【Tensorflow笔记】

博客主要介绍了逻辑回归,涉及独热表示及占位符使用,还提及一个简单的神经网络,最后阐述了模型的保存和读取相关内容,包含保存和提取操作,均围绕信息技术领域的模型构建与处理。

目录

逻辑回归

一个简单的神经网络

模型的保存和读取


逻辑回归

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

mnist = input_data.read_data_sets('MNIST_data/',one_hot=true)

x=tf.placeholder(tf.float32,[None,784])
y=tf.placeholder(tf.float32,[None,10])
w=tf.Variable(tf.zeros([784,10]))
b=tf.Variable(tf.zeros([10]))
pred=tf.nn.softmax(tf.matmul(x,w)+b)

sess=tf.InteractiveSession()

cost=tf.reduce_mean(-tf.reduce_sum(y*tf.log(pred)))
optimizer=tf.train.GradientDescentOptimizer(0.01).minimize(cost)
corr=tf.equal(tf.argmax(pred,1),tf.argmax(y,1))
accr=tf.reduce_mean(tf.cast(corr,tf.float32))
init=tf.global_variables_initializer()

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

epoch_n=100
batch_size=64
batch_n=int(mnist.train.num_examples/batch_size)

for epoch in range(epoch_n):
    avg_cost=0
    for _ in range(batch_n):
        batch_xs,batch_ys=mnist.train.next_batch(batch_size)
        feeds={x:batch_xs,y:batch_ys}
        sess.run(optimizer,feed_dict=feeds)
        avg_cost+=sess.run(cost,feed_dict=feeds)/batch_size
    print(avg_cost)

one_hot=true    独热表示:一位有效编码   

                           读取到的mnist lables:   [1,0,0,0,0,0,0,0,0,0]     [0,1,0,0,0,0,0,0,0,0]      [0,0,1,0,0,0,0,0,0,0]  ........

x=tf.placeholder(tf.float32,[None,784])   未赋值,先占位      None 可传任意个数

pred=tf.nn.softmax(tf.matmul(x,w)+b)

一个简单的神经网络

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

mnist = input_data.read_data_sets('MNIST_data/',one_hot=True)

n_input=784
n_hidden_1=256
n_hidden_2=128

n_classes=10
x=tf.placeholder(tf.float32,[None,n_input])
y=tf.placeholder(tf.float32,[None,n_classes])
stddev=0.1

weights={
    'w1':tf.Variable(tf.random_normal([n_input,n_hidden_1],stddev=stddev)),
    'w2':tf.Variable(tf.random_normal([n_hidden_1,n_hidden_2],stddev=stddev)),
    'out':tf.Variable(tf.random_normal([n_hidden_2,n_classes],stddev=stddev))
}

biases={
    'b1':tf.Variable(tf.random_normal([n_hidden_1])),
    'b2':tf.Variable(tf.random_normal([n_hidden_2])),
    'out':tf.Variable(tf.random_normal([n_classes]))
}

print("-"*10+"NetWork Reday"+"-"*10)


#前向
def multiplayer_perception(x,weights,biases):
    layer_1=tf.matmul(x,weights['w1'])  #输入*权重
    tf.add(layer_1,biases['b1']) #加偏置项
    layer_1=tf.sigmoid(layer_1) #激活
    layer_2=tf.sigmoid(tf.add(tf.matmul(layer_1,weights['w2']),biases['b2']))
    out=tf.matmul(layer_2,weights['out'])+biases['out']
    return out

pred=multiplayer_perception(x,weights,biases)

cost=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=pred, labels=y))
optimizer=tf.train.GradientDescentOptimizer(0.001).minimize(cost)
corr=tf.equal(tf.argmax(pred,1),tf.argmax(y,1))
accr=tf.reduce_mean(tf.cast(corr,tf.float32))
init=tf.global_variables_initializer()

print("-"*10+"Function Ready"+"-"*10)


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

epoch_n=100
batch_size=64
batch_n=int(mnist.train.num_examples/batch_size)

for epoch in range(epoch_n):
    avg_cost=0
    for i in range(batch_n):
        batch_xs,batch_ys=mnist.train.next_batch(batch_size)
        feeds={x:batch_xs,y:batch_ys}
        sess.run(optimizer,feed_dict=feeds)
        avg_cost+=sess.run(cost,feed_dict=feeds)/batch_size
    print(avg_cost)

模型的保存和读取

保存

saver=tf.train.Saver(max_to_keep=3)   #max_to_keep保存模型的个数 

for epoch in range(epoch_n):
    avg_cost=0
    for i in range(batch_n):
        batch_xs,batch_ys=mnist.train.next_batch(batch_size)
        feeds={x:batch_xs,y:batch_ys}
        sess.run(optimizer,feed_dict=feeds)
        avg_cost+=sess.run(cost,feed_dict=feeds)/batch_size
    print(avg_cost)

    saver.save(sess,'ckpt/mnist.ckpt',global_step=epoch+1)   

提取

saver=tf.train.Saver(max_to_keep=3)  #######max_to_keep保存模型的个数

is_train=0

if is_train:
    for epoch in range(epoch_n):
        avg_cost = 0
        for i in range(batch_n):
            batch_xs, batch_ys = mnist.train.next_batch(batch_size)
            feeds = {x: batch_xs, y: batch_ys}
            sess.run(optimizer, feed_dict=feeds)
            avg_cost += sess.run(cost, feed_dict=feeds) / batch_size
        print(avg_cost)
        saver.save(sess, 'ckpt/mnist.ckpt', global_step=epoch + 1)



else:
    model_file = tf.train.latest_checkpoint('ckpt/')
    saver.restore(sess, model_file)
    val_cost, val_accr = sess.run([cost, accr], feed_dict={x: mnist.test.images, y: mnist.test.labels})
    print('val_loss:%f, val_acc:%f' % (val_cost, val_accr))
sess.close()

 

内容概要:本文系统介绍了算术优化算法(AOA)的基本原理、核心思想及Python实现方法,并通过图像分割的实际案例展示了其应用价值。AOA是一种基于种群的元启发式算法,其核心思想来源于四则运算,利用乘除运算进行全局勘探,加减运算进行局部开发,通过数学优化器加速函数(MOA)和数学优化概率(MOP)动态控制搜索过程,在全局探索与局部开发之间实现平衡。文章详细解析了算法的初始化、勘探与开发阶段的更新策略,并提供了完整的Python代码实现,结合Rastrigin函数进行测试验证。进一步地,以Flask框架搭建前后端分离系统,将AOA应用于图像分割任务,展示了其在实际工程中的可行性与高效性。最后,通过收敛速度、寻优精度等指标评估算法性能,并提出自适应参数调整、模型优化和并行计算等改进策略。; 适合人群:具备一定Python编程基础和优化算法基础知识的高校学生、科研人员及工程技术人员,尤其适合从事人工智能、图像处理、智能优化等领域的从业者;; 使用场景及目标:①理解元启发式算法的设计思想与实现机制;②掌握AOA在函数优化、图像分割等实际问题中的建模与求解方法;③学习如何将优化算法集成到Web系统中实现工程化应用;④为算法性能评估与改进提供实践参考; 阅读建议:建议读者结合代码逐行调试,深入理解算法流程中MOA与MOP的作用机制,尝试在不同测试函数上运行算法以观察性能差异,并可进一步扩展图像分割模块,引入更复杂的预处理或后处理技术以提升分割效果。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值