tensorflow学习备注2-特征提取

最新推荐文章于 2024-04-20 04:58:18 发布
原创 最新推荐文章于 2024-04-20 04:58:18 发布 · 769 阅读 · 1 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#tensorflow #深度学习 #神经网络

本文探讨了一种网络结构，分析了其卷积层的权重分布，展示了如何输出各层权重并理解参数数量。通过实例，解释了输入图像经过卷积后的变化，以及如何可视化这些特征。此外，还讨论了网络参数与图像大小、卷积核数量的关系，并通过代码展示了如何提取和显示卷积特征。

还是上面的网络，我们输出各个层的权值看看

len(model.layers[0].weights)=2，

weights[0],

<tf.Variable 'conv2d/kernel:0' shape=(3, 3, 1, 32) dtype=float32

weights[1]

<tf.Variable 'conv2d/bias:0' shape=(32,) dtype=float32,

要输出第一个卷积的值：

model.layers[0].weights[0][:,:,:,0]

model.layers[0].weights[0][:,:,:,0].shape=TensorShape([3, 3, 1])

输出第一个层的32个卷积图

我们来计算一下这个网络的参数

参数个数和输入图像的大小直接关系。和卷积数，channel数有关。

input shape=28*28*1

Model: "sequential" _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= conv2d (Conv2D) (None, 26, 26, 32) 320 _________________________________________________________________ max_pooling2d (MaxPooling2D) (None, 13, 13, 32) 0 ____

最低0.47元/天 解锁文章
吕刚
关注
计算机视觉：少样本学习（Few-Shot Learning）在视觉中的应用
优快云博客专家，系统架构师，有合作、疑惑请私信博主。
06-04 4万+
计算机视觉：少样本学习（Few-Shot Learning）在视觉中的应用 ，人工智能，计算机视觉，大模型，AI，少样本学习（Few-Shot Learning, FSL）应运而生，其目标是利用极少量的标注样本训练模型，使模型能够对新的样本进行准确分类或预测。这一技术模拟人类从少量示例中快速学习并泛化到新情况的能力，为解决数据稀缺问题提供了有效的途径，在计算机视觉领域展现出巨大的潜力和应用价值。
[TensorFlow 学习笔记-07]池化函数(Pooling Function)
CVer
07-19 5426
[版权说明] TensorFlow 学习笔记参考： 李嘉璇 著 TensorFlow技术解析与实战 黄文坚 唐源 著 TensorFlow实战郑泽宇 顾思宇 著 TensorFlow实战Google深度学习框架 乐毅 王斌 著 深度学习-Caffe之经典模型详解与实战 TensorFlow中文社区 http://www.tensorfly.cn/ 极客学院 著 TensorFlo
FPN的Tensorflow代码详解——特征提取！
weixin_47716911的博客
08-20 2210
文章来源 |极链AI云（性价比最高的共享算力平台，助力你的技术成长～首次注册可获免费100小时GPU使用时长！官网地址：https://cloud.videojj.com/） 作者 | Lychee【极链AI云技术原创奖励计划】千元云币券获得者 原文地址 |FPN的Tensorflow代码详解——特征提取（官网论坛）已获授权 特征金字塔网络最早于2017年发表于CVPR，与Faster RCNN相比其在多池度特征预测的方式使得其在小目标预测上取得了较好的效果。FPN也作为mmdeteci...
cnn 预测过程代码_FPN的Tensorflow代码详解——特征提取
weixin_34504277的博客
01-06 816
@TOC  特征金字塔网络最早于2017年发表于CVPR，与Faster RCNN相比其在多池度特征预测的方式使得其在小目标预测上取得了较好的效果。FPN也作为mmdeteciton的Neck模块，成为常用的目标检测策略之一。分别提供论文地址特征金字塔论文地址以及代码链接Github链接。  本文以介绍论文中的原理以及其具体的实现方式为主，代码的环境配置和以及各个脚本文件的内容会根据需要...
【TensorFlow2.0】张量的索引&切片、维度变换、广播机制、数学运算、前向传播实战
qq_36926037的博客
04-25 1693
一、索引与切片   通过索引与切片操作可以提取张量的部分数据。 1.1 索引 import tensorflow as tf #创建shape为【4,32,32,3】的张量，表示4张彩色图片 x=tf.random.normal([4,32,32,3]) ''' x代表四张图片的张量，形状为（4,32,32,3）索引方式： x[0]读第一个图片 x[0][1]读取第一张图片的第二行...
机器学习： 利用 Tensorflow 和预训练模型提取特征-- Mobilenet V1
Matrix-11
03-24 8580
传统的 CV 问题，一般把特征提取和分类模型的构建训练分成两个步骤，CNN 可以把这两者合在一个网络里，目前很多实验证明，利用大量数据训练过的 CNN 可以用作很好的特征提取器，类似一种特征迁移。 今天介绍一下，如何利用 Tensorflow 和 预先训练好的模型，做特征提取，我们可以用 TensorFlow GitHub 官网上的预训练模型来做特征提取： https://github.com/t...
Tensorflow学习（5）参数和特征的提取
楠国的鱼
11-21 2032
在tf中，参与训练的参数可用 tf.trainable_variables()提取出来，如：params=tf.trainable_variables() print("Trainable variables:-------") #循环列出参数 for idx, v in enumerate(params): print("param {:3}:{:15} {}".format(idx, s
tensorflow2深度学习从入门到精通第四章—TensorFlow 基础
最新发布
2401_84097883的博客
04-20 1119
点击这里即可免费获取，包括答案解析。本节我们将利用我们已经学到的知识去完成三层神经网络的实现：我们采用的数据集是 MNIST 手写数字图片集，输入节点数为 784，第一层的输出节点数是256，第二层的输出节点数是 128，第三层的输出节点是 10，也就是当前样本属于 10 类别的概率。首先创建每个非线性函数的 w,b 参数张量：在前向计算时，首先将 shape 为[b,28,28]的输入数据 Reshape 为[b,784] 即 [b, 28, 28] => [b, 28*28]
使用TensorFlow进行特征提取(中层特征）以及mat文件转为tfrecord方法
ciel_monkingjay的博客
12-14 1万+
在学习TensorFlow这个Google公司的神器一年之后，因为课题的需求，需要提取卷积神经网络的某一层的特征，也就是我们所说的中层特征，似乎中文网站没有关于这方面的介绍，在经过摸索之后，终于搞清楚了流程，给大家分享一下。 我的GitHub地址是https://github.com/zhuzhuxia1994/midfeature-tensorflow，具体的代码陆续都会放到里面，大家如果方便
Python-用多种预训练TensorFlow模型提取图像特征
08-11
用多种预训练TensorFlow模型提取图像特征
tensorflow提取图片特征-示例代码
12-20
tensorflow利用预训练的模型提取图片的特征，以VGG为例，使用slim库
TensorFlow 抽取某一层特征
yan的博客
10-11 3026
深度学习具有强大的特征表达能力。有时候我们训练好分类模型，并不想用来进行分类，而是用来提取特征用于其他任务，比如相似图片计算。接下来讲下如何使用TensorFlow提取特征。 1.必须在模型中命名好要提取的那一层，如下 self.h_pool_flat = tf.reshape(self.h_pool, [-1, num_filters_total], name='h_pool_fl...
机器学习： 利用 Tensorflow 和预训练模型提取特征-- Mobilenet V2
Matrix-11
04-04 5665
之前介绍了利用 Mobinet V1 做特征提取，从 Tensorflow 的官网上看， Mobilenet V2 的性能比 V1 要更好，今天介绍用 V2 的预训练模型提取特征的方式，基本和 V1 是一样的，只是有一个地方需要注意一下，就是加载网络结构的时候： with tf.contrib.slim.arg_scope(mobilenet_v2.training_scope(is_traini...
Tensorflow API源码分析（FeatureExtractor）
qq_41627642的博客
07-31 966
1、Tensorflow API源码分析（FeatureExtractor） 初窥Tensorflow Object Detection API 源码之(1) FeatureExtractor 文件： models/research/object_detection/models/faster_rcnn_resnet_v1_feature_extractor.py models/research/object_detection/meta_architectures/faster_rcnn_meta_arc
Tensorflow2.0用FPN（图像金字塔网络）提取特征
cocofisher的博客
04-22 4930
一、FPN 的作用 当我们在使用卷积神经网络的提取图像特征的时候，最后一个 feature map 的长宽会比原始图片小很多，比如原始图片大小为 100x100，feature map 大小为 10x10，这就说明，其实我们是在用 feature map 中的一个特征点来表示原始图片中一个 10x10 的像素区域。然而，在目标检测中，我们可能要对原始图片中的一个 1x1 的像素点中包含的物体进行检...
tensorflow 学习笔记（十）- 参数和特征的提取
_提拉米苏的博客
01-16 3805
tensorflow 学习笔记（十）- 参数和特征的提取 在tf中，参与训练的参数可用 tf.trainable_variables()提取出来，如： #取出所有参与训练的参数 params=tf.trainable_variables() print("Trainable variables:------------------------") #循环列出参数 for idx, v in
深度学习tensorflow实战笔记（4）利用保存的VGG-16CNN网络模型提取特征
gybheroin的博客
04-03 6738
    前几篇博客写了如何处理数据，如何把用自己的数据训练VGG-16，如何把训练好的模型保存。而在实际应用中，并不是所有的操作都是为了分类的，有时候需要提取图像的特征，那么怎么利用已经保存的模型提取特征呢？   “桃叶儿尖上尖，柳叶儿就遮满了天”    测试数据转换成tfrecords，教程：点击打开链接    保存训练好的VGG-16模型，教程：点击打开链接1、读取测试数据      首先把测...
Tensorflow API 源码检测模型的特征提取网络Feature Extractor（二）
qq_41627642的博客
07-31 730
特征提取网络分析 D:\tf2\Models\research\object_detection\meta_architectures\faster_rcnn_meta_arch.py define a new FasterRCNNFeatureExtractor and pass it to our FasterRCNNMetaArch constructor as input. 定义一个FasterRCNNFeatureExtractor，并且把它作为输入到 FasterRCNNMetaArch co
深度学习tensorflow实战笔记（5）用预训练好的VGG-16模型提取图像特征
热门推荐
gybheroin的博客
04-11 1万+
     上一篇博客介绍了如果使用自己训练好的模型用于图像分类和特征提取，但是有时候自己的数据集大小有限，所以更多的时候我们需要用VGG-16预训练好的模型提取特征，相关学者预训练好的模型使用的都是公开的标准数据集，所以我们直接用预训练的模型提取我们自己图像的特征，可以用于对图像进行描述。 1、首先就要下载模型结构      首先要做的就是下载训练好的模型结构和预训练好的模型，结构地址是：点击打开...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值