本文基于tensorflow官网教程(https://tensorflow.google.cn/tutorials/keras/basic_classification),
配置环境为ubuntu14.04+tensorflow1.8.0+matplotlib
完整代码的github地址：https://github.com/AnkangH/tenso
本文的代码以及思路都是参考别人的，现在只是整理一下思路，做一些解释，毕竟是小白。https://www.kaggle.com/c/dogs-vs-cats-redux-kernels-edition/data代码分为三个部分，input_data.py处理原始数据，因为下载的数据图片大小不一致等，model.py编写网络的模型，使用了两个卷积层，两个池化层以及两个全连接层，最后是training.
转载
2024-04-19 13:32:51
55阅读
文章目录基本图像分类1、使用TensorFlow中的 tf.keras（高级API） 来建立和训练模型。2、导入Fashion MNIST数据集3、数据集4、数据预处理5、建立模型6、训练模型7、完整代码8、参考资料 基本图像分类使用神经网络模型对服装进行分类。1、使用TensorFlow中的 tf.keras（高级API） 来建立和训练模型。import tensorflow as tf
fr
转载
2024-04-05 21:09:40
103阅读
TensorFlow2的模型训练组件（2）损失函数损失函数和正则化项Tensorflow2内置的损失函数自定义损失函数评估指标常用的内置评估指标自定义评估指标优化器优化器的使用使用optimizer.apply_gradients使用optimizer.minimize使用model.fitTensorflow2内置的优化器回调函数内置回调函数自定义回调函数参考资料 损失函数一般地，监督学习的目
转载
2024-04-22 19:32:12
18阅读
TensorFlow官方最新翻译：https://www.tensorflow.org/guide/distributed_training?hl=zh-cn，本文的翻译过时了概览tf.distribute.Strategy 是一个用于分布式训练的TensorFlow API ，横跨多GPU、多机器或TPU. 通过这个API，经过少量改造，就可以让现存的模型和训练代码支持分布式训练。tf.dist
目录简介分类问题和回归问题为什么需要目标函数one hot 编码实战2-3 实战分类模型之数据读取与展示导入经常要用到的数据库下载数据集2-4构建模型训练模型显示学习曲线对测试集 进行评估2.5数据归一化2.6回调函数2.7回归模型2.8神经网络讲解2.9构建深度神经网络2.10 批归一化,激活函数,dropout 简介keras 是TensorFlow 的有个高级APITf-keras 是Te
转载
2024-03-18 12:23:34
130阅读
上篇我们介绍了Tensorflow基础，本篇距离上篇跨度较大，需要更深入的学习。期间自己学习了不少时间，包括但不限于：Numpy和Theano两个Python常用库，机器学习常用模型值得注意的是，自Tensorflow2.0发布以来，许多教材旧代码需要更新或者被弃用，关于Tensorflow2.0的教程少之又少，所以自己重写了不少代码。我认为，对于初学者而言，直接学习TensorFlow2.0是学
tf.train.Saver类的使用保存模型：import tensorflow as tf
v1=tf.Variable(tf.constant(1.0,shape=[1]),name='v1')
v2=tf.Variable(tf.constant(2.0,shape=[1]),name='v2')
result=v1+v2
init_op=tf.global_variables_ini
转载
2024-03-21 17:10:41
35阅读
tensorflow2的一般训练方法（MNIST为例）简介我的程序官网例子 简介在tensorflow中，有一类高度定式化的方法，就是使用Keras进行相关训练，我不否认Keras的便利性，但是，如果需要定义一些更为复杂的训练过程，Keras的一些功能个人感觉多多少少有点不适合。Keras一般的过程就是，定义模型，模型配置（model.compile）,训练模型（model.fit），参数提取（
转载
2024-04-14 10:44:39
45阅读
在上一篇文章中，我们介绍了高效的数据流水线模块 tf.data 的流水线并行化加速。本篇文章我们将介绍 TensorFlow 另一个数据处理的利器——TFRecord。TFRecord ：TensorFlow 数据集存储格式TFRecord 是 TensorFlow 中的数据集存储格式。当我们将数据集整理成 TFRecord 格式后，TensorFlow 就可以高效地读取和处理这些数据集，从而帮助
转载
2024-04-15 09:54:39
53阅读
数据管道Dataset1.Dataset类相关操作1.1 Dataset类创建数据集1.2 Dataset类数据转换 知识树 1.Dataset类相关操作1.1 Dataset类创建数据集tf.data.Dataset 类创建数据集，对数据集实例化。 最常用的如：tf.data.Dataset.from_tensors() ：创建Dataset对象， 合并输入并返回具有单个元素的数据集。tf.
转载
2024-04-30 14:33:00
64阅读
硬件 i7-10700K+RTX2080S软件Win10Miniconda3-py37_4.8.2-Windows-x86_64cuda10.1cudnn7.6.5tensorflow2.3.0安装过程网上看到很多教程都是先把CUDA、cuDNN安装下来再一步步安装。流程没毛病，不过，英伟达的官网就有点恶心，奇慢无比，还时不时的打不开，好不容易打开了网页，下载又下载不下来，要么就一动不动
一、《深度学习之Tensorflow入门原理与进阶实战》1、第三章import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
trainx=np.linspace(-1,1,100)
trainy=2*trainx+np.random.randn(*trainx.shape)*0.3
#y=2x with
转载
2024-05-25 16:55:42
130阅读
菜鸟学TensorFlow 2.0：TensorFlow2.0基础操作演示1. Tensor数据类型2. 创建Tensor3. Tensor索引和切片4. Tensor维度变换5. Broadcast6. 数学运算7. 手写数字识别流程8. TensorFlow实现神经网络参考资料 1. Tensor数据类型TensorFlow没有那么神秘，为了适应自动求导和GPU运算，它应运而生。为了契合nu
转载
2024-04-30 04:14:05
265阅读
Tensorflow2自定义Layers之__init__,build和call详解闲言碎语：--init--,build和call总结 参考官方链接：https://tensorflow.google.cn/tutorials/customization/custom_layers闲言碎语：如果想要自定义自己的Layer，那么使用tf.keras.Layer 来创建自己的类是必不可少的。但是笔
转载
2024-04-02 21:42:56
72阅读
TensorFlow 2现已上线！本教程将引导您完成使用深度学习构建简单的CIFAR-10图像分类器的过程。在本教程中，我们将：定义模型建立数据管道训练模型多个GPU加快训练速度添加callback以监视进度/更新学习进度本教程中的代码可在此处获得。定义模型TensorFlow 2使用Keras作为其高级API。Keras提供了两种定义模型的方法：顺序API和功能API。使用Keras
转载
2024-09-02 10:36:49
33阅读
1. 前言：自从Google发布了TensorFlow2.0后，个人觉得与TensorFlow1相比是一个重大的突破，它不仅仅删除了许多旧的库并进行整合，还促进了Keras在搭建模型中的使用，通过高级API Keras让模型构建和部署变得简单。 我们在用TensorFlow2.0创建模型时，可以使用Keras函数API定义模型或者顺序API定义模型。本文将使用Keras函数API来定义CNN模型，
转载
2024-04-03 12:54:45
37阅读
前文：三分钟快速上手TensorFlow 2.0 （中）——常用模块和模型的部署TensorFlow 模型导出 使用 SavedModel 完整导出模型不仅包含参数的权值，还包含计算的流程（即计算图）tf.saved_model.save(model, "保存的目标文件夹名称")将模型导出为 SavedModelmodel = tf.saved_model.load("保存的目标文件夹名
转载
2024-05-13 12:55:58
0阅读
机器学习问题不仅是一个科学问题，更是一个工程问题。大多数年轻的数据科学家都希望将大部分时间花在构建完美的机器学习模型上，但是企业不仅需要训练一个完美的模型，同时也需要将其部署，向用户提供便捷的服务。如下图所示，机器学习系统由机器学习代只包含一小部分，而在中间的小黑匣子周围，所需要的基础设施庞大而复杂。因此，在实际应用中，一个优秀的程序员不仅要学会构建完美的机器学习模型上，同时还需要将其部署向用户提
转载
2024-04-26 13:41:27
95阅读
1 配置环境首先确保已经配置好tensorflow2和cuda、cudnn环境，不要下载错。配置的教程已经有很多，自行查阅2 安装APItf2 object detection 的安装参考此博客，TensorFlow 2 Object Detection API 物体检测教程 虽然这是linux系统下的，但是操作可以类比。简单地说只有三步 1.下载model-master并解压 其中tensorf
转载
2024-05-06 14:49:06
124阅读
