cui1004的博客

Tensorflow学习：验证码识别（模型训练使用models-master中slim下nets的alexnet进行训练）# coding: utf-8import osimport tensorflow as tffrom PIL import Imagefrom nets import nets_factoryimport numpy as np# 不同字符数量CHAR_SET_LEN = 10# 图片高度IMAGE_HEIGHT = 60# 图片宽度IMAGE_WIDTH =

Tensorflow学习：生成tfrecord文件import tensorflow as tfimport osimport randomimport mathimport sysfrom PIL import Imageimport numpy as np# 验证集数量_NUM_TEST = 500# 随机种子_RANDOM_SEED = 0# 数据集路径DATASET_DIR = "D:/workspace/PyCharm/venv/cuiyongling/captch

Tensorflow学习：验证码生成验证码生成库：from captcha.image import ImageCaptcha随机函数：import random# 验证码生成库from captcha.image import ImageCaptcha # pip install captchaimport numpy as npfrom PIL import Imageimport randomimport sysnumber = ['0', '1', '2', '3', '4',

Tensorflow学习：训练自己的简单图像识别模型（图片分类模型）1、利用inception的模型做基础，加一层输出层图片分类，只训练最后一层就好，前面的利用他们训练好的权值。2、google提供的训练文件，自己提供训练的图片训练集。利用官方提供的retrain.py进行训练，通过Windows的一个批处理文件retrain.bat执行官方提供的retrain.py程序。...

Tensorflow学习：数据集下载（网页爬图片）1、在训练图像识别模型时，想从网上抓取一些类别的图片，下面附上代码：import urllib.requestimport reimport osimport urllibdef get_html(url): page = urllib.request.urlopen(url) html_a = page.read() return html_a.decode('utf-8')def get_img(html):

Tensorflow学习：win10安装tensorflow-gpu1、安装CUDA1）确认自己的笔记本带有NVIDIA的显卡。电脑->属性->设备管理器->显示适配器2）下载安装CUDA 。https://developer.nvidia.com/cuda-downloads下载的安装包如下：安装过程 和安装其他应用一样，直接下一步下一步，中间可能会有闪屏的现象。3）安装好之后把CUDA安装目录下的bin和lib\x64添加到 Path环境变量中。bin路径：C:\P

Tensorflow学习：使用inception-v3做图像识别import tensorflow as tfimport osimport numpy as npfrom PIL import Imageimport matplotlib.pyplot as plt'''数据预处理'''class NodeLookup(object): def __init__(self): label_lookup_path = 'inception_model/imagen

Tensorflow学习：下载google图像识别网络inception-v3inception做分类一共有1000个分类import tensorflow as tfimport osimport tarfileimport requests# inception模型（Google已经训练好的模型）下载地址inception_pretrain_model_url = 'http://download.tensorflow.org/models/image/imagenet/inceptio

Tensorflow学习：saver.restore模型载入（手写数字识别，简单神经网络） saver = tf.train.Saver() saver.restore(sess,'net/my_net.ckpt')import tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_data# 载入数据集mnist = input_data.read_data_sets("MNST_data", one

Tensorflow学习：saver_save保存模型import tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_data# 载入数据集mnist = input_data.read_data_sets("MNST_data", one_hot=True)# 每个批次的大小：一次性向神经网络中放入100张图片进行训练:以矩阵的形式放进去batch_size = 100# 计算一共多少个批次 //:

Tensorflow学习：循环（递归/记忆）神经网络RNN（手写数字识别：MNIST数据集分类）import tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_data# 载入数据集mnist = input_data.read_data_sets("MNST_data", one_hot=True)# 输入图片是28*28像素n_inputs = 28 # 输入一行，一行有28个数据(输入层有28个

Tensorflow学习：Tensorboard可视化-卷积神经网络应用于手写数字识别（MNIST数据集分类）import tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_data# 载入数据集mnist = input_data.read_data_sets("MNST_data", one_hot=True)# 每个批次的大小：一次性向神经网络中放入100张图片进行训练:以矩阵的形式放进去batc

Tensorflow学习：卷积神经网络应用于手写数字识别（MNIST数据集分类）import tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_data# 载入数据集mnist = input_data.read_data_sets("MNST_data", one_hot=True)# 每个批次的大小：一次性向神经网络中放入100张图片进行训练:以矩阵的形式放进去batch_size = 100#

Tensorflow学习：Tensorboard可视化import tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_datafrom tensorflow.contrib.tensorboard.plugins import projector# 载入数据集mnist = input_data.read_data_sets("MNST_data", one_hot=True)# 运行次数max_ste

Tensorflow学习：Tensorboard网络运行# 定义一个函数：参数概要（分析的参数一般是权值和偏置值（数据比较多时，算他的平均值标准差才有意义））def variable_summaries(var): with tf.name_scope('summaries'): mean = tf.reduce_mean(var) tf.summary.scalar('mean', mean) # 平均值 with tf.name_scope(

Tensorflow学习：Tensorboard网络机构定义一个命名空间：with tf.name_scope(‘input’):import tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_data# 载入数据集mnist = input_data.read_data_sets("MNST_data", one_hot=True)# 每个批次的大小：一次性向神经网络中放入100张图片进行训练:以矩阵

Tensorflow学习：手写数字识别完整版（准确率高达99.9%）# 解决过拟合的方法：dropoutimport tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_data# 载入数据集mnist = input_data.read_data_sets("MNST_data", one_hot=True)# 每个批次的大小：一次性向神经网络中放入100张图片进行训练:以矩阵的形式放进去batch_

Tensorflow学习：优化器import tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_data# 载入数据集mnist = input_data.read_data_sets("MNST_data", one_hot=True)# 每个批次的大小：一次性向神经网络中放入100张图片进行训练:以矩阵的形式放进去batch_size = 100# 计算一共多少个批次 //:整除n_batch

Tensorflow学习：过拟合#解决过拟合的方法：dropoutimport tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_data# 载入数据集mnist = input_data.read_data_sets("MNST_data", one_hot=True)# 每个批次的大小：一次性向神经网络中放入100张图片进行训练:以矩阵的形式放进去batch_size = 100# 计算一

Tensorflow学习：手写数字识别（简单的神经网络，不含隐层）import tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_data# 载入数据集mnist = input_data.read_data_sets("MNST_data", one_hot=True)# 每个批次的大小：一次性向神经网络中放入100张图片进行训练:以矩阵的形式放进去batch_size = 100# 计算一共多少个

Tensorflow学习：线性回归（神经网络）import tensorflow as tfimport numpy as npimport matplotlib.pyplot as plt# 使用numpy生成200个随机点（训练样本）：-0.5-0.5平均分布的点：增加一个维度，200行1列x_data = np.linspace(-0.5, 0.5, 200)[:, np.newaxis]# 生成一些噪音noise = np.random.normal(0, 0.02, x_data.

Tensorflow学习：模型构造，模型优化的简单示例import tensorflow as tfimport numpy as np# Tensorflow:模型构造和模型优化的简单示例# 使用numpy生成100个随机点（作为样本）x_data = np.random.rand(100)y_data = x_data * 0.1 + 0.2# 构造一个线性模型（用来拟合上面的随机点样本）b = tf.Variable(0.)k = tf.Variable(0.)# k,b:两

Tensorflow学习：Fetch and Feedimport tensorflow as tf# Fetch:在会话里面同时运行多个opinput1 = tf.constant(3.0)input2 = tf.constant(2.0)input3 = tf.constant(5.0)# 定义一个加法opadd = tf.add(input2, input3)# 定义一个乘法opmul = tf.multiply(input1, add)# 定义一个会话，启动默认图,不用

Tensorflow学习：变量1、加法与减法变量需要初始化：init = tf.global_variables_initializer()import tensorflow as tf# 定义一个变量x = tf.Variable([1, 2])# 定义一个常量a = tf.constant([3, 3])# 定义一个减法opsub = tf.subtract(x, a)# 定义一个加法的opadd = tf.add(x, a)# 全局变量的初始化init = tf.glob

TensorFlow安装TensorFlow即可以支持CPU，也可以支持CPU+GPU。前者的环境需求简单，后者需要额外的支持。TensorFlow是基于VC++2015开发的，所以需要下载安装VisualC++ Redistributable for Visual Studio 2015 来获取MSVCP140.DLL的支持。1、下载并安装anaconda2、下载并安装Python编译器，以3.7X为例。1）、检查Anaconda是否成功安装：conda --versionC:\Windows

Tensorflow学习：创建图，启动图import tensorflow as tf#创建一个常量opm1 = tf.constant([[3,3]])m2 = tf.constant([[2],[3]])#创建一个矩阵乘法opproduct = tf.matmul(m1,m2)#方法1：定义一个会话，启动默认图sess = tf.Session()result = sess.run(product)print(result)#关闭会话sess.close()#方法2：定义