![](https://img-blog.csdnimg.cn/20190927151124774.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
tensorflow实战
tensorflow实战
HoveXb
视觉SLAM、感知、深度学习
展开
-
tensorflow-keras 如何继续训练网络
1.仅有网络权重构建相同网络配置compile载入权重model.fit2.用model.save保存得到的权重1.载入模型2.model.fit参考:Does model.compile() initialize all the weights and biases in Keras (tensorflow backend)?原创 2021-02-28 09:19:12 · 680 阅读 · 0 评论 -
keras 自定义层时重写get_config方法
.save方法会保存模型的权重,结构,当模型中含有自定义层时,往往会报错。此时,需要重写get_config方法原创 2021-02-27 09:37:31 · 4930 阅读 · 0 评论 -
keras中如何自定义激活函数
问题描述:我正在使用keras,我想添加我自己的激活函数myf到tensorflow backend。如何定义新函数并使其可操作。因此我不使用以下代码:model.add(layers.Conv2D(64, (3, 3), activation='relu')) 而是使用:model.add(layers.Conv2D(64, (3, 3), activation='myf'))解答:首先,您需要使用 backend定义一个函数。 例如,这是我实现swish激活功能的方式from ker原创 2020-07-30 11:22:37 · 3804 阅读 · 6 评论 -
tensorflow 如何自定义损失函数
1.格式def custom_loss(y_true, y_pred): # calculate loss, using y_pred return loss model.compile(loss=custom_loss, optimizer='adam')2.需要遵循的规则:为了衡量损失,损失函数应该使用y_true,y_pred两个参数,这些参数在拟合数据时从模型本身传递。在计算损失时损失函数必须使用y_pred值,如果不这原创 2020-07-30 10:12:51 · 4423 阅读 · 8 评论 -
如何在keras 自定义学习率
keras中提供了两种学习率的设置,其中自定义学习率可以通过回调函数实现。1. LearningRateSchedulerkeras.callbacks.LearningRateScheduler(schedule)该回调函数是学习率调度器参数:参数说明schedule函数,该函数以epoch号为参数(从0算起的整数),返回一个新学习率(浮点数)代码import keras.backend as Kfrom keras.callbacks import Learn原创 2020-07-29 09:13:43 · 5016 阅读 · 0 评论 -
tensorflow中tensorboard的使用
数据集下载链接:链接:https://pan.baidu.com/s/1sGRXtZE1QGmiMZF_zyThhw 提取码:jqmu代码:import tensorflow as tfimport tensorflow.kerasimport numpy as npimport osdef load_mnist(path): """加载本地下载好的mnist数据集""" f = np.load(path) x_train, y_train = f['x_tr原创 2020-07-28 15:03:09 · 263 阅读 · 0 评论 -
keras 中的 verbos的用法
在 fit 和 evaluate 中 都有 verbose 这个参数,下面详细说一下fit 中的 verboseverbose:日志显示verbose = 0 为不在标准输出流输出日志信息verbose = 1 为输出进度条记录verbose = 2 为每个epoch输出一行记录注意: 默认为 1verbose=1verbose=2evaluate 中的 verboseverbose:日志显示verbose = 0 为不在标准输出流输出日志信息verbose = 1 为输.原创 2020-07-28 14:38:21 · 318 阅读 · 0 评论 -
tesnorlfow训练时出现:tensorflow错误:“tensorflow.python.framework.errors_impl.ResourceExhaustedError: OOM
问题描述:利用tensorflow-gpu进行训练时,出现“tensorflow.python.framework.errors_impl.ResourceExhaustedError: OOM when allocating tensor with shape[32,256,55,55]”原理分析:显卡内存不能满足此次训练,所以就是要降低所需内存要求。解决方案:减少批处理Batch 的大小降低全连接层的维度增加池化 层缩小输入图片大小...原创 2020-07-28 09:00:21 · 655 阅读 · 0 评论