曲草的博客

tf.equal()逐元素判断Tensor x,y是否相等，是则为True，否则为Falseequal(x, y, name=None)大部分博客都只是如下一个简单的例子：import tensorflow as tfa = [[1,2,3],[4,5,6]]b = [[1,0,3],[1,5,1]]with tf.Session() as sess: print(sess.run(tf.equal(a,b)))如果：[[ True False True] [False

搞深度学习时可能会遇到想可视化神经网络某一层的输出向量的需求，我最近就遇到了这样的需求，需要对网络的降维结果进行可视化，我这里对3D可视化做一下简单的介绍。主要还是参考了网上很多大神的写法。TSNE和PCA两种方法都可以实现高维向量可视化，两者原理不同，速度也差很多，TSNE会慢一些。这里主要还是用到了python里的matplotlib库进行图形绘制。...

可以获取指定层的训练参数check_result = []check_v_name = [v.name for v in tf.trainable_variables()]values = sess.run(check_v_name)for n, v in zip(check_v_name, values): check_result.append([n, v])...

已经有了一个预训练的模型，我需要从其中取出某一层，把该层的weights和biases赋值到新的网络结构中，可以使用tensorflow中的pywrap_tensorflow(用来读取预训练模型的参数值)结合Session.assign()进行操作。这种需求即预训练模型可能为单分支网络，当前网络为多分支，我需要把单分支A复用到到多个分支去（B，C，D）。先导入对应的工具包from tens...

tf serving docker 环境配置1 ubuntu docker 安装# pre setupsudo apt-get updatesudo apt-get install apt-transport-https ca-certificates curl software-properties-commoncurl -fsSL https://download.docker...

import tensorflow as tfa = tf.constant([[-1, 2, 3], [2, -3, 4], [5, 6, -7]], dtype=tf.float32)d = tf.ones(shape=[3, 3], name='a')e = tf.zeros(shape=[3, 3], name=...

tensorflow自带的tf.image.per_image_standardization会在整个图像通道上计算均值标准差，进而标准化。这里实现分别在r g b通道上单独标准化。import tensorflow as tfimport numpy as npimport cv2origin = cv2.resize(cv2.imread('/home/shuai/Desktop/t...