2019 年 12月 19 日随笔档案 - 吴裕雄

吴裕雄--天生自然TensorFlow高层封装：使用TFLearn处理MNIST数据集实现LeNet-5模型

摘要： # 1. 通过TFLearn的API定义卷机神经网络。 import tflearn import tflearn.datasets.mnist as mnist from tflearn.layers.conv import conv_2d, max_pool_2d from tflearn.layers.estimator import regression from tflearn.laye 阅读全文

posted @ 2019-12-19 20:55 吴裕雄阅读(317) 评论(0) 推荐(0)

吴裕雄--天生自然TensorFlow高层封装：使用TensorFlow-Slim处理MNIST数据集实现LeNet-5模型

摘要： # 1. 通过TensorFlow-Slim定义卷机神经网络 import numpy as np import tensorflow as tf import tensorflow.contrib.slim as slim from tensorflow.examples.tutorials.mnist import input_data # 通过TensorFlow-Slim来定义LeN... 阅读全文

posted @ 2019-12-19 20:27 吴裕雄阅读(353) 评论(0) 推荐(0)

吴裕雄--天生自然 pythonTensorFlow自然语言处理：Attention模型--测试

摘要： import sys import codecs import tensorflow as tf # 1.参数设置。 # 读取checkpoint的路径。9000表示是训练程序在第9000步保存的checkpoint。 CHECKPOINT_PATH = "F:\\temp\\attention_ckpt-9000" # 模型参数。必须与训练时的模型参数保持一致。 HIDDEN_SIZE =... 阅读全文

posted @ 2019-12-19 19:58 吴裕雄阅读(415) 评论(0) 推荐(0)

吴裕雄--天生自然 pythonTensorFlow自然语言处理：Attention模型--训练

摘要： import tensorflow as tf # 1.参数设置。 # 假设输入数据已经转换成了单词编号的格式。 SRC_TRAIN_DATA = "F:\\TensorFlowGoogle\\201806-github\\TensorFlowGoogleCode\\Chapter09\\train.en" # 源语言输入文件。 TRG_TRAIN_DATA = "F:\\TensorFlowGo 阅读全文

posted @ 2019-12-19 19:29 吴裕雄阅读(973) 评论(0) 推荐(0)

吴裕雄--天生自然 pythonTensorFlow自然语言处理：Seq2Seq模型--测试

摘要： import sys import codecs import tensorflow as tf # 1.参数设置。 # 读取checkpoint的路径。9000表示是训练程序在第9000步保存的checkpoint。 CHECKPOINT_PATH = "F:\\temp\\seq2seq_ckpt-9000" # 模型参数。必须与训练时的模型参数保持一致。 HIDDEN_SIZE = 1024 阅读全文

posted @ 2019-12-19 18:59 吴裕雄阅读(289) 评论(0) 推荐(0)

吴裕雄--天生自然 pythonTensorFlow自然语言处理：Seq2Seq模型--训练

摘要： import tensorflow as tf # 1.参数设置。 # 假设输入数据已经用9.2.1小节中的方法转换成了单词编号的格式。 SRC_TRAIN_DATA = "F:\\TensorFlowGoogle\\201806-github\\TensorFlowGoogleCode\\Chapter09\\train.en" # 源语言输入文件。 TRG_TRAIN_DAT... 阅读全文

posted @ 2019-12-19 18:30 吴裕雄阅读(426) 评论(0) 推荐(0)

吴裕雄--天生自然 pythonTensorFlow自然语言处理：PTB 语言模型

摘要： import numpy as np import tensorflow as tf # 1.设置参数。 TRAIN_DATA = "F:\TensorFlowGoogle\\201806-github\\TensorFlowGoogleCode\\Chapter09\\ptb.train" # 训练数据路径。 EVAL_DATA = "F:\TensorFlowGoogle... 阅读全文

posted @ 2019-12-19 18:03 吴裕雄阅读(520) 评论(0) 推荐(0)

吴裕雄--天生自然 pythonTensorFlow自然语言处理：文本数据预处理--生成训练文件

摘要： import sys import codecs # 1. 参数设置 MODE = "PTB_TRAIN" # 将MODE设置为"PTB_TRAIN", "PTB_VALID", "PTB_TEST", "TRANSLATE_EN", "TRANSLATE_ZH"之一。 if MODE == "PTB_TRAIN": # PTB训练数据 RAW_DATA = "F:\\TensorFlowGoog 阅读全文

posted @ 2019-12-19 16:09 吴裕雄阅读(505) 评论(0) 推荐(0)

吴裕雄--天生自然 pythonTensorFlow自然语言处理：文本数据预处理--生成词汇表

摘要： import codecs import collections from operator import itemgetter # 1. 设置参数。 MODE = "PTB" # 将MODE设置为"PTB", "TRANSLATE_EN", "TRANSLATE_ZH"之一。 if MODE == "PTB": # PTB数据处理 RAW_DATA =... 阅读全文

posted @ 2019-12-19 15:38 吴裕雄阅读(561) 评论(0) 推荐(0)

吴裕雄--天生自然 pythonTensorFlow自然语言处理：交叉熵损失函数

摘要： import tensorflow as tf # 1. sparse_softmax_cross_entropy_with_logits样例。 # 假设词汇表的大小为3，语料包含两个单词"2 0" word_labels = tf.constant([2, 0]) # 假设模型对两个单词预测时，产生的logit分别是[2.0, -1.0, 3.0]和[1.0, 0.0, -0.5] pr... 阅读全文

posted @ 2019-12-19 15:22 吴裕雄阅读(364) 评论(0) 推荐(0)

吴裕雄--天生自然 pythonTensorFlow图形数据处理：循环神经网络预测正弦函数

摘要： import numpy as np import tensorflow as tf import matplotlib.pyplot as plt # 定义RNN的参数。 HIDDEN_SIZE = 30 # LSTM中隐藏节点的个数。 NUM_LAYERS = 2 # LSTM的层数。 TIMESTEPS = 10 # 循环神经网络的训练序列长度。 TRAINING_STEPS = 10000 阅读全文

posted @ 2019-12-19 14:47 吴裕雄阅读(425) 评论(0) 推荐(0)

吴裕雄--天生自然 pythonTensorFlow图形数据处理：循环神经网络前向传播

摘要： import numpy as np # 1. 定义RNN的参数。 X = [1,2] state = [0.0, 0.0] w_cell_state = np.asarray([[0.1, 0.2], [0.3, 0.4]]) w_cell_input = np.asarray([0.5, 0.6]) b_cell = np.asarray([0.1, -0.1]) w_output = np. 阅读全文

posted @ 2019-12-19 14:33 吴裕雄阅读(227) 评论(0) 推荐(0)

吴裕雄--天生自然 pythonTensorFlow图形数据处理：数据集高层操作

摘要： import tempfile import tensorflow as tf # 1. 列举输入文件。 # 输入数据生成的训练和测试数据。 train_files = tf.train.match_filenames_once("F:\\output.tfrecords") test_files = tf.train.match_filenames_once("F:\\output_test... 阅读全文

posted @ 2019-12-19 14:27 吴裕雄阅读(239) 评论(0) 推荐(0)

吴裕雄--天生自然 pythonTensorFlow图形数据处理：数据集基本使用方法

摘要： import tempfile import tensorflow as tf # 1. 从数组创建数据集。 input_data = [1, 2, 3, 5, 8] dataset = tf.data.Dataset.from_tensor_slices(input_data) # 定义迭代器。 iterator = dataset.make_one_shot_iterator() # get_ 阅读全文

posted @ 2019-12-19 14:11 吴裕雄阅读(203) 评论(0) 推荐(0)

吴裕雄--天生自然 pythonTensorFlow图形数据处理：输入数据处理框架

摘要： import tensorflow as tf # 1. 创建文件列表，通过文件列表创建输入文件队列 files = tf.train.match_filenames_once("F:\\output.tfrecords") filename_queue = tf.train.string_input_producer(files, shuffle=False) #解析TFRecord文件里的数据阅读全文

posted @ 2019-12-19 13:52 吴裕雄阅读(236) 评论(0) 推荐(0)

吴裕雄--天生自然 pythonTensorFlow图形数据处理：输入文件队列

摘要： import tensorflow as tf # 1. 生成文件存储样例数据。 def _int64_feature(value): return tf.train.Feature(int64_list=tf.train.Int64List(value=[value])) num_shards = 2 instances_per_shard = 2 for i in range(num_shar 阅读全文

posted @ 2019-12-19 13:28 吴裕雄阅读(234) 评论(0) 推荐(0)

吴裕雄--天生自然 pythonTensorFlow图形数据处理：多线程队列操作

摘要： import tensorflow as tf #1. 定义队列及其操作。 queue = tf.FIFOQueue(100,"float") enqueue_op = queue.enqueue([tf.random_normal([1])]) qr = tf.train.QueueRunner(queue, [enqueue_op] * 5) tf.train.add_queue_runn... 阅读全文

posted @ 2019-12-19 13:16 吴裕雄阅读(229) 评论(0) 推荐(0)

吴裕雄--天生自然 pythonTensorFlow图形数据处理：队列操作

摘要： import tensorflow as tf #1. 创建队列，并操作里面的元素。 q = tf.FIFOQueue(2, "int32") init = q.enqueue_many(([0, 10],)) x = q.dequeue() y = x + 1 q_inc = q.enqueue([y]) with tf.Session() as sess: init.run() ... 阅读全文

posted @ 2019-12-19 13:05 吴裕雄阅读(209) 评论(0) 推荐(0)

吴裕雄--天生自然 pythonTensorFlow图形数据处理：图像预处理完整样例

摘要： import numpy as np import tensorflow as tf import matplotlib.pyplot as plt #随机调整图片的色彩，定义两种顺序。 def distort_color(image, color_ordering=0): if color_ordering == 0: image = tf.image.random_brightness(ima 阅读全文

posted @ 2019-12-19 12:43 吴裕雄阅读(469) 评论(0) 推荐(0)

吴裕雄--天生自然 pythonTensorFlow图形数据处理：TensorFlow图像处理函数

摘要： import numpy as np import tensorflow as tf import matplotlib.pyplot as plt #读取图片 image_raw_data = tf.gfile.FastGFile("F:\\TensorFlowGoogle\\201806-github\\datasets\\cat.jpg",'rb').read() with tf.Sessi 阅读全文

posted @ 2019-12-19 11:43 吴裕雄阅读(284) 评论(0) 推荐(0)

2019年12月19日