slim.get_or_create_global_step()

于 2022-09-14 14:27:07 发布
阅读量992 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： Slim 文章标签： 机器学习 人工智能
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。
本文链接：https://blog.youkuaiyun.com/weixin_36670529/article/details/99725217
这篇博客介绍了TensorFlow Slim库中的`slim.get_or_create_global_step()`函数，该函数用于返回或在需要时创建全局步骤张量。这个张量在训练过程中跟踪迭代次数，对于管理模型训练的更新和学习率调度至关重要。博客详细阐述了其参数和使用场景，并展示了如何在图中操作全局步骤张量。
Tensorflow (2): tf.slim库解读
Jinming Su
06-15 2248
官方文档: https://github.com/tensorflow/tensorflow/tree/master/tensorflow/contrib/slim tf.contrib.slim是一个轻量级的库,目的是方便地定义, 训练和评估tensorflow中复杂的模型 版本: 2018.6.14 主要作用 对于一些固定的代码进行封装,主要是一些高级的层和变量,...
TensorFlow从入门到放弃（二）——基于InceptionV3的迁移学习以及图像特征的提取
澎湃de家夥的博客
07-20 6170
1. flower数据集 下载地址：http://download.tensorflow.org/example_images/flower_photos.tgz 共五种花的图片 2. 图片处理 将图片划分为train、val、test三个子集并提取图片特征。这个过程有点儿漫长请耐心等待。。。。。。 import glob import os.path import numpy a...
get_or_create_global_step
github_39605284的博客
04-19 1023
import tensorflow.compat.v1 as tf tf.disable_v2_behavior() # tf.enable_eager_execution() import numpy as np x = tf.placeholder(tf.float32, shape=[None, 1], name='x') y = tf.placeholder(tf.float32, shape=[None, 1], name='y') w = tf.Variable(tf.constant(0.0
tf.train.get_or_create_global_step()和tf.trainable_variables()用法
shitoucoming的博客
03-19 3641
tf.train.get_or_create_global_step() 这个函数主要用于返回或者创建（如果有必要的话）一个全局步数的tensor变量。参数只有一个，就是图，如果没有指定那么就是默认的图。 tf.trainable_variables() 获取参与模型训练的变量值 import tensorflow as tf global_step = tf.train.get_or_creat...
#tensorflow学习笔记#tf.contrib.framework.get_or_create_global_step
Mr48694869的博客
04-12 8761
建立全局变量 代码参考 self.global_step = tf.contrib.framework.get_or_create_global_step()
tf.train.get_or_create_global_step()用法解析
tian_jiangnan的博客
06-09 6611
这个方法是创建一个全局的步数,当然也可以在python里面创建一个全局变量,专门计步的.不过tf里面既然有,用这个更好些吧 import tensorflow as tf d=tf.train.get_or_create_global_step() with tf.Session() as sess: sess.run(tf.global_variables_initializer()) print(sess.run(d)) 初始化为0 要加的话,可以d=d+1 或者是tf.a.
python编程之tf.train.get_or_create_global_step()用法解析，帮你永久植入你的大脑
tian_jiangnan的博客
03-27 2733
这个方法真长啊，我们先运行一下 是0！ 百度了一下这个是代表全局的步数，类似与时钟，那么怎么让时钟变成1呢？ 直接在全局时钟上加1
tensorflow2.0怎么修改slim.create_global_step()
03-26
在TensorFlow2.0中，slim.create_global_step()已经不再存在。如果需要使用全局步数，可以使用`tf.keras.optimizers.schedules`中的`tf.keras.optimizers.schedules.get_global_step`方法来创建全局步数。 示例代码...
tf.contrib.slim简介
蓬莱道人的博客
09-15 1万+
1、简介     对于tensorflow.contrib这个库，tensorflow官方对它的描述是：此目录中的任何代码未经官方支持，可能会随时更改或删除。每个目录下都有指定的所有者。它旨在包含额外功能和贡献，最终会合并到核心TensorFlow中，但其接口可能仍然会发生变化，或者需要进行一些测试，看是否可以获得更广泛的接受。所以slim依然不属于原生tensorflow。那么什么是slim？...
自动将代码升级到TensorFlow 2代码——tf_upgrade_v2.py
一摩尔自由的博客
10-09 6709
TensorFlow升级到2.0后给出了代码自动升级的脚本和使用方法，详情可见官网 TensorFlow官网：https://www.tensorflow.org/guide/upgrade 代码链接： tf_upgrade_v2.py # Copyright 2018 The TensorFlow Authors. All Rights Reserved. # # Licensed u...
tensorflow中的关键字global_step使用
12-03 3119
global_step经常在滑动平均，学习速率变化的时候需要用到，这个参数在tf.train.GradientDescentOptimizer(learning_rate).minimize(loss, global_step=global_steps)里面有，系统会自动更新这个参数的值，从1开始。 例如： [python] view plain copy
tensorflow中global_step,histogram/image/scalar_summary,filename_queue,record_reader,batch操作的更新
weixin_44374595的博客
03-23 938
笔者当前Tensorflow版本为较新的1.12 gpu版，最近在阅读源码时，发现tf很多常规操作指令和函数随着tensorflow的版本更新，其语法表述也被更新，特将这些更新信息总结记录如下，以供参考。 global_step =tf.contrib.framework.get_or_create_global_step() 其用来创建global_step,计算当前迭代的步数，但在较新的版本中...
人工智能入门系列之一： 鸢尾花（Iris）多分类的神经网络详解及代码实现
NLP家的码奴小荷的博客
09-03 2万+
这是最好的时代，我们一起来打造属于自动驾驶汽车上路、无人机飞天、智能机器人管工厂的AI未来 人工智能领域分化为两个阵营：其一是规则式（rule-based）方法，在人工智能早期占主峰；其二是神经网络（neural network）方法，后起之秀。随着硬件水平的提高，算力的指数式增长；人工智能的重心已经从规则式的专家时代转移到神经网络的数据时代。 “神经网络”不选择把人脑熟稔的逻辑规则传授给计算机...
TensorFlow - TF-Slim 提供了关于变量的控制与管理封装函数 - Variables.
gqixf的博客
10-12 905
感谢作者：http://www.aiuai.cn/aifarm316.html TensorFlow - TF-Slim 提供了关于变量的控制与管理封装函数 - Variables. 包括变量恢复函数，如get_variables, get_variables_to_restore 等. Variables 函数主要有： add_model_variable, assert_global_...
TensorFlow中global_step的简单分析
木盏
11-11 4万+
global_step在滑动平均、优化器、指数衰减学习率等方面都有用到，这个变量的实际意义非常好理解：代表全局步数，比如在多少步该进行什么操作，现在神经网络训练到多少轮等等，类似于一个钟表。 根据代码可以发现global_step的初始化值是0:   global_step=tf.Variable(0, trainable=False)   这个初始化代码十分简单，但也是问题所在...
Tensorflow一些常用基本概念与函数（4）
热门推荐
lenbow的博客
08-16 11万+
摘要：本系列主要对tf的一些常用概念与方法进行描述。本文主要针对tensorflow的模型训练Training与测试Testing等相关函数进行讲解。为‘Tensorflow一些常用基本概念与函数’系列之四。
tensorflow学习笔记（二十六）：构建TF代码
Keith
12-23 1万+
如何构建TF代码batch_size: batch的大小 mini_batch: 将训练样本以batch_size分组 epoch_size: 样本分为几个min_batch num_epoch : 训练几轮写一个将数据分成训练集,验证集和测试集的函数train_set, valid_set, test_set = split_set(data)最好写一个管理数据的对象，将原始数据转化成min
slim.create_global_step()改成keras
03-26
在 Keras 中，我们可以使用 Keras 自带的 `Adam` 优化器和 `SparseCategoricalCrossentropy` 损失函数来构建一个和 `slim.create_global_step()` 等价的模型： ```python import tensorflow as tf # 定义模型 model = tf.keras.models.Sequential([ tf.keras.layers.Flatten(input_shape=(28, 28)), tf.keras.layers.Dense(128, activation='relu'), tf.keras.layers.Dense(10) ]) # 定义优化器和损失函数 optimizer = tf.keras.optimizers.Adam() loss_object = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True) # 定义评估指标 train_loss = tf.keras.metrics.Mean(name='train_loss') train_accuracy = tf.keras.metrics.SparseCategoricalAccuracy(name='train_accuracy') # 定义训练循环 @tf.function def train_step(images, labels): with tf.GradientTape() as tape: # 前向传播 predictions = model(images) # 计算损失 loss = loss_object(labels, predictions) # 计算梯度 gradients = tape.gradient(loss, model.trainable_variables) # 更新模型参数 optimizer.apply_gradients(zip(gradients, model.trainable_variables)) # 更新评估指标 train_loss(loss) train_accuracy(labels, predictions) # 定义数据集 train_dataset = tf.data.Dataset.from_tensor_slices((x_train, y_train)).shuffle(10000).batch(32) # 定义训练过程 for epoch in range(10): # 迭代数据集 for images, labels in train_dataset: # 执行训练步骤 train_step(images, labels) # 输出训练结果 template = 'Epoch {}, Loss: {}, Accuracy: {}' print(template.format(epoch + 1, train_loss.result(), train_accuracy.result() * 100)) # 重置评估指标 train_loss.reset_states() train_accuracy.reset_states() ``` 在该实现中，我们创建了一个 Keras 的 `Sequential` 模型，将其用于训练手写数字识别。我们使用了 Keras 自带的 `Adam` 优化器和 `SparseCategoricalCrossentropy` 损失函数来进行训练，并统计了训练过程中的损失和准确率。在训练过程中，我们使用 `@tf.function` 来应用 TensorFlow 的 Autograph 技术，加速训练的过程。 Keras 的训练过程同样是基于迭代器 `train_dataset` 的，我们在每个epoch中处理每个batch，然后执行 `train_step` 函数来更新模型权重和评估指标。最后我们计算并打印出训练结果。
评论
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

打赏作者

Wanderer001

ROIAlign原理

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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