ifruoxi的博客

文章转载至： https://zhuanlan.zhihu.com/p/27238630（知乎首发：我的AI实验田）在学习tensorflow的过程中，有很多小伙伴反映读取数据这一块很难理解。确实这一块官方的教程比较简略，网上也找不到什么合适的学习材料。今天这篇文章就以图片的形式，用最简单的语言，为大家详细解释一下tensorflow的数据读取机制，文章的最后还会给出实战代码以供参考。

Tensorflow加速计算（多GPU和分布式）1 使用GPU基本操作在Tensorflow中可以通过tf.device()函数来手动指定运行操作的设备。对于CPU而言，在默认的情况下，即使的电脑有多个GPU，Tensorflow依然不会区分它们，都是用/cpu:0作为名称。对于GPU而言，则会使用/gpu:0,/gpu:1,…/gpu:nTensorflow提供了一个快捷的方式来查看运行设备： 在

利用图像数据制作能够输入Tensorflow的数据格式文件夹格式：ROOT_FOLDER | ------ SUBFOLDER(CLASS 0)| | --- image1.jpg | | ..... | | ------SUBFOLDER(CLAS

利用图像数据制作能够输入Tensorflow的数据格式文件夹格式：ROOT_FOLDER | ------ SUBFOLDER(CLASS 0)| | --- image1.jpg | | ..... | | ------SUBFOLDER(CLAS

RNN和LSTMRNNRNN循环神经网络对处理时间系列的数据或周期性数据很有用。在传统的神经网络中，只是在深度上进行多层的连接，层与层之间具有连接，但是在同一层内部节点之间没有连接。这对于处理前后有关系的数据无能为力，RNN则考虑了这一点，在广度上也进行连接。具体的，RNN网络会对前面的信息进行记忆并应用于当前的输出的计算中，即隐藏层的输入不仅包含输入层的输出还包含上一时刻隐藏层的输出。理论上，RN

原文地址： Caffe转换tensorflow并 跨平台调用使用 caffe-tensorflow这个开源项目 ，直接可以转换caffe 模型文件 为 tensorflow 模型参数 转换训练的模型 为 tensorflow 训练的模型文件格式，交给tensorflow调用，tensorflow 有C++ PYTHON 的api 而且支持手机端，各种平台，所以网上很多 吹牛逼的 项目手机上调用 ，

架构输入图像尺寸： 299x299x3 卷积1： 3x3/2 输入图像尺寸： 149x149x32 卷积2： 3x3/1 输入图像尺寸： 147x147x32 卷积3： 3x3/1 输入图像尺寸： 147x147x64 池化1： 3x3/2 输入图像尺寸： 73x73x64 卷积4： 3x3/1 输入图像尺寸： 71x71x80 卷积5： 3x3/2输入图像尺寸： 35x35x19

神经网络模型训练及优化使用手写字体mnist数据#载入库import tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_data# 设置超参数INPUT_NODE = 784 #输入节点 OUTPUT_NODE = 10 # 输出节点LAYER1_NODE = 500 # 隐藏层节点BATCH_SIZE

原文地址： import tensorflow.contrib.slim as slimslim是一个使构建，训练，评估神经网络变得简单的库。它可以消除原生tensorflow里面很多重复的模板性的代码，让代码更紧凑，更具备可读性。另外slim提供了很多计算机视觉方面的著名模型（VGG, AlexNet等），我们不仅可以直接使用，甚至能以各种方式进行扩展。子模块介绍： （1）arg_scope :

Tensorflow实现VGGNet# 导入库import tensorflow as tf # 1.3import mathimport timefrom datetime import datetimeVGGNet中具有很多层，可以降每一个卷积层（参数初始化、卷积、relu）放在一个函数中，方便后面编写网络。def conv_op(input_op, name, kh, kw, n_ou

1 首先下载源码https://github.com/tensorflow/models2 按照官方说明文档安装 依赖库：Tensorflow Object Detection API depends on the following libraries:Protobuf 2.6 Pillow 1.0 lxml tf Slim (which is included in the “tensor

2012年，ALex提出了深度卷积网络模型AlexNet。AlexNet中包含了几个比较新的技术点，也首次在CNN中应用了RELU、Dropout、LRN等tricks。在AlexNet中包含了5个卷积层，其中3个卷积层后面连接了maxpool层，最后还有三个全连接层。AlexNet将LeNet的思想发扬光大，将CNN基本原理应用到了很深的网络中，其主要用到的创新点有（1） 使用RELU作为激活函数

临近毕业，找工作压力大，由于实验室的规定，研究生三年没有实习、没有项目经验。为了能在简历上增点彩，就准备自己搞点小东西，希望可以找到一个称心的工作。第一个小demo是基于opencv和tensorflow的手势识别。手势识别无论是在学术界还是工业界都已经很完美了，我这里也是从最简单的开始，一步一步来，防止自己自信心被打击。基本计划是： （1） 利用opencv录制需要的手势 （2）tensorf

在第二部分，我们没有进行参数的优化，后来进行了优化，loss进过几千次迭代，已经下降到0.0002左右，还是比较好的。 本次这里介绍测试的代码，并将两个代码融合。测试代码和训练代码基本是一样的，就不多赘述，直接上代码def test(X_test, y_test): # EVAL_INTERVAL_SECS = 10 # 每10秒加载一次模型，并在测试数据上测试准确率 with

深度学习训练并行模式在深度学习中不仅可以利用单个CPU加速学习同时可以利用多个GPU或多台机器并行化地训练深度模型具有两种模式：（1） 同步模式（2）异步模式深度学习模型的训练是一个迭代的过程。在每一轮迭代中，前向传播算法会根据当前参数的取值计算出在一小部分训练数据上的预测值，然后反向传播算法再根据损失函数计算参数的梯度并更新参数。在并行化第训练深度学习模型时，不同设备（GPU或CPU）可以在不同训

在第（1）个博客中，我们搭建了能够录制、并保存手势的python代码。我录制了几个动作如下： 本节，利用录制的数据搭建一个简单的网络进行训练和测试。先不用考虑和上一个代码进行融合，那么本节的代码就变得简单的多。（1）分析： 输入的图片大小是200*200 这里我们采用网络的架构如下： **注： 在tensorflow中tf.nn.conv2d()中padding的参数有两种“SAME”和

原文： 何之源-知乎例子：读入磁盘图片与对应label讲到这里，我们可以来考虑一个简单，但同时也非常常用的例子：读入磁盘中的图片和图片相应的label，并将其打乱，组成batch_size=32的训练样本。在训练时重复10个epoch。对应的程序为（从官方示例程序修改而来）：# 函数的功能时将filename对应的图片文件读进来，并缩放到统一的大小def _parse_function(filen