qiurisiyu的博客

监督学习的两大类为分类问题与回归问题定义常量：tf.constant([1.0,2.0],name="a")定义变量：tf.Variable进行变量声明w2=tf.Variable(tf.random_normal([3,1],stddev=1,seed=1))生成一些随机数：tf.random_normal([2,3],stddev=1,seed=1)定义会话：with tf.Session()...

第一步，将输入的图片分类放在InputImage中，输出的图片统一放在inputdata文件夹，并且生成tfrecord文件。第二步，定义了几个函数，定义的函数在第五步测试时候被调用第三步，定义模型，没有输入，也没有输出，只是定义了几个函数第四步，训练，生成ckpt文件，确定两个路径，分别是train_dir 即shuffle后放在同一个文件夹的路径logs_train_dir 即...

卷积层的输出效果：输入x：[None,784]x经过reshape变换，得到x_image  [None,28,28,1]x_image经过卷积操作（h_conv1 = tf.nn.relu(conv2d(x_image,W_conv1)+b_conv1)），得到h_conv1，[None,28,28,32]h_conv1经过池化(tf.nn.max_pool(x,ksize=[1,2,2,1],...

训练自己的图片分类模型有三种方法，1、从无到有，如使用inception，Alexbet 框架，初始化是使用随机值，从头开始训练2、使用准备训练好的模型，如inception-v3，参数已确定，只是在最后进行训练3、同2，只是要不同分类进行神经元，底下部分权值参数学习率低，进行微调这里使用方法2，用指定的模型进行训练...

函数理解：

tf.nn.softmax（）当a>b，用softmax函数来计算取a和b的概率，a的softmax值大于b，所以a会经常被取到，而b偶尔会取到。不会想max函数只会取到a。softmax函数定义：假如有一个数组V，Vi是数组V中的第i个元素，那么这个元素的Softmax值就是 经过softmax函数作用将输入映射到（0，1）的区间上，将各个值以概率的形式表现出来。...

1、2、3、4、5、678910111213141516

程序程序为转载的，如下import tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_datamnist=input_data.read_data_sets("MNIST-data",one_hot=True)#每个批次的大小batch_size=100#计算一共有多少个批次n_batch=mnist.tra...

使用不同优化器可以得到不同的效果，差别在于收敛速度不同#梯度下降函数，优化器就会按照循环的次数一次次沿着loss最小值的方向优化参数了。train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss)#优化器# train_step = tf.train.AdamOptimizer(0.001)#收敛速度比较快# train_st...

分为三种，过拟合是因为训练的数据量较小或者模型太复杂当测试时使用训练数据集与测试数据集，两者出现的差别比较大，说明出现过拟合现象

有几种不同的代价函数，不同的代价函数适用于不同的场景有二次代价函数，交叉熵代价函数（适用于s型曲线，选择合适的代价函数，可节省训练时间），对数似然代价函数# 二次代价函数# loss = tf.reduce_mean(tf.square(y - prediction))#交叉熵代价函数loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_lo...

Code# -*- coding:utf-8 -*-import tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_data# 载入数据mnist = input_data.read_data_sets("MNIST-data", one_hot=True)# 每个批次的大小batch_siz...

MNIST-NameError: name ‘input_data’ is not defined解决办法其实这是由于导入工具库后没有使用正确别名的原因，只要加入as input_data即可。应改成如下代码：import tensorflow.examples.tutorials.mnist.input_data as input_datamnist = input_data.read_data...

通过随机数创建一些点通过最小损失函数生成非线性回归函数通过画图工具将原点与生成的预测图画出来

主要是图片处理的几个函数第一个get_files(file_dir, ratio): 函数，输入获取文件的路径（注意根据函数的写法，路径中包含不同类别的文件夹），验证集所占比例# step1：返回的四个值，分别是训练集的图片路径数组，训练集图片所属类别的数组；验证集图片路径数组，验证集图片所属类别的数组def get_files(file_dir, ratio): for fi...