随笔分类 - Tensorflow深度学习框架
摘要：首先进行数据预处理，需要生成.tsv、.jpg文件 import matplotlib.pyplot as plt import numpy as np import os from tensorflow.examples.tutorials.mnist import input_data LOG_
阅读全文
摘要：如果什么都不加，直接运行装了GPU的Tensorflow，结果是这样子的 来来来，看图 当指定cpu还是GPU时： 结果就变成了这样子： 最后一个 结果：
阅读全文
摘要：``` import matplotlib.pyplot as plt import tensorflow as tf import numpy as np import os from tensorflow.examples.tutorials.mnist import input_data LO
阅读全文
摘要：注意下面一个点就ok了 效果如图：
阅读全文
摘要：各模块含义 1 表示一个Batch的大小是不确定的 2 当两个节点之间传输的张量多与1时，可视化效果图将只显示张量的个数 3 效果图上的粗细表示两个节点之间传输的标量维度的总大小，而不是传输标量的个数，左边的是784 500，右边的是500 10，粗细就是784和500的差距 4 当张量的维度无法确
阅读全文
摘要：讲解几个重点知识 1、对于tf.get_variable()中的reuse，意思是，如果有名字一模一样的变量，则对这个变量继续使用，如果没有名字一模一样的变量，则创建这个变量 2、options=run_options, run_metadata=run_metadata这玩意不好使 3、记住acc
阅读全文
摘要：先搞点基础的 注意注意注意，这里虽然很基础，但是代码应注意： 1、从writer开始后边就错开了 2、writer后可以直接接writer.close，也就是说可以： 对命名空间的操作 注意最后两个命名的方式 1、 tf.get_variable不受tf.name_scope的影响 2、倒数第二个的
阅读全文
摘要：本节的循环神经网络一图足以说明 计算结果：
阅读全文
摘要：本节是对上节的补充 运行结果是：
阅读全文
摘要：数据集的基本使用方法 先生成两个文件：file1,file2 再读取两个文件并放到一个dataset,然后输出（注意iterator。get_next()获得的是张量） TFRecoard读取： 结果为： 下面是用到placeholder的操作，因为是placeholder所以要initialize
阅读全文
摘要：要点 1、`filename_queue = tf.train.string_input_producer(files, shuffle=False) `表示创建一个队列来维护列表 2、 queue runner线程要保证队列中至少剩下min_after_dequeue个数据。 如果min_afte
阅读全文
摘要：``` import tensorflow as tf files = tf.train.match_filenames_once("data.tfrecords-*") filename = tf.train.string_input_producer(files, shuffle=False, num_epochs=3) # 创建输入队列 reader = tf.TFRecordReader(
阅读全文
摘要：以下代码要学会几个地方 1、 这个东西就是要会data.tfrecords %.5d of %.5d两个.5d, 2、记住这两个操作 与`writer = tf.python_io.TFRecordWriter(filename)` 3、得到的是以下TFrecoard两个文件 以下是对上面程序生成文
阅读全文
摘要：先感受一下队列之美 一个多线程的示例 import tensorflow as tf import numpy as np import threading import time def MyLoop(coord, worker_id): while not coord.should_stop()
阅读全文
摘要：注意这里的读取 ,写入 所用的函数，注意这里及以下都是调用的tf.image. 重新调整图片大小API 裁剪或填充图片 截取中间50%的图片 翻转图片 处理标注框 图像的裁剪区域必须包含所提供的任意一个边界框的至少 min_object_covered 的内容。
阅读全文
摘要：由于6.5中提出的TFRecord非常复杂，可扩展性差，所以本节换一种方式 读取时注意使用了多线程
阅读全文
摘要：这是一个完整的程序，值得保存 1、对图片进行预处理并保存
阅读全文
摘要：slim的使用 从以下细节可以看出先使用 要回用，剩下的看看以下代码就懂了
阅读全文
摘要：第一个代码 看看看，就是上面：注意两个方面 （1） 提前设定好 （2） 这里面有sess要注意！ 第二个代码 这里有三个要注意的点 （1）上面定义好了模型（变量名字与第一个代码一样），Saver()里什么都没有 （2） 里有sess，ckpt是数据 （3）result是读取数据的结果，跟这里的变量没
阅读全文
摘要：知识总结 （1）再次注意summary的使用 （2）`x = rdm.rand(dataset_size, 2) y_ = [[x1 2 + x2 2] for (x1, x2) in x]`这里的问题要注意 （3）注意batch时，全部先按照一套W进行前向传播，这时候在进行正则化时，加的是同一套W
阅读全文
浙公网安备 33010602011771号