seniusen的博客

1. 生成配置文件jupyter notebook --generate-config 会默认在 ~/.jupyter 目录下生成jupyter_notebook_config.py 配置文件。2. 手动生成密码ipythonIn [1]: from notebook.auth import passwdIn [2]: passwd()3. 修改配置文件...

1. 打开 PyCharm，在 Tools -> Deployment -> Configuration 进行设置2. 配置远程 Python 解释器点击 OK 后，会自动上传 helper 文件到远程服务器，完成后就可以选择远程服务器上的 Python 解释器。 3. 同步文件和远程调试在本地编辑完文件后，可以通过在 Tools ->...

1. TypeError: Cannot interpret feed_dict key as Tensor: Can not convert a builtin_function_or_method into a Tensor.错误代码如下：_, summary, train_cost = sess.run([optimizer, merged, loss], feed_dict...

1. 准备预训练好的模型TensorFlow 预训练好的模型被保存为以下四个文件data 文件是训练好的参数值，meta 文件是定义的神经网络图，checkpoint 文件是所有模型的保存路径，如下所示，为简单起见只保留了一个模型。model_checkpoint_path: "/home/senius/python/c_python/test/model-40"all_mode...

现在的深度学习框架一般都是基于 Python 来实现，构建、训练、保存和调用模型都可以很容易地在 Python 下完成。但有时候，我们在实际应用这些模型的时候可能需要在其他编程语言下进行，本文将通过 C/C++ 间接调用 Python 的方式来实现在 C/C++ 程序中调用 TensorFlow 预训练好的模型。1. 环境配置为了能在 C/C++ 中调用 Python，我们需要配置一下...

在某些任务中，我们需要针对不同的情况训练多个不同的神经网络模型，这时候，在测试阶段，我们就需要调用多个预训练好的模型分别来进行预测。调用单个预训练好的模型请点击此处弄明白了如何调用单个模型，其实调用多个模型也就顺理成章。我们只需要建立多个图，然后每个图导入一个模型，再针对每个图创建一个会话，分别进行预测即可。import tensorflow as tfimport numpy a...

TensorFlow 的 Python 接口由于其方便性和实用性而大受欢迎，但实际应用中我们可能还需要其它编程语言的接口，本文将介绍如何编译 TensorFlow 的 C/C++ 接口。安装环境：Ubuntu 16.04Python 3.5CUDA 9.0cuDNN 7Bazel 0.17.2TensorFlow 1.11.01. 安装 Bazel安装 JDK su...

现在的深度学习框架一般都是基于 Python 来实现，构建、训练、保存和调用模型都可以很容易地在 Python 下完成。但有时候，我们在实际应用这些模型的时候可能需要在其他编程语言下进行，本文将通过直接调用 TensorFlow 的 C/C++ 接口来导入 TensorFlow 预训练好的模型。1.环境配置 点此查看 C/C++ 接口的编译2. 导入预定义的图和训练好的参数值 //...