国产xxxx99真实实拍_久久不雅视频_高清韩国a级特黄毛片_嗯老师别我我受不了了小说

資訊專欄INFORMATION COLUMN

python機器學(xué)習(xí)tensorflow1.0主要參數(shù)和svm算法

89542767 / 371人閱讀

　　此篇文章首要給大家介紹了python機器學(xué)習(xí)tensorflow1.0主要參數(shù)和svm算法，感興趣的小伙伴可以參考借鑒一下，希望可以有一定的幫助，祝愿大家多多的發(fā)展，盡快漲薪。


　　tf.trainable_variables()提取訓(xùn)練參數(shù)


　　在tf中，參與訓(xùn)練的參數(shù)可用tf.trainable_variables()提取出來，如：


　  #取出所有參與訓(xùn)練的參數(shù)
　　params=tf.trainable_variables()
　　print("Trainable variables:------------------------")
　　#循環(huán)列出參數(shù)
　　for idx,v in enumerate(params):
　　print("param{:3}:{:15}{}".format(idx,str(v.get_shape()),v.name))


　　這里只能查看參數(shù)的shape和name,并沒有具體的值。如果要查看參數(shù)具體的值的話，必須先初始化，即：


　　sess=tf.Session()
　　sess.run(tf.global_variables_initializer())

　　同理，我們也可以提取圖片經(jīng)過訓(xùn)練后的值。圖片經(jīng)過卷積后變成了特征，要提取這些特征，必須先把圖片feed進去。


　　具體實例


　　#-*-coding:utf-8-*-
　　"""
　　Created on Sat Jun 3 12:07:59 2017
　　author:Administrator
　　"""
　　import tensorflow as tf
　　from skimage import io,transform
　　import numpy as np
　　#-----------------構(gòu)建網(wǎng)絡(luò)----------------------
　　#占位符
　　x=tf.placeholder(tf.float32,shape=[None,100,100,3],name='x')
　　y_=tf.placeholder(tf.int32,shape=[None,],name='y_')
　　#第一個卷積層（100——>50)
　　conv1=tf.layers.conv2d(
　　inputs=x,
　　filters=32,
　　kernel_size=[5,5],
　　padding="same",
　　activation=tf.nn.relu,
　　kernel_initializer=tf.truncated_normal_initializer(stddev=0.01))
　　pool1=tf.layers.max_pooling2d(inputs=conv1,pool_size=[2,2],strides=2)
　　#第二個卷積層(50->25)
　　conv2=tf.layers.conv2d(
　　inputs=pool1,
　　filters=64,
　　kernel_size=[5,5],
　　padding="same",
　　activation=tf.nn.relu,
　　kernel_initializer=tf.truncated_normal_initializer(stddev=0.01))
　　pool2=tf.layers.max_pooling2d(inputs=conv2,pool_size=[2,2],strides=2)
　　#第三個卷積層(25->12)
　　conv3=tf.layers.conv2d(
　　inputs=pool2,
　　filters=128,
　　kernel_size=[3,3],
　　padding="same",
　　activation=tf.nn.relu,
　　kernel_initializer=tf.truncated_normal_initializer(stddev=0.01))
　　pool3=tf.layers.max_pooling2d(inputs=conv3,pool_size=[2,2],strides=2)
　　#第四個卷積層(12->6)
　　conv4=tf.layers.conv2d(
　　inputs=pool3,
　　filters=128,
　　kernel_size=[3,3],
　　padding="same",
　　activation=tf.nn.relu,
　　kernel_initializer=tf.truncated_normal_initializer(stddev=0.01))
　　pool4=tf.layers.max_pooling2d(inputs=conv4,pool_size=[2,2],strides=2)
　　re1=tf.reshape(pool4,[-1,6*6*128])
　　#全連接層
　　dense1=tf.layers.dense(inputs=re1,
　　units=1024,
　　activation=tf.nn.relu,
　　kernel_initializer=tf.truncated_normal_initializer(stddev=0.01),
　　kernel_regularizer=tf.nn.l2_loss)
　　dense2=tf.layers.dense(inputs=dense1,
　　units=512,
　　activation=tf.nn.relu,
　　kernel_initializer=tf.truncated_normal_initializer(stddev=0.01),
　　kernel_regularizer=tf.nn.l2_loss)
　　logits=tf.layers.dense(inputs=dense2,
　　units=5,
　　activation=None,
　　kernel_initializer=tf.truncated_normal_initializer(stddev=0.01),
　　kernel_regularizer=tf.nn.l2_loss)
　　#---------------------------網(wǎng)絡(luò)結(jié)束---------------------------
　　#%%
　　#取出所有參與訓(xùn)練的參數(shù)
　　params=tf.trainable_variables()
　　print("Trainable variables:------------------------")
　　#循環(huán)列出參數(shù)
　　for idx,v in enumerate(params):
　　print("param{:3}:{:15}{}".format(idx,str(v.get_shape()),v.name))
　　#%%
　　#讀取圖片
　　img=io.imread('d:/cat.jpg')
　　#resize成100*100
　　img=transform.resize(img,(100,100))
　　#三維變四維（100，100，3）-->(1,100,100,3)
　　img=img[np.newaxis,:,:,:]
　　img=np.asarray(img,np.float32)
　　sess=tf.Session()
　　sess.run(tf.global_variables_initializer())
　　#提取最后一個全連接層的參數(shù)W和b
　　W=sess.run(params[26])
　　b=sess.run(params[27])
　　#提取第二個全連接層的輸出值作為特征
　　fea=sess.run(dense2,feed_dict={x:img})


　　最后一句話句子便是獲取某層的數(shù)據(jù)傳遞做為特點。


　　留意：這一程序流程并沒經(jīng)過訓(xùn)練，因而獲取出來的主要參數(shù)僅僅復(fù)位的主要參數(shù)。


　　綜上所述，這篇文章就給大家介紹到這里了，希望可以給各位讀者帶來幫助。                                       

文章版權(quán)歸作者所有，未經(jīng)允許請勿轉(zhuǎn)載,若此文章存在違規(guī)行為，您可以聯(lián)系管理員刪除。

轉(zhuǎn)載請注明本文地址：http://m.specialneedsforspecialkids.com/yun/128753.html

相關(guān)文章

  • python深度神經(jīng)網(wǎng)絡(luò)tensorflow1.0主要參數(shù)和svm算法

    　　本文主要是給大家介紹了python深度神經(jīng)網(wǎng)絡(luò)tensorflow1.0主要參數(shù)和svm算法，感興趣的小伙伴可以參考借鑒一下，希望可以有一定的幫助，祝愿大家盡可能不斷進步，盡早漲薪　　tf.trainable_variables()獲取練習(xí)主要參數(shù)　　在tf中，參加鍛煉的主要參數(shù)可用tf.trainable_variables()分離出來，如：　　#取出所有參與訓(xùn)練的參數(shù) 　　params=t...

    89542767 評論0 收藏0

  • 一個簡單的案例帶你了解支持向量機算法（Python代碼）

    摘要：什么是支持向量機支持向量機是一種有監(jiān)督的機器學(xué)習(xí)算法，可用于分類任務(wù)或回歸任務(wù)。支持向量機是一個最好地隔離兩個類超平面或者說分類線的前沿算法。接下來，我們將討論支持向量機如何工作。 showImg(https://segmentfault.com/img/remote/1460000019599694); 介紹 掌握機器學(xué)習(xí)算法并不是一個不可能完成的事情。大多數(shù)的初學(xué)者都是從學(xué)習(xí)回歸開...

    Jrain 評論0 收藏0

  • ?openGauss數(shù)據(jù)庫源碼解析系列文章—— DeepSQL?

    ???大家好，我是Gauss松鼠會，歡迎進來學(xué)習(xí)啦~??? 上一篇介紹了 8.6 AI查詢時間預(yù)測的相關(guān)內(nèi)容，本篇我們介紹8.7 DeepSQL、8.8 小結(jié)的相關(guān)精彩內(nèi)容介紹。 8.7 DeepSQL 前面提到的功能均為AI4DB領(lǐng)域，AI與數(shù)據(jù)庫結(jié)合還有另外一個大方向，即DB4AI。在本章中，我們將介紹openGauss的DB4AI能力，探索通過數(shù)據(jù)庫來高效驅(qū)動AI任務(wù)的新途徑。 使用場景 ...

    Atom 評論0 收藏0

  • 機器學(xué)習(xí)算法基礎(chǔ)（使用Python代碼）

    摘要：機器學(xué)習(xí)算法類型從廣義上講，有種類型的機器學(xué)習(xí)算法。強化學(xué)習(xí)的例子馬爾可夫決策過程常用機器學(xué)習(xí)算法列表以下是常用機器學(xué)習(xí)算法的列表。我提供了對各種機器學(xué)習(xí)算法的高級理解以及運行它們的代碼。決策樹是一種監(jiān)督學(xué)習(xí)算法，主要用于分類問題。 showImg(https://segmentfault.com/img/remote/1460000019086462); 介紹 谷歌的自動駕駛汽車和機...

    BenCHou 評論0 收藏0

發(fā)表評論

0條評論

最新活動
閱讀需要支付1元查看
<