![](https://img-blog.csdnimg.cn/20201014180756738.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
tensorflow
CopperDong
纯属巧合
展开
-
tf pb 转 tfjs 将固定大小的输入 改为任意输入
训练时使用固定大小, 方便编程实现和速度优化部署时使用任意大小, 提高体验但是采用固定大小输入做训练, 部署时采用任意大小, 可能效果有点差别吧....pb文件的网络结构 import tensorflow as tf output_graph_def = tf.GraphDef() PB_PATH = r"./pb/feathers.pb" with open(PB_PATH, "rb") as f: output_gr...转载 2020-12-25 14:17:00 · 410 阅读 · 0 评论 -
Tensorflow中float32模型强制转为float16半浮点模型
在Tensorflow框架训练完成后,部署模型时希望对模型进行压缩。一种方案是前面文字介绍的方法《【Ubuntu】Tensorflow对训练后的模型做8位(uint8)量化转换》。另一种方法是半浮点量化,今天我们主要介绍如何通过修改Tensorflow的pb文件中的计算节点和常量(const),将float32数据类型的模型大小压缩减半为float16数据类型的模型。最近看到一个巨牛的人工智能教程,分享一下给大家。教程不仅是零基础,通俗易懂,而且非常风趣幽默,像看小说一样!觉得太牛了,所以分享给大.转载 2020-12-16 20:31:51 · 1610 阅读 · 1 评论 -
Centos 编译TensorFlow C/C++库 libtensorflow.so libtensorflow_framework.so
安装依赖yum -y install automakelibtoollibsysfslibxslt-devel libffi libffi-devel python-devel gcc openssl openssl-develsqlite-develpip install sixnumpywheelcoverage mock安装CMake从https://cmake.org/download/选择最新的版本wget https://github.com/Kitware/CMa...转载 2020-11-04 13:50:04 · 1188 阅读 · 1 评论 -
tensorflow 2.0模式下训练的模型转成 tf1.x 版本的pb模型实例
这篇文章主要介绍了tensorflow 2.0模式下训练的模型转成 tf1.x 版本的pb模型实例,具有很好的参考价值,希望对大家有所帮助。一起跟随想过来看看吧升级到tf 2.0后, 训练的模型想转成1.x版本的.pb模型, 但之前提供的通过ckpt转pb模型的方法都不可用(因为保存的ckpt不再有.meta)文件, 尝试了好久, 终于找到了一个方法可以迂回转到1.x版本的pb模型.Note: 本方法首先有些要求需要满足:可以拿的到模型的网络结构定义源码网络结构里面的所有操作都是通过tf.k转载 2020-10-24 20:29:17 · 1416 阅读 · 2 评论 -
小程序 tfjs
在小程序中添加 tensoflowjs 插件(详细的说明文档)在小程序的根目录下$ npm init$ npm install @tensorflow/tfjs-core$ npm install @tensorflow/tfjs-converter$ npm install @tensorflow/tfjs-layers$ npm install fetch-wechar构建 npmnpm install regenerator_runtime 异步加载库cons.原创 2020-05-10 15:07:58 · 668 阅读 · 0 评论 -
用tensorflow.js实现浏览器内的手写数字识别
原文简介Tensorflow.js是google推出的一个开源的基于JavaScript的机器学习库,相对与基于其他语言的tersorflow库,它的最特别之处就是允许我们直接把模型的训练和数据预测放在前端,置于浏览器内。本文会用一个简单的demo介绍如何从零开始训练一个tensorflow模型,并在浏览器内实现手写数字识别,最终效果大约如下:手写数字识别示例本文会假设你有基本的python和JavaScript的知识。项目的完整代码参考github。准备项目代码的目录.转载 2020-05-08 18:56:30 · 1976 阅读 · 1 评论 -
Deep Learning with JS
一、基础知识code:https://github.com/tensorflow/tfjs-examples第一个示例,线性回归codepen.io/tfjs-book/pen/VEVMMd<!DOCTYPE html><html lang="en"><!-- >python -m http.server 8080 -->&...原创 2020-05-04 17:56:44 · 418 阅读 · 0 评论 -
tensorflow2.0学习-4 低阶API
原文https://github.com/lyhue1991/eat_tensorflow2_in_30_days1、张量张量的操作主要包括张量的结构操作和张量的数学运算。张量结构操作诸如:张量创建,索引切片,维度变换,合并分割。张量数学运算主要有:标量运算,向量运算,矩阵运算。另外我们会介绍张量运算的广播机制。本篇我们介绍张量的结构操作。创建张量:张量创建的许多方法和nu...转载 2020-03-02 17:44:20 · 501 阅读 · 0 评论 -
tensorflow2.0学习-3 API层次结构
低阶、中阶和高阶API1、低阶API使用TensorFlow的低阶API实现线性回归模型。低阶API主要包括张量操作,计算图和自动微分。import tensorflow as tf#打印时间分割线@tf.functiondef printbar(): ts = tf.timestamp() today_ts = ts%(24*60*60) hour...转载 2020-03-02 16:40:48 · 748 阅读 · 0 评论 -
tensorflow2.0学习-2 基本概念
原文https://github.com/lyhue1991/eat_tensorflow2_in_30_days1、张量程序 = 数据结构+算法。TensorFlow程序 = 张量数据结构 + 计算图算法语言张量和计算图是 TensorFlow的核心概念。Tensorflow的基本数据结构是张量Tensor。张量即多维数组。Tensorflow的张量和numpy中的array...转载 2020-03-02 16:29:06 · 785 阅读 · 0 评论 -
tensorflow2.0学习-1
原文https://github.com/lyhue1991/eat_tensorflow2_in_30_days1、数据准备有三种数据形式:结构化数据、图像和文本结构化数据:一般使用panda图像数据:在tensorflow中常用方案有两种,第一种是使用tf.keras中的ImageDataGenerator工具构建图片数据生成器。 第二种是...转载 2020-03-02 16:02:28 · 1069 阅读 · 0 评论 -
tf.nn,tf.layers, tf.contrib模块介绍
原文转载 2020-01-14 19:20:58 · 263 阅读 · 0 评论 -
高级API之tf.layers
原文之前写的代码都是基于比较底层的API了,底层的API其实是有好处的,虽然还是调API,但是至少对于原理有小小的理解才能够写出代码。而且在实现一些新的论文或者要实现一个新的点子的时候,这时候是没有API的,因此底层的API非常有存在的必要,且必须经过这一个过程。但是对于一个非常熟悉底层原理和经过了写底层代码这个过程的人,在有些很常见的任务上,就是用高级封装好的API就行。tf.layers...转载 2020-01-14 19:15:58 · 479 阅读 · 0 评论 -
tf API 研读1:tf.nn,tf.layers, tf.contrib概述
你要的答案或许都在这里:小鹏的博客目录我们在使用tensorflow时,会发现tf.nn,tf.layers, tf.contrib模块有很多功能是重复的,尤其是卷积操作,在使用的时候,我们可以根据需要现在不同的模块。但有些时候可以一起混用。下面是对三个模块的简述:(1)tf.nn :提供神经网络相关操作的支持,包括卷积操作(conv)、...转载 2020-01-14 15:28:41 · 253 阅读 · 0 评论 -
tensorflow模型介绍以及参数提取
在博客开始前,首先郑重感谢博主jiongnima的博客对我的帮助,我按照博主的方法顺利的把bcnn模型的tensorflow版转为caffe版,关于bcnn模型,它是个细粒度分类模型,我将在后续的博客中详细介绍。首先隆重呈上博主的链接:https://blog.csdn.net/jiongnima/article/details/78326515转模型系列博文的操作主要基于博主...转载 2020-01-13 15:06:40 · 1549 阅读 · 0 评论 -
自动微分(Automatic Differentiation)简介
原文转载 2019-12-19 09:54:08 · 351 阅读 · 0 评论 -
tf.stack()和tf.unstack()的用法
tf.stack()这是一个矩阵拼接的函数,tf.unstack()则是一个矩阵分解的函数c是拼接,而d和e则是不同维度的分解转载 2019-12-13 14:43:39 · 198 阅读 · 0 评论 -
Windows下利用Anaconda安装多个版本的TensorFlow
Windows下利用Anaconda安装多个版本的TensorFlowWindows下利用Anaconda安装多个版本的TensorFlow手把手安装流程关于新环境下Spyder打不开的问题解决方案由于TensorFlow版本众多,不同版本之间差异比较大,有时我们需要在自己的电脑上安装多个版本的TensorFlow,如何安装使它们相互不影响呢?我们可以用Anaconda创建不同的conda...转载 2018-10-17 20:14:07 · 2570 阅读 · 1 评论 -
用tf的VocabularyProcessor创建词汇表vocab
原文学习tf的时候用到的一个词汇创建工具,比较方便,记录其使用方法。1. 导入from tensorflow.contrib import learnvp = learn.preprocessing.VocabularyProcessor(100, 0, tokenizer_fn=chinese_tokenizer)其中VocabularyProcessor(max_d...转载 2019-04-19 18:51:49 · 1382 阅读 · 0 评论 -
深入理解TensorFlow架构设计与实现原理 3 :基础概念
1、编程范式:数据流图 声明式编程与命令式编程的对比讨论 数据流图: tensorflow 1.2.02、数据载体:张量 张量:Tensor 稀疏张量:SparseTensor类,以键值对的形式表示高维稀疏数据,它包含indices、values和dense_shape这3个属性。3、模型载体:操作 计算节点:Operation类定义在tensorflow/python/fr...原创 2018-05-28 15:25:13 · 2654 阅读 · 0 评论 -
TensorFlow技术解析与实战 7 TensorFlow 的高级框架
7.1 TFLearn TFLearn是一个建立在TensorFlow顶部的模块化的深度学习框架。7.2 Keras Keras是一个高级的Python神经网络框架,TensorFlow成为其默认的框架 优点:模块化、极简主义、易扩展、使用PythonKeras的模型 核心数据结构是模型,模型是用来组织网络层的方式。模型有两种,一种叫原创 2017-12-16 20:05:43 · 400 阅读 · 0 评论 -
TensorFlow学习指南3:文本及序列
RNNimport tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_dataDATA_DIR = '/tmp/data/mnist'NUM_STEPS = 1000MINIBATCH_SIZE = 100mnist = input_data.read_data_sets(DATA_DIR...原创 2018-09-14 17:48:55 · 298 阅读 · 0 评论 -
TensorFlow学习指南6:词向量
word2vec# -*- coding: utf-8 -*-"""Created on Thu Dec 29 00:39:23 2016@author: tomhope"""import osimport mathimport numpy as npimport tensorflow as tffrom tensorflow.contrib.tensorboard.pl...原创 2018-09-17 17:38:06 · 543 阅读 · 0 评论 -
面向机器智能的TensorFlow实战4:机器学习基础
代码 https://github.com/backstopmedia/tensorflowbook.git1、监督学习简介数据流图的高层、通用训练闭环:一种常用的方法是将原始数据集一分为二,将70%的样本用于训练,30%用于评估。2、保存训练检查点 防止突然断电3、 线性回归 目标是找到一个与这些数据最为吻合的线性函数 y(x1, x2, ... , xk) = w1*x1 + w2...原创 2018-05-25 19:44:20 · 509 阅读 · 0 评论 -
TensorFlow技术解析与实战 10 人脸识别
10.2 人脸识别的技术流程 人脸识别系统一般主要包括4个组成部分,分别为人脸图像采集及检测、人脸图像预处理、人脸图像特征提取以及人脸图像匹配与识别。 人脸识别的第一步就是人脸的图像采集及检测。 人脸检测属于目标检测的一部分,主要涉及以下两个方面: (1)对要检测的目标对象进行概率统计,从而得到待检测对象的一些特征,建原创 2017-12-17 21:47:05 · 3204 阅读 · 1 评论 -
TensorFlow技术解析与实战 9 TensorFlow在MNIST中的应用
MNIST (Mixed National Institute of Standards and Technology)是一个入门级的计算机视觉数据集,数据集中都是美国中学生手写的数字。它的训练集包含 6 万张图片,测试集包含 1万张图片,并且数字已经进行过预处理和格式化,做了大小调整并居中,图片尺寸也固定为28×28。这个数据集很小,但训练速度很快,而且收敛效果也很好,非常适合作为实战的例子原创 2017-12-16 20:49:56 · 579 阅读 · 0 评论 -
TensorFlow技术解析与实战 8 第一个tensorflow程序
TensorFlow的运行方式分如下4步:(1)加载数据及定义超参数(2)构建网络(3)训练模型(4)评估模型和进行预测# -*- coding: utf-8 -*-import sysreload(sys)sys.setdefaultencoding('utf-8')import tensorflow as tf import numpy as np #原创 2017-12-16 20:47:19 · 840 阅读 · 0 评论 -
TensorFlow技术解析与实战 6 神经网络的发展及其 TensorFlow 实现
卷积神经网络 (convolutional neural network,CNN)的演进从 LeNet 到 AlexNet,再到 VggNet、GoogLeNet,最后到 ResNet,演进的方式有一定规律,并且也在 ImageNet LSVRC 竞赛上用 120万张图片、1000 类标记上取得了很好的成绩。循环神经网络(recurrent neural networks,RNN)的演进从 Van原创 2017-12-15 21:37:56 · 281 阅读 · 0 评论 -
TensorFlow技术解析与实战 4 基础知识
4.1 系统架构 自底向上分为设备层和网络层、数据操作层、图计算层、API层、应用层。4.2 设计理念(1)将图的定义和图的运行完全分开。 编程模式通常分为命令式编程和符号式编程。命令式编程是编写我们理解的通常意义上的程序,很容易理解和调试,按照原有逻辑执行。符号式编程涉及很多的嵌入和优化,不容易理解和调试,但运行速度相对有所提升。现有的深度学习框架原创 2017-12-14 19:51:50 · 471 阅读 · 0 评论 -
TensorFlow技术解析与实战 13 生成式对抗网络
生成式对抗网络是google在2014年提出的一个网络模型,主要灵感来自于二人博弈中的零和博弈,也是目前最火热的非监督深度学习的代表。13.1 GAN的原理 生成式对抗网络主要解决的问题是如何从训练样本中学习出新样本。生成模型就是负责训练出样本的分布,如果训练样本是图片就生成相似的图片,如果训练样本是文章句子就生成相似的文章句子。判别模型是一个二分类器,用来判断输入样本是真原创 2017-12-19 19:22:33 · 456 阅读 · 0 评论 -
TensorFlow技术解析与实战 12 图像与语音的结合
实现人工智能要有3个要素:语法、语义和推理 语音和视觉是人工智能界非常关注的点,也就是说,在语言和视觉层面,通过语法(对语言来说是语法解析,对视觉来说是三维结构的解析)和语义(对语言来说是语义,对视觉来说是物体动作的含义)作为模型的输入训练数据,最终实现推理的能力,也就是把训练中学习到的能力应用到工作中去,从新的数据中推断出结论。12.1 看图说话模型 输入一张图片,希望原创 2017-12-19 18:53:21 · 771 阅读 · 0 评论 -
面向机器智能的TensorFlow实战5:目标识别与分类
本节用于训练CNN模型的数据集为Stanford的Dogs Dataset是ImageNet的一个子集 卷积层(tf.nn.conv2d)、非线性变换层(tf.nn.relu)、池化层(tf.nn.max_pool)及全连接层(tf.nn.matmul) TensorFlow的输入流水线拥有一种为使用一个批数据中的多幅图像而设计的专门格式。2、卷积 卷积核(kernel)也称为权值...原创 2018-05-26 00:29:26 · 960 阅读 · 0 评论 -
面向机器智能的TensorFlow实战6:循环神经网络与自然语言处理
本章将探讨序列模型(sequential model),可对序列输入进行分类或标记,生成文本序列或将一个序列转换为另一个序列。RNN提供了一些构件,可以很好地切入全连接层和卷积层的工具集。1、RNN简介 许多真实问题本质上都是序列化的。2006年提出的一种LSTM。RNN能够很好地完成许多领域的序列任务,如语音识别、语音合成、手写连体字识别、时间序列预测、图像标题生成以及端...原创 2018-05-26 11:32:53 · 553 阅读 · 1 评论 -
TensorFlow学习指南1:基础知识
git clone https://github.com/Hezi-Resheff/Oreilly-Learning-TensorFlowSoftmax实例,MNIST http://yann.lecun.com/exdb/mnist/import tensorflow as tffrom tensorflow.examples.tutorials.mnist import input...原创 2018-09-07 20:33:50 · 487 阅读 · 0 评论 -
面向机器智能的TensorFlow实战2:TensorFlow基础
1、数据流图简介 两个基础构件:节点和边 构建第一个TensorFlow数据流图:>>> import tensorflow as tf>>> a = tf.constant(5, name="input_a")>>> b = tf.constant(3, name="input_b")>>原创 2018-05-24 22:37:10 · 345 阅读 · 0 评论 -
面向机器智能的TensorFlow实战1:安装
https://www.tensorflow.org/versions/master/get_started/os_setup.html1、选择安装环境三种环境:一般而言,如果准备在单机上安装和使用TensorFlow,建议采用Virtualenv或Conda,能够以较小的代价解决依赖冲突问题,且易于设置。如果准备将TensorFlow代码部署到一台或多台服务器上,则值得床架一个Docker容器镜...原创 2018-05-24 16:22:23 · 327 阅读 · 0 评论 -
ubuntu16.04+gtx1060+cuda8.0+caffe安装、测试经历
首先说明,这是在台式机上的安装测试经历,首先安装的win10,然后安装ubuntu16.04双系统,显卡为GTX1060 台式机显示器接的是GTX1060 HDMI口,win10上首先安装了最新的GTX1060驱动372.54废话不多说,上车吧,少年一、首先安装nvidia显卡驱动我是1080P的显示器,在没有安装显卡驱动前,ubuntu分辨率很低,可以手动转载 2017-10-17 17:07:10 · 884 阅读 · 0 评论 -
深度学习--Tensorflow初体验
为了方便,这里使用Docker方式安装Tensorflow。在学习阶段,更推荐使用才云科技的镜像: docker pull cargo.caicloud.io/tensorflow/tensorflow:0.12.0下载镜像完成后,启动:docker run -it -d -p 8888:8888 -p 6006:6006 cargo.caicloud.io/tensorflow/tensorfl...转载 2018-05-27 10:46:23 · 389 阅读 · 0 评论 -
Tensorflow实现RNN(LSTM)手写数字识别
import tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_data# 载入数据mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)# 输入图片是28n_input = 28max_time = 28lstm_siz...转载 2018-05-27 09:24:04 · 495 阅读 · 0 评论 -
面向机器智能的TensorFlow实战8:序列分类
序列分类的任务是为整个输入序列预测一个类别标签。在许多领域中,包括基因和金融领域,这样的问题都极为常见。NLP中的一个突出例子是情绪分析。 使用国际电影数据库的影评数据集,该数据集的目标值是二元的---正面的和负面的。将逐个单词地查看每条评论。依据最后的那个单词的活性值,将训练一个用于预测整条评论的情绪的分类器。由于是按照端到端的方式训练模型,RNN将从单词中收集那些对于...原创 2018-05-26 22:22:39 · 390 阅读 · 0 评论