保存Tensorflow中的Tensor参数，保存训练中的中间参数，存储卷积层的数据

最新推荐文章于 2023-12-28 10:19:49 发布
最新推荐文章于 2023-12-28 10:19:49 发布
阅读量478 收藏
点赞数
分类专栏： 网络 文章标签： tensorflow python 深度学习
原文链接：https://blog.csdn.net/weixin_30900589/article/details/99107510
版权
ddana_a
关注
专栏目录
BASE64加密解密问题
weixin_49869226的博客
10-25 2万+
BASE64加密解密问题 问题点：base64解密用base64加密的字符串，没有拿到正确的原字符串 1.原支付链接： https://yimafu.yeepay.com/ymf-pay/qrPay/index?qr=4AZZPEEO&id=YM111000182021071915551745105&ct=1626681317&sg=EE308A7ACD1C91656E768BD300F08ABA 2.使用base64加密支付链接，得到的最后结果是： aHR0cHM6Ly95aW1h
base64
我是张先生
12-05 5795
参考
pickle.load的时候出现EOFError: Ran out of input
热门推荐
lwgkzl的博客
11-21 7万+
原因：load的文件为空，就会出现这种错误。 解决方案：1.如果是读取单个文件的话，一定要打开文件所在路径然后打开文件，查看文件是否为空。有可能之前不是空文件，但由于用pickle.load文件时需要打开文件操作，可能在这个过程中把文件内容清空了也未可知。 2.如果是批量操作文件的话，可以抛出异常，这样就不会影响整个程序的运行。 with open(filename, 'r...
pickle.load出错，EOFError: Ran out of input
buglesxu的博客
10-26 2371
pickle.load出错，EOFError: Ran out of input 原因：文件为空，程序运行中，将文件pickle.dump后，未关闭文件，后续程序代码异常退出，此时文件不能正常关闭，是空文件。` f = pickle.dump(dic, open('./'dic.pkl', 'wb')) # 原代码 # 可修改为如下，避免后续程序出错，导致文件未关闭，不能正常保存 f = open('./'dic.pkl', 'wb') pickle.dump(dic, f) f.close() ..
【已解决】EOFError: Ran out of input
BetrayFree的博客
11-07 1937
使用pickle.load(f)加载pickle文件时，报错：EOFError: Ran out of input. 可能原因：文件为空。 解决办法：加载非空文件。
详解tensorflow训练自己的数据集实现CNN图像分类
09-20
在本文中，我们将深入探讨如何使用TensorFlow框架训练自定义数据集实现卷积神经网络（CNN）进行图像分类。TensorFlow是一个强大的开源库，广泛应用于机器学习和深度学习任务，尤其是图像识别和处理。 1. **读取图片...
使用TensorFlow训练MNIST数据集
ruanjianbu的博客
02-19 2493
这篇教程主要来源于这本书：《21个项目玩转深度学习 基于TensorFlow的实践详解》 在线阅读：http://yuedu.163.com/book_reader/acc0e605a6b948b9983afcf62e297fba_4 当我们学习编程语言时，第一课通常会学习一个简单的 “Hello World” 程序， 而 MNIST 手写字符识别可以算得上是机器学习界的 “Hello World...
tensorflow中文文档PDF
02-21
5. **模型构建**：TensorFlow支持多种神经网络架构，如全连接层（Dense）、卷积层（Conv2D）、池化层（Pooling）等。文档会详细介绍这些层的使用方法。 6. **优化器（Optimizer）**：训练模型时，需要使用优化算法...
在 TensorFlow 中构建 3D-CNN
深度学习与计算机视觉
08-06 1065
3D-CNN简介MNIST数据集分类被认为是计算机视觉领域的 hello world 程序。MNIST数据集帮助初学者理解卷积神经网络（CNN）的概念和实现。MNIST数据集：https://www.analyticsvidhya.com/blog/2022/04/binary-classification-on-skin-cancer-dataset-using-dl/...
TensorFlow 训练模型流程解读（含源码）
Colin_xuan的博客
06-13 2万+
使用TensorFlow 编写了一个对四种花分类的代码，其中涉及到读取数据，搭建模型，测试图片。在编写代码中有些API用的不是很熟练，因此写下此文章记录，方便日后回忆。 第一部分：读取数据和标签 一般我们训练模型，需要大量的数据，一般有数据集，但是一些特殊行业，需要自己手动收集数据。我们把数据分类放好，如图： 四种花的图片分门别类放好。我们就可以写代码读取，并标签0 1 2 3 代码如...
python中memoryerror_Python中使用Pickle的MemoryError
weixin_29568097的博客
02-03 746
我正在处理一些数据,我已将结果存储在三个词典中,并且我已将它们保存到使用Pickle的磁盘中.每个字典有500-1000MB.现在我正在加载它们：import picklewith open('dict1.txt', "rb") as myFile:dict1 = pickle.load(myFile)但是,我已经在加载第一个字典了：*** set a breakpoint in malloc_e...
[Python 技巧] 使用Pickle出现Memory Error
LeYOUNGER的博客
04-16 7846
如题，头疼 找到解决方法如下： https://stackoverflow.com/questions/28068872/memoryerror-with-pickle-in-python 使用sklearn - joblib代替： https://blog.csdn.net/suibianshen2012/article/details/52808726...
pickle错误“MemoryError”
xulingqiang的专栏
09-05 2273
问题描述：32位 Python 使用pickle 加载较大的数据时，发生了“MemoryError” 错误。 解决办法：换成64位的就可以了
如何处理pickle.dump 出现MemoryError
疯狂的鸡窝
09-12 4456
问题: 我使用pickle写入大量数据到imdb中,出现MemoryError 问题原因: pickle无法写入超过4.0GB以上的数据,overstackflow上写了一些解决办法:如分批存储python-3-can-pickle-handle-byte-objects-larger-than-4gb 这些使用都比较麻烦,我在网上查到了joblib,这个支持存大文件pypi-joblib 如:使...
PLSQL Developer安装和配置
weixin_45837888的博客
04-12 2万+
PLSQL Developer安装和配置、快捷键设置
Cookie加密6
之度的博客
06-25 6355
目标网址：aHR0cHM6Ly9zZWFyY2gua29uZ2Z6LmNvbS9wcm9kdWN0X3Jlc3VsdC8/a2V5PSVFNyVCQSVBMiVFNiVBNSVCQyVFNiVBMiVBNiZzdGF0dXM9MCZfc3RwbXQ9ZXlKelpXRnlZMmhmZEhsd1pTSTZJbUZqZEdsMlpTSjk=直接在开发者工具看首页携带的cookie变化，原来的cookie是： 这里模拟请求，第一次携带三个cookie是没法返回内容的。携带的cookie 加密的关键是random
某验第四代滑块逆向快速破解
最新发布
码王吴彦祖的博客
12-28 5112
本期地址如下，使用base64解码获得网址破解某验，某盾已经是司空见惯的事情了，网上也有很多资料查阅，但是大多数都是繁琐、冗长，本文以最直接快速理解的方法讲解，稍微认真一点看完文章，你至少能在半个小时内完成破解本文大致步骤如下：找到加密位置，导出加密函数，略微补点环境，封装加密函数。
base64解码
z997756128的专栏
11-22 1万+
NSData*data=[[NSData alloc ]init];     NSString* str = [data base64EncodedStringWithOptions:NSDataBase64Encoding64CharacterLineLength];
js逆向-某准网分析及数据解密
逆向新手的博客
10-26 3645
目标网站：接口：随便搜索一个公司，通过抓包分析发现有一个请求中携带了加密参数。 同时，该请求返回的结果是一个密文。 想都不用想，肯定是通过某种加解密方式然后返回到h5页面中。看到这里，需要分析的东西已经知道了。参数、和数据的解密。首先观察这两个参数，直接搜索一下。碰了碰运气，发现果然可以搜索到。点进去寻找一番，发现了疑似加密点的位置。 可以看到这里使用了大量的三目运算符，通过观察下方也可以发现和就是我们要的两个参数。分析后简化代码逻辑，加密参数生成如下： 首先看到a，键入函数。 函数l是一个生成16位随机字
如何提取CNN卷积层的权重和偏置以及各层的输出数据，并将其保存为文本文件
05-27
CNN 卷积层的权重和偏置通常是存储在 TensorFlow 的变量中的，我们可以使用 tf.train.Saver() 类来保存和加载这些变量。而各层的输出数据可以使用 tf.train.SessionRunArgs() 类来获取。下面是一个示例代码，用于提取 CNN 卷积层的权重和偏置以及各层的输出数据，并将其保存为文本文件： ```python import tensorflow as tf import numpy as np # 加载模型 saver = tf.train.import_meta_graph('model.meta') with tf.Session() as sess: saver.restore(sess, 'model') # 获取模型中所有的变量 vars_all = tf.get_collection(tf.GraphKeys.GLOBAL_VARIABLES) vars_conv = [var for var in vars_all if 'conv' in var.name] # 获取卷积层的变量 vars_fc = [var for var in vars_all if 'fc' in var.name] # 获取全连接层的变量 # 提取卷积层的权重和偏置 weights_conv = {} biases_conv = {} for var in vars_conv: name = var.name.split(':')[0] if 'weights' in name: weights_conv[name] = sess.run(var) elif 'biases' in name: biases_conv[name] = sess.run(var) # 提取全连接层的权重和偏置 weights_fc = {} biases_fc = {} for var in vars_fc: name = var.name.split(':')[0] if 'weights' in name: weights_fc[name] = sess.run(var) elif 'biases' in name: biases_fc[name] = sess.run(var) # 获取各层的输出数据 conv1_out = tf.get_default_graph().get_tensor_by_name('conv1/Relu:0') conv2_out = tf.get_default_graph().get_tensor_by_name('conv2/Relu:0') fc1_out = tf.get_default_graph().get_tensor_by_name('fc1/Relu:0') fc2_out = tf.get_default_graph().get_tensor_by_name('fc2/Softmax:0') # 运行各层的输出数据 conv1_out_val, conv2_out_val, fc1_out_val, fc2_out_val = sess.run( [conv1_out, conv2_out, fc1_out, fc2_out], feed_dict={'input:0': ...} # 填充输入数据 ) # 将权重和偏置保存为文本文件 np.savetxt('weights_conv1.txt', weights_conv['conv1/weights:0']) np.savetxt('biases_conv1.txt', biases_conv['conv1/biases:0']) np.savetxt('weights_conv2.txt', weights_conv['conv2/weights:0']) np.savetxt('biases_conv2.txt', biases_conv['conv2/biases:0']) np.savetxt('weights_fc1.txt', weights_fc['fc1/weights:0']) np.savetxt('biases_fc1.txt', biases_fc['fc1/biases:0']) np.savetxt('weights_fc2.txt', weights_fc['fc2/weights:0']) np.savetxt('biases_fc2.txt', biases_fc['fc2/biases:0']) # 将各层的输出数据保存为文本文件 np.savetxt('conv1_out.txt', conv1_out_val) np.savetxt('conv2_out.txt', conv2_out_val) np.savetxt('fc1_out.txt', fc1_out_val) np.savetxt('fc2_out.txt', fc2_out_val) ``` 在上面的代码中，我们首先加载了模型，并使用 tf.get_collection() 函数获取了模型中所有的变量。然后，我们使用 for 循环遍历卷积层和全连接层的变量，提取其权重和偏置。接着，我们使用 tf.get_default_graph().get_tensor_by_name() 函数获取了各层的输出数据，并使用 sess.run() 方法运行这些输出数据。最后，我们使用 np.savetxt() 函数将权重、偏置和各层的输出数据保存为文本文件。
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