四平的博客

1.基本概念：迁移学习是在已经训练好的模型下，恢复这些训练好的模型参数到我们的新模型中，新模型使用的数据集一般比较少时，我们可以根据新数据集与原数据集的相似程度，数据规模大小等冻结网络的某几个卷积层，只训练最后的全连接层或者平均池化层，加快了训练速度，同时提升模型的泛化能力。2.主要思路：（1）准备基模型首先需要一个提前训练好的模型文件。这里是我的文件目录。我们称为“基模型”。（2）查询变量查询变量的作用域并保存这个基模型的所有参数。方便后期迁移学习后对比模型的参数是否发生变化，是否按照我们冻

最近在利用DCNN模型训练自己的数据集，利用SS数据集进行测试，做二分类，结果刚开始训练模型的准确率就为1，后面也是这样，主要原因还是数据集打乱的还不够，不能只靠tensorflow的shuffle操作来打乱，最好先打乱顺序后制作好tfrecords文件，再用shuffle函数打乱一次。主要步骤如下：（1）找到SS标签文件（2）制作TFRecords文件（3）开始训练关于制作TFRecords文件：制作TFrecords文件代码如下：import tensorflow as tf# 7,8

1.需要解决的问题：在一个py文件中同时加载多个训练好的CNN模型文件，并输出多个模型的识别结果。2.解决思路（1）创建多个计算图，在多个会话中执行。（为了是逻辑清晰，这里没有简化代码，因为一个图可以在多个sess中运行，一个sess也能运行多个图）（2）由于多个计算图的执行是相互独立的，所以，可以分别进行每个模型的加载与识别。（3）将识别结果保存到一个csv文件中。3.实现–以三个模型为例（1）创建三个计算图，使用 g = tf.Graph()函数创建新的计算图。（2）在with g.as

链接https://blog.csdn.net/weixin_42066185/article/details/81462977?utm_source=blogxgwz1这篇博客讲解很详细。

出现这个问题的原因是图片image和标签label的维度不匹配，也就是在取出数据的时候没用进行维度的归一化。如下代码种：def read_and_decode(filename,Image_height,Image_width,Image_channel,Batch_size,isTrain): # 创建文件名队列并读取 filename_queue = tf.train.string_input_producer([filename]) # 内存队列不需要创建，直接使用read

错误提示：Variable fc2/weights already exists, disallowed. Did you mean to set reuse=True or reuse=tf.AUTO_REUSE in VarScope? Originally defined at:最近在使用tensorflow的slim模块优化深度学习的代码，集成在django网站中。上传图片时，报错。具体...