环境:ubantu16.04
软件:python2.7/cuda8.0
GPU:GTX1060
TensorFlow安装: pip install tensorflow-gpu (GPU版)
TFLearn安装:pip install tflearn
TFLearn
TFLearn 是一个构建在 TensorFlow 之上的模块化和透明的深度学习库。它为 TensorFlow 提供高层次 API,目的是便于快速搭建试验环境,同时保持对 TensorFlow 的完全透明和兼容性。
它的特点:
- 容易使用和易于理解的高层次 API 用于实现深度神经网络,附带教程和例子;
- 通过高度模块化的内置神经网络层、正则化器、优化器等进行快速原型设计;
- 对 TensorFlow 完全透明,所有函数都是基于 tensor,可以独立于 TFLearn 使用;
- 强大的辅助函数,训练任意 TensorFlow 图,支持多输入、多输出和优化器;
- 简单而美观的图可视化,关于权值、梯度、特征图等细节;
- 无需人工干预,可使用多 CPU、多 GPU;
- 高层次 API 目前支持最近大多数深度学习模型,像卷积网络、LSTM、BiRNN、BatchNorm、PReLU、残差网络、生成网络、增强学习。
1.安装:pip install tflearn
2.案例:
在 tflearn/examples/images/alexnet.py 下学习如何用 TFLearn 实现 AlexNet 用于 Oxford 17 类鲜花 数据集分类任务。用于 ImageNet 的 AlexNet 网络:
针对 Oxford 17类鲜花问题作出的修改:
- 输入图像尺寸变为 227 x 227;
- 将 2-tower 架构改为 single-tower;
- 最后一个分类层的输出类别数从 1000 变为 17。
直接运行 alexnet.py 文件将自动下载 Oxford 17 flowers 数据集进行训练,数据集包含17种类别,每种类别80张图片
训练过程
训练集:1224张,测试集:136张
迭代5000次,acc达99.95%