tensorflow学习

最新推荐文章于 2024-03-18 21:04:42 发布

px_cmd

最新推荐文章于 2024-03-18 21:04:42 发布

阅读量151

点赞数

分类专栏： tensorflow学习

本文链接：https://blog.youkuaiyun.com/qq_34809033/article/details/88366702

版权

tensorflow学习专栏收录该内容

3 篇文章

订阅专栏

1、tensorflow：模型的保存与恢复

参考：tensorflow 1.0 学习：模型的保存与恢复(Saver)

2、指定GPU设备号和个数

方法一：如果你在终端指定GPU个数和ID号，如果电脑有多个GPU，tensorflow默认全部使用。如果想只使用部分GPU，可以设置CUDA_VISIBLE_DEVICES。在调用python程序时，可以使用：

CUDA_VISIBLE_DEVICES=1 python your_script.py #在运行脚本前指定GPU的设备号

#常规设置有：
CUDA_VISIBLE_DEVICES=1 Only device 1 will be seen
CUDA_VISIBLE_DEVICES=0,1 Devices 0 and 1 will be visible
CUDA_VISIBLE_DEVICES="0,1" Same as above, quotation marks are optional
CUDA_VISIBLE_DEVICES=0,2,3 Devices 0, 2, 3 will be visible; device 1 is masked
CUDA_VISIBLE_DEVICES="" No GPU will be visible

#你也可以使用
export CUDA_VISIBLE_DEVICES=2 #指定设备号
方法二：如果你在python原文件中作更改，在在文件开始处添加如下内容：

import os
os.environ["CUDA_VISIBLE_DEVICES"] = "2" #指明了GPU ID号

#若多个GPU的话
os.environ["CUDA_VISIBLE_DEVICES"] = "1,2" #指明了两个GPU ID号，注意这里不区分双引号和单引号

参数：

TensorFlow学习——tf.GPUOptions和tf.ConfigProto用法解析

tensorflow中使用tf.ConfigProto()配置Session运行参数&&GPU设备指定

3、tensorflow的ckpt文件总结

参考：tensorflow的ckpt文件总结

4、函数

tf.clip_by_value(V, min, max), 截取V使之在min和max之间

import tensorflow as tf

import numpy as np

v = tf.constant([[1.0, 2.0, 4.0],[4.0, 5.0, 6.0]])
result = tf.clip_by_value(v, 2.5, 4.5)


with tf.Session() as sess:
    print(sess.run(result))

输出

[[ 2.5  2.5  4. ]

 [ 4.   4.5  4.5]]
参考：tf.clip_by_value 用法

tf.pad原理和用法：参考tf.pad原理和用法

5、tf.tf.contrib.slim

tf.contrib.slim.conv2d ()

tf.contrib.slim.conv2d (inputs,
num_outputs,#[卷积核个数]
kernel_size,#[高度，宽度]
stride=1,#步长
padding='SAME',#VALID

)

参考：tf.nn.conv2d和tf.contrib.slim.conv2d的区别

def max_pool2d(inputs,
kernel_size,
stride=2,
padding='VALID',
data_format=DATA_FORMAT_NHWC,
outputs_collections=None,
scope=None):
"""Adds a 2D Max Pooling op.
Args:
inputs: 一个4-D tensor，形状为[batch_size, height, width, channels]或者[batch_size, channels, height, width]
kernel_size: 池化核的尺寸: [kernel_height, kernel_width]，如果两个值相同的话可以为一个整数值。
stride: 池化步长 [stride_height, stride_width].如果两个值相同的话可以为一个整数值。
padding: 填充方式，为 'VALID' 或者 'SAME'.
data_format: 数据格式，支持 `NHWC` (default)和 `NCHW`
outputs_collections: 输出被添加到的集合
scope: 可选的name_scope.
Returns:
返回池化操作后的tensor.

6、slim.arg_scope的用法

参考： slim.arg_scope的用法

tf.reshape

函数原型为

def reshape(tensor, shape, name=None)

第1个参数为被调整维度的张量。

第2个参数为要调整为的形状。

返回一个shape形状的新tensor

注意shape里最多有一个维度的值可以填写为-1，表示自动计算此维度。

tf.tile()用法及实例

参考：tf.tile()用法及实例

sess.run()

Tensorflow:sess.run():参数 feed_dict等作用

tensorflow sess.run() 随感

sess.run的第一个参数的错误理解

tensorflow学习笔记（十）：sess.run()

Tensorflow中的run()函数

tf.reduce_mean(input_tensor, axis=None, keep_dims=False, name=None, reduction_indices=None)

第一个参数input_tensor：输入的待降维的tensor;
第二个参数axis：指定的轴，如果不指定，则计算所有元素的均值;
第三个参数keep_dims：是否降维度，设置为True，输出的结果保持输入tensor的形状，设置为False，输出结果会降低维度;
第四个参数name：操作的名称;
第五个参数 reduction_indices：在以前版本中用来指定轴，已弃用;
import tensorflow as tf

x = [[1,2,3],
[1,2,3]]

xx = tf.cast(x,tf.float32)

mean_all = tf.reduce_mean(xx, keep_dims=False)
mean_0 = tf.reduce_mean(xx, axis=0, keep_dims=False)
mean_1 = tf.reduce_mean(xx, axis=1, keep_dims=False)

with tf.Session() as sess:
m_a,m_0,m_1 = sess.run([mean_all, mean_0, mean_1])

print m_a # output: 2.0
print m_0 # output: [ 1. 2. 3.]
print m_1 #output: [ 2. 2.]

如果设置保持原来的张量的维度，keep_dims=True ，结果：

print m_a # output: [[ 2.]]

print m_0 # output: [[ 1. 2. 3.]]

print m_1 #output: [[ 2.], [ 2.]]

类似函数还有:

tf.reduce_sum ：计算tensor指定轴方向上的所有元素的累加和; tf.reduce_max : 计算tensor指定轴方向上的各个元素的最大值; tf.reduce_all : 计算tensor指定轴方向上的各个元素的逻辑和（and运算）; tf.reduce_any: 计算tensor指定轴方向上的各个元素的逻辑或（or运算）;

参考：tensorflow中 tf.reduce_mean函数

tensorflow的tf.reduce_mean函数