）——注意力机制与图注意力

深度学习还没学完，怎么图深度学习又来了？别怕，这里有份系统教程，可以将0基础的你直接送到图深度学习。还会定期更新哦。

05

Github标星5.4k+：常见NLP模型的代码实现（基于TensorFlow和PyTorch）

推荐github上的一个NLP代码教程：nlp-tutorial，教程中包含常见的NLP模型代码实现（基于TensorFlow和Pytorch），而且教程中的大多数NLP模型都使用少于100行代码。

03

谷歌开放GNMT教程：如何使用TensorFlow构建自己的神经机器翻译系统

选自谷歌机器之心编译参与：机器之心编辑部近日，谷歌官方在 Github 开放了一份神经机器翻译教程，该教程从基本概念实现开始，首先搭建了一个简单的NMT模型，随后更进一步引进注意力机制和多层 LSTM 加强系统的性能，最后谷歌根据 GNMT 提供了更进一步改进的技巧和细节，这些技巧能令该NMT系统达到极其高的精度。机器之心对该教程进行简要的描述，跟详细和精确的内容请查看项目原网站。 GitHub 链接：https://github.com/tensorflow/nmt 机器翻译，即跨语言间的自动翻译，

06

【下载】机器学习TensorFlow代码教程实战书籍和代码

DM.AI 高级架构师Nishant Shukla最新撰写的机器学习TensorFlow教程实战书籍（2017年12月出版）介绍基于TensorFlow工具来使用机器学习的教程原理和实现工具。我们生活在一个大数据世界。能够近乎实时的决策变得越来越重要。为了取得成功，我们需要机器学习系统，将大量数据转化为有价值的见解。但是当你刚刚开始在数据科学领域，你如何开始创建机器学习应用程序？答案是TensorFlow，一个来自Google的新的开源机器学习库，他们使用自己的成功产品，如搜索，地图，YouTube，翻译

05

实战 | 让机器人替你聊天，还不被人看出破绽？来，手把手教你训练一个克隆版的你

编译 | AI科技大本营（rgznai100）参与 | 史天聊天机器人到底是什么呢？说白了，就是计算机程序通过听觉或文本方法进行对话。当今最流行的四个对话机器人是：苹果的Siri、微软Cortana、谷歌助理、亚马逊的Alexa。他们能够帮你查比分、打电话，当然，偶尔他们也会出错。本文，我们主要会详细介绍聊天机器人在文本方面的运作。在这篇文章中，我们将看到如何使用深度学习模型训练聊天机器人用我们所希望的方式在社交媒体上进行对话。意图&深度学习如何训练一个高水平的聊天机器人呢？高水平的工作

08

ChatGirl 一个基于 TensorFlow Seq2Seq 模型的聊天机器人

简介还在开发中，它工作的效果还不好。但是你可以直接训练，并且运行。包含预处理过的 twitter 英文数据集，训练，运行，工具代码，可以运行但是效果有待提高。数据集 Twitter 数据集:

08

Google工程师：谷歌翻译在几个月内效果明显提升的秘诀

编辑｜Vincent，Emily 近日，一位网友在知乎提问：谷歌翻译这几个月的进化速度突然加快是什么原因？问题链接： https://www.zhihu.com/question/55915702/answer/282532687 他描述道：曾经的印象中，谷歌翻译只是用来翻译单词、用来对文段粗解大意的。今天查文献的时候，一时懒得一个个查单词了（几乎都是专业英语），就扔给了谷歌翻译，结果产生了以下效果： 📷 从上图可以看得出，这一段文字不仅翻译通顺，而且句子中的中文语法也更加符合中国人的语言习惯，而并非像原来

谷歌开源 tf-seq2seq，你也能用谷歌翻译的框架训练模型

【新智元导读】谷歌今天宣布开源 tf-seq2seq，这是一个用于 Tensorflow 的通用编码器-解码器框架，可用于机器翻译、文本总结、会话建模、图说生成等任何序列到序列的任务。 2016年，我们宣布了谷歌神经机器翻译（GNMT），一个序列到序列（“seq2seq”）模型，现在用于谷歌翻译商用系统。虽然 GNMT 在翻译质量方面取得了巨大的进步，但影响却十分有限，主要是外部研究人员无法使用这一框架训练模型。今天，我们很高兴向大家介绍 tf-seq2seq，这是一个TensorFlow开源代码seq

07

2017年度盘点：15个最流行的GitHub机器学习项目

选自Analytics Vidhya 作者：Sunil Ray 机器之心编译在本文中，作者列出了 2017 年 GitHub 平台上最为热门的知识库，囊括了数据科学、机器学习、深度学习中的各种项目，希望能对大家学习、使用有所帮助。另，小编恬不知耻地把机器之心的 Github 项目也加了进来，求 star，求 pull requests。 GitHub 是计算机科学领域最为活跃的社区，在 GitHub 上，来自不同背景的人们分享越来越多的软件工具和资源库。在其中，你不仅可以获取自己所需的工具，还可以观看代

06

使用深度学习训练聊天机器人与人对话

聊天机器人是“通过听觉或文本方法进行对话的计算机程序”，苹果的Siri, 微软的Cortana, 谷歌助手和亚马逊的Alexa是当下最流行的四种会话代理，它们能帮助你获得出行路线，检查运动项目的得分，给你通讯录里的人打电话并且可能会意外地让你订购一个$170的玩偶屋。这些产品都有听觉接口，会话代理通过语音信息与你对话。在这篇文章中，我们将更多地关注只采用文本操作的聊天机器人。Facebook一直在大力投资FB Messenger机器人，它允许小型企业和组织创建机器人来提供用户支持和提出问题。聊天机器人已经

TensorFlow 中 RNN 实现的正确打开方式

上周写的文章《完全图解 RNN、RNN 变体、Seq2Seq、Attention 机制》介绍了一下 RNN 的几种结构，今天就来聊一聊如何在 TensorFlow 中实现这些结构。这篇文章的主要内容为：一个完整的、循序渐进的学习 TensorFlow 中 RNN 实现的方法。这个学习路径的曲线较为平缓，应该可以减少不少学习精力，帮助大家少走弯路。一些可能会踩的坑 TensorFlow 源码分析一个 Char RNN 实现示例，可以用来写诗，生成歌词，甚至可以用来写网络小说！（项目地址：https://

08

开发 | TensorFlow中RNN实现的正确打开方式

上周写的文章《完全图解RNN、RNN变体、Seq2Seq、Attention机制》介绍了一下RNN的几种结构，今天就来聊一聊如何在TensorFlow中实现这些结构，这篇文章的主要内容为：一个完整的、循序渐进的学习TensorFlow中RNN实现的方法。这个学习路径的曲线较为平缓，应该可以减少不少学习精力，帮助大家少走弯路。一些可能会踩的坑 TensorFlow源码分析一个Char RNN实现示例，可以用来写诗，生成歌词，甚至可以用来写网络小说！（项目地址：https://github.com/hzy

05

2017数据科学领域15大热门GitHub项目

-欢迎加入AI技术专家社群>> GitHub现在不再仅仅是一个软件寄存管理器，而是软件工程师通过它来共享他们自己开发的工具/库，甚至这些资源对一些公司都很重要。作为一名狂热的数据科学爱好者，我总结了一系列在2017年尤为出名的知识库！ 1.学习资源 1.1:Awesome Data Science：这个GitHub是数据科学的资源指南，它是建立在多年来的积累贡献，从引导指南、信息图表到人们在Twitter，Facebook，Instagram等社交网站上的资源链接，其中有很多资源可供观看，无论是否你是初

08

谷歌传奇Jeff Dean给创业者的一小时AI讲座 | 86页PPT+视频

李林若朴编译整理量子位出品 | 公众号 QbitAI 少年，你知道Jeff Dean么？传奇一般的Jeff Dean现在领导着Google Brain团队，也是Google研发群组的高级研究

03

面向深度学习研究人员的自然语言处理实例教程

nlp-tutorial是一个使用Pytorch／TensorFlow，学习自然语言处理的教程。大多数模型的代码行数少于100行。

01

2017年度盘点：15个最流行的GitHub机器学习项目

06

2017年度盘点：15个最流行的GitHub机器学习项目

作者：Sunil Ray 在本文中，作者列出了 2017 年 GitHub 平台上最为热门的知识库，囊括了数据科学、机器学习、深度学习中的各种项目，希望能对大家学习、使用有所帮助。另，小编恬不知耻地把机器之心的 Github 项目也加了进来，求 star，求 pull requests。 GitHub 是计算机科学领域最为活跃的社区，在 GitHub 上，来自不同背景的人们分享越来越多的软件工具和资源库。在其中，你不仅可以获取自己所需的工具，还可以观看代码是如何写成并实现的。作为一名机器学习爱好者，作者在

08

收藏 | Tensorflow实现的深度NLP模型集锦（附资源）

基于Tensorflow的自然语言处理模型，为自然语言处理问题收集机器学习和Tensorflow深度学习模型，100%Jupeyter NoteBooks且内部代码极为简洁。

04

从模型到算法，详解一套AI聊天机器人是如何诞生的

您是否曾经利用 Siri、Alexa 或者 Cortana 以对话方式设置闹钟、呼叫朋友甚至是安排会议日程？相信大多数朋友和我一样，感觉虽然这些方案在日常生活与工作中能够起到一定作用，但仍然很难与之谈论一般性、特别是哲学层面的话题。通过自然语言与机器交互属于通用型人工智能方案的基本要求之一。这一 AI 研究领域被称为对话系统、口语对话系统或者是聊天机器人。在这类场景下，机器需要能够结合对话背景为用户提供翔实的答案，而且在理想情况下应实现与人类无异的沟通效果。但在实践当中，最后一项要求往往很难达成。不过

06

业界 | 一窥谷歌神经机器翻译模型真面貌，其底层框架开源！

去年，谷歌发布了 Google Neural Machine Translation (GNMT)，即谷歌神经机器翻译，一个 sequence-to-sequence (“seq2seq”) 的模型。现在，它已经用于谷歌翻译的产品系统。虽然消费者感受到的提升并不十分明显，谷歌宣称，GNMT 对翻译质量带来了巨大飞跃。但谷歌想做的显然不止于此。其在官方博客表示：“由于外部研究人员无法获取训练这些模型的框架，GNMT 的影响力受到了束缚。” 如何把该技术的影响力最大化？答案只有一个——开源。因而，谷歌

05

一窥谷歌神经机器翻译模型的真面貌，其底层框架终于开源！

去年，谷歌发布了 Google Neural Machine Translation (GNMT)，即谷歌神经机器翻译，一个 sequence-to-sequence (“seq2seq”) 的模型。

09

2017年度盘点：15个最流行的GitHub机器学习项目

在本文中，作者列出了 2017 年 GitHub 平台上最为热门的知识库，囊括了数据科学、机器学习、深度学习中的各种项目，希望能对大家学习、使用有所帮助。 GitHub 是计算机科学领域最为活跃的社区

QA-对话系统-问答系统-聊天机器人-chatbot相关资源1 简介2 博客推荐论文3 项目4 相关链接

1 简介目前正在研究智能问答系统，在学习的过程中读了一些文章，实践了几个开源项目，在这里记录下自己觉得比较的资源 2 博客深度学习对话系统理论篇--数据集和评价指标介绍文末介绍了一些数据集，也可以关注下博主，他的专栏也是关于对话系统的。 TensorFlow中Sequence-to-Sequence样例代码详解 sequence to sequence模型自然语言处理之seq2seq模型 Sequence to Sequence学习简述推荐论文 Sequence to Sequence

03

Seq2Seq模型

前言：此文翻译自TensorFlow tutorial： Sequence-to-Sequence Models 本文的尽量在做到意思正确的情况下，做到不尬翻。但第一次尝试翻译，另加上英语水平有

独家 | 这15个最热门的GitHub库你不可错过！

原文标题：15 Trending Data Science GitHub Repositories you can not miss in 2017 作者：SUNIL RAY 翻译：杨金鸿校对：闵黎本文长度为3400字，建议阅读5分钟本文为你分享2017年最热门的GitHub项目列表。简介 GitHub最初的只是一个控制软件版本的工具，如今已经发展成为由来自不同背景的GitHub使用者共享他们自己开发的工具/库，甚至是有用代码库。 GitHub是一座蕴藏了丰富资源的知识宝库，您不仅可以看到最优

08

tensorflow学习笔记（二十四）：Bucketing

tensorflow的编码原则是,先构建计算图,然后再去执行计算图(sess.run()).这就会导致一个问题,我们无法在运行的过程中动态的更改图的结构.我们能做的就是,先构建出完整的图,然后可以去执行其子图. tensorflow中的bucket就是基于这么一种思想.

03

盘点：今年GitHub上最火的15个机器学习项目

在本文中，作者列出了 2017 年 GitHub 平台上最为热门的知识库，囊括了数据科学、机器学习、深度学习中的各种项目，希望能对大家学习、使用有所帮助。 GitHub 是计算机科学领域最为活跃的社区，在 GitHub 上，来自不同背景的人们分享越来越多的软件工具和资源库。在其中，你不仅可以获取自己所需的工具，还可以观看代码是如何写成并实现的。作为一名机器学习爱好者，作者在本文中列出了 2017 年 GitHub 平台上最为热门的知识库，其中包含了学习资料与工具。希望对你的学习和研究有所帮助。目录学习

08

【NLP实战】如何基于Tensorflow搭建一个聊天机器人

实战是学习一门技术最好的方式，也是深入了解一门技术唯一的方式。因此，NLP专栏计划推出一个实战专栏，让有兴趣的同学在看文章之余也可以自动动手试一试。

00

谷歌开源神经机器翻译技术，推出tf-seq2seq框架

陈桦编译自 Google官方博客量子位报道 | 公众号 QbitAI 谷歌研究软件工程师、谷歌大脑团队成员Anna Goldie和Denny Britz今天撰文，宣布在“谷歌神经机器翻译”的基础上推出开源框架tf-seq2seq，给外部研究人员提供帮助。 tf-seq2seq相关链接项目介绍：https://google.github.io/seq2seq/ GitHub：https://github.com/google/seq2seq 以下是Google官方博客上发布的全文：去年，我们

06

从Encoder到Decoder实现Seq2Seq模型（算法+代码）

知乎专栏：机器不学习作者：天雨栗 | 蚂蚁金服 | 数据算法已授权刊登前言好久没有更新专栏，今天我们来看一个简单的Seq2Seq实现，我们将使用TensorFlow来实现一个基础版本的Seq2Seq，主要帮助理解Seq2Seq中的基础架构。最基础的Seq2Seq模型包含了三个部分，即Encoder、Decoder以及连接两者的中间状态向量，Encoder通过学习输入，将其编码成一个固定大小的状态向量S，继而将S传给Decoder，Decoder再通过对状态向量S的学习来进行输出。图中每一

06

从 Encoder 到 Decoder 实现 Seq2Seq 模型

前言好久没有更新专栏，今天我们来看一个简单的Seq2Seq实现，我们将使用TensorFlow来实现一个基础版本的Seq2Seq，主要帮助理解Seq2Seq中的基础架构。最基础的Seq2Seq模型

Tensorflow动态seq2seq使用总结

tf-seq2seq是Tensorflow的通用编码器 - 解码器框架，可用于机器翻译，文本汇总，会话建模，图像字幕等。动机其实差不多半年之前就想吐槽Tensorflow的seq2seq了（后面博

09

Tensorflow实战系列，手把手教你构建一个Chatbot（博文+视频）

【导读】专知内容组为大家介绍一个聊天机器人（Chatbot）Tensorflow实战课程系列，其目标是创建一个聊天机器人，可以实时地在Twitch Stream上与人们交谈，而不是完全像个傻瓜。为了创

06

Seq2seq模型的一个变种网络：Pointer Network的简单介绍

Pointer Network（为方便起见以下称为指针网络）是seq2seq模型的一个变种。他们不是把一个序列转换成另一个序列, 而是产生一系列指向输入序列元素的指针。最基础的用法是对可变长度序列或集合的元素进行排序。 seq2seq的基础是一个LSTM编码器加上一个LSTM解码器。在机器翻译的语境中, 最常听到的是: 用一种语言造句, 编码器把它变成一个固定大小的陈述。解码器将他转换成一个句子, 可能和之前的句子长度不同。例如, “como estas？”-两个单词-将被翻译成 “how are you？

05

Seq2seq强化，Pointer Network简介

Pointer Network（为方便起见以下称为指针网络）是seq2seq模型的一个变种。他们不是把一个序列转换成另一个序列, 而是产生一系列指向输入序列元素的指针。最基础的用法是对可变长度序列或集合的元素进行排序。

06

GitHub上15 个优秀开源项目告诉你如何上手数据科学！

关键时刻，第一时间送达！作为一名狂热的数据科学爱好者，本文作者整理了 2017 年 Github 上尤为实用的数据科学资源，希望和大家共同学习。 📷 学习资源 Awesome Data Science 这个 GitHub 库是数据科学的终极资源指南。多年来，它建立在各种各样的贡献之上，包括入门指南、信息图、以及人们在 Twitter，Facebook，Instagram 等社交网站上关注的学习内容。无论你是刚刚入门的新手还是经验丰富的数据科学家，都有很多资源可供参考学习。目录如下： 📷 项目地址：ht

05

ChatGirl is an AI ChatBot based on TensorFlow Seq2Seq Model.

Introduction [Under developing,it is not working well yet.But you can just train,and run it.] ChatGi

04

实例+代码，你还怕不会构建深度学习的代码搜索库吗？

本文展示了一个端到端的实例，说明如何构建一个可以语义化搜索对象的系统。项目作者是 Hamel Husain （https://www.linkedin.com/in/hamelhusain/）和 Ho-Hsiang Wu 。

03

Seq2Seq、SeqGAN、Transformer…你都掌握了吗？一文总结文本生成必备经典模型（一）

机器之心专栏本专栏由机器之心SOTA！模型资源站出品，每周日于机器之心公众号持续更新。本专栏将逐一盘点自然语言处理、计算机视觉等领域下的常见任务，并对在这些任务上取得过 SOTA 的经典模型逐一详解。前往 SOTA！模型资源站（sota.jiqizhixin.com）即可获取本文中包含的模型实现代码、预训练模型及 API 等资源。本文将分 2 期进行连载，共介绍 10 个在文本生成任务上曾取得 SOTA 的经典模型。第 1 期：Seq2Seq（RNN）、Seq2Seq（LSTM）、Seq2Seq+

01

【今日热门】优秀资源

【RNN训练技巧】《Tips for Training Recurrent Neural Networks》by Danijar Hafner 链接：http://danijar.com/tips-for-training-recurrent-neural-networks/ 【面向视觉识别的CNN报告集锦(2017)(斯坦福大学)】《Stanford University CS231n: Course Projects Spring 2017》链接：http://cs231n.stanford.edu/

02

深度学习：Seq2seq模型

http://blog.csdn.net/pipisorry/article/details/78258198

04

学习笔记CB013: TensorFlow、TensorBoard、seq2seq

tensorflow基于图结构深度学习框架，内部通过session实现图和计算内核交互。

07

自然语言处理seq2seq模型实现人工智能对对联（基于TensorFlow框架）

春节贴春联是中国人庆祝春节（过年）的特有习俗。但我真正对对联有些认识和喜欢，不是从年年贴春联开始的，而是从《唐伯虎点秋香》那段经典的对对子开始的。那工整又有韵律和意境的对子，配上有节奏的配乐读出来着实让人热血沸腾，大呼过瘾。

04

机器学习&人工智能博文链接汇总

争取每天更新 ? 126 蜗牛的历程： [入门问题] [机器学习] [聊天机器人] [好玩儿的人工智能应用实例] [TensorFlow] [深度学习] [强化学习] [神经网络

06

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭