【TensorFlow快速入门系列02】进阶操作

最新推荐文章于 2021-10-20 02:30:58 发布
最新推荐文章于 2021-10-20 02:30:58 发布
阅读量243 收藏
点赞数
分类专栏： TensorFlow 文章标签： tensorflow
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.csdn.net/chiyukunpeng/article/details/106503683
版权

文章目录

1 Tensorboard

1.1 网络结构
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

# 载入数据集
mnist = input_data.read_data_sets("MNIST_data", one_hot=True)

# 批次大小
batch_size = 64
# 一个周期批次数
n_batch = mnist.train.num_examples // batch_size

# 命名空间：输入
with tf.name_scope('input'):
    x = tf.placeholder(tf.float32,[None,784], name='x-input')
    y = tf.placeholder(tf.float32,[None,10], name='y-input')

# 命名空间：网络层
with tf.name_scope('layer'):
    with tf.name_scope('weights'):
        W = tf.Variable(tf.truncated_normal([784,10], stddev=0.1))
    with tf.name_scope('biases'):
        b = tf.Variable(tf.zeros([10]) + 0.1)
    with tf.name_scope('wx_plus_b'):
        wx_plus_b = tf.matmul(x,W)+b
    with tf.name_scope('softmax'):
        prediction = tf.nn.softmax(wx_plus_b)

# 命名空间：损失
with tf.name_scope('loss'):
    loss = tf.losses.mean_squared_error(y, prediction)

# 命名空间：训练
with tf.name_scope('train'):
    train = tf.train.GradientDescentOptimizer(0.3).minimize(loss)

# 命名空间：精度
with tf.name_scope('accuracy'):
    with tf.name_scope('correct_prediction'):
        correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))
    with tf.name_scope('accuracy'):
        accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))

with tf.Session() as sess:
    # 变量初始化
    sess.run(tf.global_variables_initializer())
    # 写下网络结构日志
    writer = tf.summary.FileWriter('logs/',sess.graph)

查看步骤：

  1. 打开cmd，切换tensorflow环境
  2. 输入命令：tensorboard --logdir=存放路径
  3. 打开浏览器，输入cmd生成的网页地址

在这里插入图片描述

1.2 记录数据
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

mnist = input_data.read_data_sets("MNIST_data",one_hot=True)
batch_size = 64
n_batch = mnist.train.num_examples // batch_size

def variable_summaries(var):
    with tf.name_scope('summaries'):
        mean = tf.reduce_mean(var)
        # 平均值
        tf.summary.scalar('mean', mean)
        with tf.name_scope('stddev'):
            stddev = tf.sqrt(tf.reduce_mean(tf.square(var - mean)))
        # 标准差
        tf.summary.scalar('stddev', stddev)
        # 最大值
        tf.summary.scalar('max', tf.reduce_max(var))
        # 最小值
        tf.summary.scalar('min', tf.reduce_min(var))
        # 直方图
        tf.summary.histogram('histogram', var)

with tf.name_scope('input'):
    x = tf.placeholder(tf.float32,[None,784],name='x-input')
    y = tf.placeholder(tf.float32,[None,10],name='y-input')
    
with tf.name_scope('layer'):
    with tf.name_scope('wights'):
        W = tf.Variable(tf.zeros([784,10]),name='W')
        variable_summaries(W)
    with tf.name_scope('biases'):    
        b = tf.Variable(tf.zeros([10]),name='b')
        variable_summaries(b)
    with tf.name_scope('wx_plus_b'):
        wx_plus_b = tf.matmul(x,W) + b
    with tf.name_scope('softmax'):
        prediction = tf.nn.softmax(wx_plus_b)

with tf.name_scope('loss'):
    loss = tf.losses.mean_squared_error(y, prediction)
    tf.summary.scalar('loss',loss)
    
with tf.name_scope('train'):
    train_step = tf.train.GradientDescentOptimizer(0.3).minimize(loss)

init = tf.global_variables_initializer()

with tf.name_scope('accuracy'):
    with tf.name_scope('correct_prediction'):
        correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))
    with tf.name_scope('accuracy'):
        accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
        tf.summary.scalar('accuracy',accuracy)
        
# 合并所有的summary
merged = tf.summary.merge_all()

with tf.Session() as sess:
    sess.run(init)
    writer = tf.summary.FileWriter('logs/',sess.graph)

    for batch in range(5001):
        batch_xs,batch_ys =  mnist.train.next_batch(batch_size)
        summary,_ = sess.run([merged,train_step],feed_dict={x:batch_xs,y:batch_ys})
            
        writer.add_summary(summary,batch)
        if batch % 1000==0:
            acc = sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels})
            print("Iter " + str(batch) + ",Testing Accuracy " + str(acc))

Iter 0,Testing Accuracy 0.2874
Iter 1000,Testing Accuracy 0.8802
Iter 2000,Testing Accuracy 0.896
Iter 3000,Testing Accuracy 0.9017
Iter 4000,Testing Accuracy 0.9058
Iter 5000,Testing Accuracy 0.9084
在这里插入图片描述

2 模型保存与载入

2.1 Checkpoint方式
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

mnist = input_data.read_data_sets("MNIST_data",one_hot=True)
batch_size = 64
n_batch = mnist.train.num_examples // batch_size

x = tf.placeholder(tf.float32,[None,784])
y = tf.placeholder(tf.float32,[None,10])

W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
prediction = tf.nn.softmax(tf.matmul(x,W)+b)

correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))

# 定义saver用于载入模型，在指定路径下最多保留5个模型
saver = tf.train.Saver(max_to_keep=5)

loss = tf.losses.softmax_cross_entropy(y,prediction)
train_step = tf.train.AdamOptimizer(0.001).minimize(loss)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print(sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels}))
    # 载入训练好的模型参数文件
    saver.restore(sess,'models/my_model.ckpt')
    print(sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels}))
    
    for epoch in range(11):
        for batch in range(n_batch):
            batch_xs,batch_ys =  mnist.train.next_batch(batch_size)
            sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys})
        acc = sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels})
        print("Iter " + str(epoch) + ",Testing Accuracy " + str(acc))
        # 保存模型，global_step可以用来表示模型的训练次数或者训练周期数
        saver.save(sess,'models/my_model.ckpt',global_step=epoch)

Iter 0,Testing Accuracy 0.9306
Iter 1,Testing Accuracy 0.9304
Iter 2,Testing Accuracy 0.9298
Iter 3,Testing Accuracy 0.9306
Iter 4,Testing Accuracy 0.9321
Iter 5,Testing Accuracy 0.9306
Iter 6,Testing Accuracy 0.9313
Iter 7,Testing Accuracy 0.9305
Iter 8,Testing Accuracy 0.9319
Iter 9,Testing Accuracy 0.9317
Iter 10,Testing Accuracy 0.9326

在这里插入图片描述

2.2 Protocol_buffer方式
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

mnist = input_data.read_data_sets("MNIST_data",one_hot=True)
batch_size = 64
n_batch = mnist.train.num_examples // batch_size

x = tf.placeholder(tf.float32,[None,784], name='x-input')
y = tf.placeholder(tf.float32,[None,10], name='y-input')

W = tf.Variable(tf.truncated_normal([784,10],stddev=0.1))
b = tf.Variable(tf.zeros([10])+0.1)
prediction = tf.nn.softmax(tf.matmul(x,W)+b, name='output')

loss = tf.losses.softmax_cross_entropy(y,prediction)
train_step = tf.train.AdamOptimizer(0.001).minimize(loss, name='train')

init = tf.global_variables_initializer()

correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32), name='accuracy')

with tf.Session() as sess:
    sess.run(init)
    for epoch in range(11):
        for batch in range(n_batch):
            batch_xs,batch_ys =  mnist.train.next_batch(batch_size)
            sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys})
        acc = sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels})
        print("Iter " + str(epoch) + ",Testing Accuracy " + str(acc))
    # 保存模型参数和结构,把变量变成常量
    # output_node_names设置可以输出的tensor
    output_graph_def = tf.graph_util.convert_variables_to_constants(sess, sess.graph_def, output_node_names=['output','accuracy'])
    # 保存模型到目录下的models文件夹中
    with tf.gfile.FastGFile('pb_models/my_model.pb',mode='wb') as f:
        f.write(output_graph_def.SerializeToString())

Iter 0,Testing Accuracy 0.9028
Iter 1,Testing Accuracy 0.9142
Iter 2,Testing Accuracy 0.9185
Iter 3,Testing Accuracy 0.923
Iter 4,Testing Accuracy 0.9249
Iter 5,Testing Accuracy 0.9262
Iter 6,Testing Accuracy 0.9278
Iter 7,Testing Accuracy 0.9276
Iter 8,Testing Accuracy 0.9284
Iter 9,Testing Accuracy 0.9292
Iter 10,Testing Accuracy 0.9287

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

mnist = input_data.read_data_sets("MNIST_data",one_hot=True)
​
# 载入模型
with tf.gfile.FastGFile('pb_models/my_model.pb', 'rb') as f:
    # 创建一个图
    graph_def = tf.GraphDef()
    # 把模型文件载入到图中
    graph_def.ParseFromString(f.read())
    # 载入图到当前环境中
    tf.import_graph_def(graph_def, name='')
​
with tf.Session() as sess:
    # 根据tensor的名字获取到对应的output,":0"是保存模型参数时自动加上的，所以这里也要写上
    output = sess.graph.get_tensor_by_name('output:0')
    # 根据tensor的名字获取到对应的accuracy
    accuracy = sess.graph.get_tensor_by_name('accuracy:0')
    print(sess.run(accuracy,feed_dict={'x-input:0':mnist.test.images,'y-input:0':mnist.test.labels}))

0.9287

3 CNN案例

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

mnist = input_data.read_data_sets('MNIST_data',one_hot=True)
batch_size = 64
n_batch = mnist.train.num_examples // batch_size

x = tf.placeholder(tf.float32,[None,784])
y = tf.placeholder(tf.float32,[None,10])
​
# 初始化权值
def weight_variable(shape):
    initial = tf.truncated_normal(shape,stddev=0.1) 
    return tf.Variable(initial)
​
# 初始化偏置
def bias_variable(shape):
    initial = tf.constant(0.1,shape=shape)
    return tf.Variable(initial)
​
# 卷积层
def conv2d(x,W):
    # x维度：高，宽，通道 
    # W维度：卷积核高，卷积核宽，输入通道，输出通道
    return tf.nn.conv2d(x,W,strides=[1,1,1,1],padding='SAME')
​
# 池化层
def max_pool_2x2(x):
    # ksize：[1,x,y,1]
    return tf.nn.max_pool(x,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')
​
# x转4D：批次，高，宽，通道
x_image = tf.reshape(x,[-1,28,28,1])
​
# 初始化第一个卷积层的权值和偏置
W_conv1 = weight_variable([5,5,1,32]) # 5*5的采样窗口，输入通道数是1，输出通道数是32
b_conv1 = bias_variable([32])
​
# 把x_image和权值向量进行卷积，再加上偏置值，然后应用于relu激活函数，再进行max_pooling
h_conv1 = tf.nn.relu(conv2d(x_image,W_conv1) + b_conv1)
h_pool1 = max_pool_2x2(h_conv1)
​
# 初始化第二个卷积层的权值和偏置
W_conv2 = weight_variable([5,5,32,64]) # 5*5的采样窗口，输入通道数是32，输出通道数是64
b_conv2 = bias_variable([64])
​
# 把h_pool1和权值向量进行卷积，再加上偏置值，然后应用于relu激活函数，再进行max_pooling
h_conv2 = tf.nn.relu(conv2d(h_pool1,W_conv2) + b_conv2)
h_pool2 = max_pool_2x2(h_conv2)
​
# 初始化第一个全连接层的权值
# 上一层输出7*7*64个神经元，全连接层有1024个神经元
W_fc1 = weight_variable([7*7*64,1024])
b_fc1 = bias_variable([1024])
​
# 把池化层2的输出扁平化为1维
h_pool2_flat = tf.reshape(h_pool2,[-1,7*7*64])
# 求第一个全连接层的输出
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat,W_fc1) + b_fc1)
​
# keep_prob用来表示神经元的输出概率
keep_prob = tf.placeholder(tf.float32)
h_fc1_drop = tf.nn.dropout(h_fc1,keep_prob)
​
# 初始化第二个全连接层
W_fc2 = weight_variable([1024,10])
b_fc2 = bias_variable([10])
​
# 计算输出
prediction = tf.nn.softmax(tf.matmul(h_fc1_drop,W_fc2) + b_fc2)
​
# 交叉熵损失
cross_entropy = tf.losses.softmax_cross_entropy(y,prediction)
# 使用Adam优化器
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
# 结果存放在一个布尔列表中
correct_prediction = tf.equal(tf.argmax(prediction,1),tf.argmax(y,1))
# 求准确率
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
​
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    for epoch in range(21):
        for batch in range(n_batch):
            batch_xs,batch_ys =  mnist.train.next_batch(batch_size)
            sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys,keep_prob:0.7})
​
        acc = sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels,keep_prob:1.0})
        print ("Iter " + str(epoch) + ", Testing Accuracy= " + str(acc))
 ​

Iter 0, Testing Accuracy= 0.9634
Iter 1, Testing Accuracy= 0.9775
Iter 2, Testing Accuracy= 0.9785
Iter 3, Testing Accuracy= 0.9844
Iter 4, Testing Accuracy= 0.9862
Iter 5, Testing Accuracy= 0.9863
Iter 6, Testing Accuracy= 0.9872
Iter 7, Testing Accuracy= 0.9875
Iter 8, Testing Accuracy= 0.9894
Iter 9, Testing Accuracy= 0.9898
Iter 10, Testing Accuracy= 0.9903
Iter 11, Testing Accuracy= 0.9896
Iter 12, Testing Accuracy= 0.9905
Iter 13, Testing Accuracy= 0.9909
Iter 14, Testing Accuracy= 0.9893
Iter 15, Testing Accuracy= 0.9899
Iter 16, Testing Accuracy= 0.9892
Iter 17, Testing Accuracy= 0.9913
Iter 18, Testing Accuracy= 0.9918
Iter 19, Testing Accuracy= 0.9915
Iter 20, Testing Accuracy= 0.9908

4 LSTM案例

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

mnist = input_data.read_data_sets("MNIST_data/",one_hot=True)
​
# 输入图片是28*28
n_inputs = 28 
max_time = 28 
lstm_size = 100 # 隐层单元
n_classes = 10 # 10个类别
batch_size = 64 
n_batch = mnist.train.num_examples // batch_size 
​
x = tf.placeholder(tf.float32,[None,784])
y = tf.placeholder(tf.float32,[None,10])
​
weights = tf.Variable(tf.truncated_normal([lstm_size, n_classes], stddev=0.1))
biases = tf.Variable(tf.constant(0.1, shape=[n_classes]))
​
# 定义RNN网络
def RNN(X,weights,biases):
    # 维度：批次，行，列
    inputs = tf.reshape(X,[-1,max_time,n_inputs])
    # 定义LSTM
    lstm_cell = tf.nn.rnn_cell.LSTMCell(lstm_size)
    outputs,final_state = tf.nn.dynamic_rnn(lstm_cell,inputs,dtype=tf.float32)
    results = tf.nn.softmax(tf.matmul(final_state[1],weights) + biases)
    return results
        
prediction= RNN(x, weights, biases)  

loss = tf.losses.softmax_cross_entropy(y,prediction)
train_step = tf.train.AdamOptimizer(1e-3).minimize(loss)
correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))

init = tf.global_variables_initializer()
​
with tf.Session() as sess:
    sess.run(init)
    for epoch in range(11):
        for batch in range(n_batch):
            batch_xs,batch_ys =  mnist.train.next_batch(batch_size)
            sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys})
        
        acc = sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels})
        print ("Iter " + str(epoch) + ", Testing Accuracy= " + str(acc))

Iter 0, Testing Accuracy= 0.922
Iter 1, Testing Accuracy= 0.9511
Iter 2, Testing Accuracy= 0.9543
Iter 3, Testing Accuracy= 0.9663
Iter 4, Testing Accuracy= 0.97
Iter 5, Testing Accuracy= 0.9705
Iter 6, Testing Accuracy= 0.9734
Iter 7, Testing Accuracy= 0.973
Iter 8, Testing Accuracy= 0.9786
Iter 9, Testing Accuracy= 0.9745
Iter 10, Testing Accuracy= 0.9766

小鹏聊智驾
关注
专栏目录
python编程之 with tf.name_scope(scope):是什么意思
信徒博客
12-06 8360
疑惑 with tf.name_scope(scope):是什么意思？ 解惑 定义一个命名空间； 命名空间对变量的使用没有任何影响，不会导致在命名空间内可以使用在其他地方就不可以使用的情况； 有什么意义？ （1）在某个tf.name_scope()指定的区域中定义的所有对象及各种操作，他们的“name”属性上会增加该命名区的区域名，用以区别对象属于哪个区域； （2）将不同的对...
彻底弄懂tf.Variable、tf.get_variable、tf.variable_scope以及tf.name_scope异同
qq_22522663的博客
12-06 7962
我之前有转载过一篇讲tf.variable_scope和tf.name_scope的文章，今天一看，觉得还是没介绍太清楚，没讲到点子上，毕竟英文什么的看起来还是挺麻烦的。故而，今天来细细梳理下tf.Variable、tf.get_variable、tf.variable_scope以及tf.name_scope四者之间的区别与联系。
tf中的scope探索，以及tf.variable_scope和 tf.VariableScope的关系和区别
kangshuangzhu的博客
10-20 825
“withtf.variable_scope("scope_name") as vs:” 上面这句是我们最常用的语句之一，用来定义一个域，以方便对变量进行操作，tf.variable_scope("scope_name") 会得到一个variable_scope的类。 但是，如果我们用函数tf.get_variable_scope() 来获取当前域。会得到 yyy = tf.variable_scope('scope_name') print(yyy) sss = tf.get_variable_.
tensorboard可视化
m0_51328444的博客
04-05 166
inputs可视化 with tf.name_scope('inputs'): xs=tf.placeholder(tf.float32,[None,1],name='x_input')#None是无论给多少sample都OK ys=tf.placeholder(tf.float32,[None,1],name='y_input') hidden layer可视化 def add_layer(inputs,in_size,out_size,activation_function=.
tf.name_scope()详解【命名空间其实就是给几个变量包一层名字，方便变量管理】
热门推荐
MOL
04-18 1万+
命名空间其实就是给几个变量包一层名字，方便变量管理。函数是：tf.name_scope 另外，就像操作系统文件夹命名一样，不同的顶层文件夹下，可以有同名文件夹。这里，不同的命名空间下，可以有名字相同的变量。 tf.name_scope 主要结合 tf.Variable() 来使用，方便参数命名管理。 Signature: tf.name_scope(*args, **kwds) Docstring: Returns a context manager for use when defining a P
Google老师亲授TensorFlow2.0入门到进阶（教学视频、笔记）
05-05
Google老师亲授TensorFlow2.0入门到进阶（教学视频、笔记） 第1章 Tensorflow简介与环境搭建 第2章 Tensorflow keras实战 第3章 Tensorflow基础API使用 第4章 Tensorflow dataset使用 第5章 Tensorflow Estimator...
tensorflow_source:深度学习tensorflow入门，原理与进阶源代码
03-23
这个压缩包文件 "tensorflow_source" 提供了 TensorFlow 的源代码，旨在帮助开发者深入理解其内部工作原理，并提供进阶学习的资源。 在深度学习领域，TensorFlow 是一个广泛使用的框架，它允许数据科学家和工程师...
Google老师亲授 TensorFlow2.0 入门到进阶
最新发布
09-13
### TensorFlow2.0 入门到进阶课程知识点解析 #### 一、课程概述 本课程是由Google官方讲师亲自授课的TensorFlow2.0入门到进阶教程。TensorFlow是目前最流行的开源机器学习框架之一，由Google的研究团队开发并维护...
Tensorflow卷积神经网络实例进阶
09-20
6. TensorFlow的API使用：文章中提到了使用TensorFlow的一些API，例如使用`tf.Variable`来初始化权重，`tf.nn.conv2d`进行二维卷积操作，`tf.nn.relu`作为激活函数，`tf.nn.max_pool`进行最大池化操作等。...
Tensorflow学习之旅(7)
飞花的世界
11-11 269
暑假就在接触Tensorflow了，但是一直断断续续的，所以现在又开始捡起来继续学。 PS 我用的代码源于https://github.com/zhaozhengcoder/Machine-Learning  大佬写的很好，我也是跟着他的 代码，在他的代码上，写上 自己的理解。https://github.com/flowerflow/Machine-Learning   import te...
莫烦大大TensorFlow学习笔记（9）----可视化
weixin_34128839的博客
11-26 169
一、Matplotlib【结果可视化】 #import os #os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' import tensorflow as tf import numpy as np import matplotlib.pyplot as plt #添加一个神经层，定义添加神经层的函数 def add_layer(inpu...
Tensorflow中scope命名方法
Microstrong
12-04 2325
两篇文章掌握Tensorflow中scope用法： 【1】Tensorflow中scope命名方法（本文） 【2】Tensorflow中tf.name_scope() 和 tf.variable_scope() 的区别 微信公众号 1. tf.name_scope() 在 Tensorflow 当中有两种途径生成变量 variable，一种是 tf.get_variable()，另一种...
Tensorflow中使用tf.variable_scope()而scope名字自动加"_1"
u010970514的博客
08-28 1325
最近在使用tf.variable_scope()对参数进行空间的划分，结果在最后保存为pb文件时，发现scope名字中莫名地被自动添加了"_1"、"_2"等内容，如下代码所示 with tf.variable_scope('test'): p1 = tf.placeholder(tf.float32, shape=(3,3), name='p1') #output: test/p...
tensorflow_scope作用
fireflychh的博客
06-27 845
tensorflow中有两个关于variable的op，tf.Variable()与tf.get_variable()下面介绍这两个的区别 区别 使用tf.Variable时，如果检测到命名冲突，系统会自己处理。使用tf.get_variable()时，系统不会处理冲突，而会报错 import tensorflow as tf w_1 = tf.Variable(3,name="w_
tensorflow variable_scope共享变量
winycg的博客
11-27 2165
参考文档：http://wiki.jikexueyuan.com/project/tensorflow-zh/how_tos/variable_scope.html tf.Variable()用于创建一个新变量，可以创建相同名字变量，底层会自动引入别名机制，给新创建的变量名加数字，两个变量是不相同的 tf.get_variable()获取一个变量，当变量已经存在，则自动获取；不
tensorflow scope命名方法（variable_scope()与name_scope()解析）
AI_盲的博客
04-26 3955
学习资料: 不同 scope 对比代码 reuse variable RNN 代码 sharing variable tensorflow 官网介绍 scope 能让你命名变量的时候轻松很多. 同时也会在 reusing variable 代码中常常见到. 所以今天我们会来讨论下 tensorflow 当中的两种定义 scope 的方式. 最后并附加一个 RNN 运用 reuse vari
with tf.variable_scope():或with tf.name_scope():
weixin_45295666的博客
05-08 2810
keyword：with 用于上下文管理， 共享变量控制参数reuse取true,则作用域内可重用，否则不可重用，智能一点的话取tf.AUTO_REUSE：如果创建过就返回，没有创建过就创建一个新的变量返回 至于tf.name_scope和tf.variable_scope详情见下面URL： https://www.imooc.com/article/22966 https://www.cnblo...
TensorFlow with方法和tf.variable_scope联合使用的原理
小鹏AI
07-01 5288
实例代码 with tf.variable_scope(get_name()) as scope1: v2 = tf.get_variable('v2', shape=[4,9],initializer=tf.constant_initializer()) with tf.variable_scope(get_name()) as scope2: v3 = tf.get_variable('v3', shape=[4,9],initializer=tf.constant_initializer())
深度学习实战：TensorFlow入门到进阶
"900页深度学习编码.docx 是一本由李金洪编著的深度学习教程，专注于TensorFlow的入门、原理与进阶实战。该书覆盖了从人工智能基础知识到深度学习实战的广泛内容，适合对深度学习感兴趣的读者学习。书中详细介绍了...
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
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