zj360202的专栏

tf.placeholder(dtype, shape=None, name=None)此函数可以理解为形参，用于定义过程，在执行的时候再赋具体的值参数：dtype：数据类型。常用的是tf.float32,tf.float64等数值类型shape：数据形状。默认是None，就是一维值，也可以是多维，比如[2,3], [None, 3]表示列是3，行不定name：名称。

slim.data包下面有很多对数据的操作方法；在slim.__init__种有如下几种：from tensorflow.contrib.slim.python.slim.data import data_decoderfrom tensorflow.contrib.slim.python.slim.data import data_providerfrom tensorflow.co

TF-Slim提供一个评估模块（evaluation.py），其中包含用于使用metric_ops.py模块中的指标编写模型评估脚本的帮助函数。 这些功能包括定期运行评估，评估各批数据的指标以及打印和汇总度量结果。 例如：import tensorflow as tfslim = tf.contrib.slim# Load the dataimages, labels = load_

TF-Slim在learning.py中的训练模型提供了一套简单但功能强大的工具。 这些功能包括一个训练函数可以反复测量损失，计算梯度并将模型保存到磁盘，以及用于操纵梯度的几个便利函数。 例如，一旦我们指定了模型，损失函数和优化方案，我们可以调用slim.learning.create_train_op和slim.learning.train来执行优化：g = tf.Graph()#

损失函数定义了我们想要最小化的数量。 对于分类问题，这通常是跨分类的真实分布和预测概率分布之间的交叉熵。 对于回归问题，这通常是预测值和真值之间的平方和差异。某些模型（如多任务学习模型）需要同时使用多个损失函数。 换句话说，最终被最小化的损失函数是各种其他损失函数的总和。 例如，考虑预测图像中的场景类型以及每个像素的相机深度的模型。 这个模型的损失函数将是分类损失和深度预测损失的总和。

tensorflow的操作符集合是十分广泛的，神经网络开发者通常会以更高层的概念，比如"layers", "losses", "metrics", and "networks"去考虑模型。一个层，比如卷积层、全连接层或bn层，要比一个单独的tensorflow操作符更抽象，并且通常会包含若干操作符。此外，和原始操作符不同，一个层经常（不总是）有一些与自己相关的变量（可调参数）。例如，在神经网络

slim nets中包含几种常用的net网络from tensorflow.contrib.slim.python.slim.nets import alexnetfrom tensorflow.contrib.slim.python.slim.nets import inceptionfrom tensorflow.contrib.slim.python.slim.nets import

在本地tensorflow中创建变量需要预定义值或初始化机制（例如，从高斯随机采样）。 此外，如果需要在特定设备（如GPU）上创建变量，则必须明确规定。 为了减少变量创建所需的代码，TF-Slim在variables.py中提供了一组简单的包装函数，这些函数允许调用者轻松定义变量。例如，要创建权重变量，使用截断的正态分布对其进行初始化，用l2_loss调整它，并将其放在CPU上，只需声

我们将度量定义为一个性能度量，而不是损失函数（损失在训练期间直接进行优化），但是我们仍然对他在评估模型方面感兴趣。例如，我们可能希望尽量减少对数损失，但我们的兴趣度量可能是F1分（测试准确度）或交汇分数（不可区分，因此不能用作损失）。TF-Slim提供了一系列度量操作，使评估模型变得简单。抽象地说，计算度量的值可以分为三部分：初始化：初始化用于计算度量的变量。聚合：执行用于计算

场景：通过一组图片和一些模板图片进行匹配，得到每一个图片距离最小的模板假设数据是[1,1]和[1,2]， 模板是[2,3]和[2,4]# -*- coding:utf-8 -*-import tensorflow as tfx1 = tf.constant([[1,1],[1,1],[1,2],[1,2]], tf.float32)x2 = tf.constant([[2,3],[

按https://arxiv.org/pdf/1704.04861.pdf通过和https://github.com/Zehaos/MobileNet/blob/master/nets/mobilenet.py 的对比复写了一遍MobileNetdef mobile_net(inputs, num_classes=1000,

inception的paper地址：https://arxiv.org/pdf/1602.07261.pdfInception-V4 Inception-ResNet-v2结构结构图如下：实现如下# -*- coding:utf-8 -*-import tensorflow as tfimport tensorflow.contrib.slim as slim#v4.d

tf.tile主要的功能就是在tensorflow中对矩阵进行自身进行复制的功能，比如按行进行复制，或是按列进行复制import tensorflow as tfa = tf.constant([[1, 2],[2, 3],[3, 4]], dtype=tf.float32) b = tf.constant([[4, 4],[5, 5],[6, 6],[7, 7]], dtype=tf.

拆分Tensor: dynamic_partition(data, partitions, num_partition, name=None)Tensorflow中文社区提供的展示：实例# -*- coding:utf-8 -*-import tensorflow as tfx1 = tf.constant([[1,1],[1,1],[1,2],[1,2]], tf.fl

catalogue1. 引言2. 一些基本概念3. Sequential模型4. 泛型模型5. 常用层6. 卷积层7. 池化层8. 递归层Recurrent9. 嵌入层 Embedding 1. 引言Keras是一个高层神经网络库，Keras由纯Python编写而成并基Tensorflow或Theano简易和快速的原型设计（ker

tf.concat是连接两个矩阵的操作---------------------------------------------------------------------------------------------------------   tensorflow 1.3.0 以前------------------------------------------

Keras是基于Theano的一个深度学习框架，它的设计参考了Torch，用Python语言编写，是一个高度模块化的神经网络库，支持GPU和CPU。使用文档在这：http://keras.io/，中文文档在这：http://keras-cn.readthedocs.io/en/latest/ ，这个框架是2015年流行起来的，使用中遇到的困惑或者问题可以提交到github：https:

TensorFlow是谷歌基于DistBelief进行研发的第二代人工智能学习系统，其命名来源于本身的运行原理。Tensor(张量)意味着N维数组，Flow(流)意味着基于数据流图的计算，TensorFlow为张量从流图的一端流动到另一端计算过程。TensorFlow是将复杂的数据结构传输至人工智能神经网中进行分析和处理过程的系统。TensorFlow可被用于语音识别或图像识别等多项机器深

arg_scope(list_ops_or_scope,**kwargs)list_ops_or_scope: 操作列表或作用域列表kwargs: 参数，以keyword=value方式显示使用实例net = slim.conv2d(inputs, 64, [11, 11], 4, padding='SAME', we

TF-Slim 是Tensorflow为了定义，训练和评估复杂模型的一个轻量级工具， tf-slim的组件可以与本地tensorflow以及其他框架（如tf.contrib.learn）自由混合。github:Tersorflow/contrib/slimUsageimport tensorflow.contrib.slim as slim

tf.nn.dropout(x, keep_prob, noise_shape=None, seed=None, name=None)此函数是为了防止在训练中过拟合的操作，将训练输出按一定规则进行变换参数：x：输入keep_prob：保留比例。        取值 (0,1] 。每一个参数都将按这个比例随机变更noise_shape：干扰形状。     此字段默认是

有很多场景对图片的要求是RGB 3通道的，但是在网上抓的图片或是微信得到的图片，很多不是，这样就需要将他们转换一下在caffe的应用中，可能会报OpenCV Error: Assertion failed ((scn == 3 || scn == 4) && (depth == CV_8U || depth == CV_32F)) in cvtColor, file /ssda/softw

1、tensorflow的基本运作为了快速的熟悉TensorFlow编程，下面从一段简单的代码开始：import tensorflow as tf #定义‘符号’变量，也称为占位符 a = tf.placeholder("float") b = tf.placeholder("float") y = tf.mul(a, b) #构造一个op节点 sess = tf.S

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的数据IO、图的运行等相关函数进行讲解。为‘Tensorflow一些常用基本概念与函数’系列之三。1、序言本文所讲的内容主要为以下相关函数：操作组操作Data IO (Python functions)TFRecordWrite，rtf_r

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。1、序言本文所讲的内容主要为以下列表中相关函数。函数training()通过梯度下降法为最小化损失函数增加了相关的优化操作，在训练过程中，先实例化一个优化函数，比如 tf.tr

tf.argmax(input, axis=None, name=None, dimension=None)此函数是对矩阵按行或列计算最大值参数input：输入Tensoraxis：0表示按列，1表示按行name：名称dimension：和axis功能一样，默认axis取值优先。新加的字段返回：Tensor  一般是行或列的最大值下标向量

class tf.train.AdamOptimizer__init__(learning_rate=0.001, beta1=0.9, beta2=0.999, epsilon=1e-08, use_locking=False, name='Adam')此函数是Adam优化算法：是一个寻找全局最优点的优化算法，引入了二次方梯度校正。相比于基础SGD算法，1.不容易陷于局部优点。2.速

tf.cast(x, dtype, name=None)此函数是类型转换函数参数x：输入dtype：转换目标类型name：名称返回：Tensor例：# tensor `a` is [1.8, 2.2], dtype=tf.floattf.cast(a, tf.int32) ==> [1, 2] # dtype=tf.int32

tf.reshape(tensor, shape, name=None)   数据重定形状函数参数：tensor：输入数据shape：目标形状name：名称返回：Tensor例：# tensor 't' is [1, 2, 3, 4, 5, 6, 7, 8, 9]# tensor 't' 的形状就是 [9]reshape(t, [3, 3])

tf.nn.relu(features, name=None)  = max(0,features)参数：features：A `Tensor`. 必须类型: `float32`, `float64`, `int32`, `int64`, `uint8`, `int16`, `int8`, `uint16`, `half`.name：名称返回：Tensor

原文地址：http://blog.youkuaiyun.com/mao_xiao_feng/article/details/53453926max pooling是CNN当中的最大值池化操作，其实用法和卷积很类似有些地方可以从卷积去参考【TensorFlow】tf.nn.conv2d是怎样实现卷积的？ tf.nn.max_pool(value, ksize, strides,

tf.nn.conv2d是TensorFlow里面实现卷积的函数，参考文档对它的介绍并不是很详细，实际上这是搭建卷积神经网络比较核心的一个方法，非常重要tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None)除去name参数用以指定该操作的name，与方法有关的一共五个参数：

此处使用的是MNIST,预期结果是99.2%；#!/usr/bin/env python# -*- coding: utf-8 -*-# @Time : 2017/4/19 14:11# @Author : zhangjian# @Site : # @File : less04.py# @Software: PyCharm Community Edition

selectivesearch.selectivesearch.selective_search (im_orig, scale=1.0, sigma=0.8, min_size=50) 函数此函数并不是tensorflow中的，安装方式是pip install selectivesearch此函数在物体识别中非常重要，一般在一个随意的图片来说，要识别物体的尺寸可能非常不固定，当我们把图片

tf.Graph() 函数非常重要，注意提现在两个方面1. 它可以通过tensorboard用图形化界面展示出来流程结构2. 它可以整合一段代码为一个整体存在于一个图中声明情况大体有三种1. tensor:通过张量本身直接出graph# -*- coding: utf-8 -*- import tensorflow as tfc = tf.constant(4.

Traceback (most recent call last): File "./vec.py", line 56, in pickle.dump(trainX, f, pickle.HIGHEST_PROTOCOL) File "/usr/lib/python2.7/pickle.py", line 1378, in dump Pickler(file, proto

在计算loss的时候，最常见的一句话就是tf.nn.softmax_cross_entropy_with_logits，那么它到底是怎么做的呢？首先明确一点，loss是代价值，也就是我们要最小化的值tf.nn.softmax_cross_entropy_with_logits(logits, labels, name=None)除去name参数用以指定该操作的name，

1、tensorflow的基本运作为了快速的熟悉TensorFlow编程，下面从一段简单的代码开始：import tensorflow as tf #定义‘符号’变量，也称为占位符 a = tf.placeholder("float") b = tf.placeholder("float") y = tf.mul(a, b) #构造一个op节点 sess = tf.Ses