2016年12月_FocusOneThread

12月 11月 10月 09月 08月 07月 06月 05月 04月 03月 02月 01月

原创 TensorFlow 分布式 managed_session 和 prepare_or_wait_for_session

managed_session在异步模式就是参数初始化完成之后，大家就可以开始干活了。 prepare_or_wait_for_session在同步模式，不但参数初始化完成，还得主节点也准备好了，其他节点才开始干活。

2016-12-29 14:28:02 3828 1

转载 tensorflow 分布式数据并行同步训练 between-graph 实例

#coding=utf-8#python example.py --ps_hosts=127.0.0.1:2222 --worker_hosts=127.0.0.1:2224,127.0.0.1:2225 --job_name=ps --task_index=0 --issync=1#python example.py --ps_hosts=127.0.0.1:2222 --worker_host

2016-12-29 14:18:48 3521

转载 tensorflow 分布式数据并行异步训练 between-graph 实例

#coding=utf-8import numpy as npimport tensorflow as tf#python example.py --ps_hosts=127.0.0.1:2222 --worker_hosts=127.0.0.1:2224,127.0.0.1:2225 --job_name=ps --task_index=0#python example.py --ps_ho

2016-12-28 16:39:19 3153 2

原创 TensorFlow 合并 / 连接数组

import tensorflow as tfa = tf.Variable([4,5,6])b = tf.Variable([1,2,3])c = tf.concat(0,[a,b])init_op = tf.initialize_all_variables()with tf.Session() as sess: sess.run(init_op) print(sess.ru

2016-12-26 09:22:18 11975

原创 tensorflow 分布式全局变量数据并行同步训练 in-graph 实例

import tensorflow as tfdef main() : with tf.device("/job:ps/task:0/cpu:0"): a = tf.Variable(1) b = tf.Variable(1) with tf.device("/job:worker/task:0/gpu:

2016-12-21 15:40:40 2418

转载 tensorflow 分布式 MNIST 实例，between-graph，CPU

把IP改了之后运行指令pc-01$ python example.py --job_name="ps" --task_index=0 pc-02$ python example.py --job_name="worker" --task_index=0 pc-03$ python example.py --job_name="worker" --task_index=1 pc-04$ pyth

2016-12-21 09:20:59 2670 10

原创 tensorflow 输出权重到csv或txt

import numpy as npW_val, b_val = sess.run([weights_tensor, biases_tensor])np.savetxt("W.csv", W_val, delimiter=",")np.savetxt("b.csv", b_val, delimiter=",")

2016-12-16 13:59:03 6715 2

原创 Eclipse CDT debug CRF++

据说 CRF++ 与《统计学习方法》的契合度非常之高，所以决定研究CRF++的代码./configure 之后在Makefile里改上CFLAGS = -O3 -Wall -gCXXFLAGS = -O3 -Wall -g然后 make clean make 然后在Eclipse -> Debug Configurations -> C/C++ Application 填上 /path/

2016-12-11 19:29:06 627

原创 HMM 隐马尔可夫模型代码实现

#encoding:utf-8import sysimport picklefrom copy import deepcopyis_train = FalseDEFAULT_PROB = 0.000000000001MIN_PROB = -1 * float('inf')train_path = "train.in"test_path = "test.in"output_path = "

2016-12-10 20:28:20 7737 1

翻译 Playing Atari with Deep Reinforcement Learning

实践中，因为action-value公式对于每个序列是被分别估计的。所以作为替换，在强化学习，通常用一个函数拟合器来估计action-value函数，典型的是一个线性拟合器，但是有时候是一个非线性的函数拟合器比如神经网络。这个神经网络是一个权重为θ的Q-network，这个Q-network可以被最小化一个序列的损失函数的方法训练。其中Q是action-value公式其中是每次迭代

2016-12-07 09:48:08 720