终于忙完课了,接着写博客哈哈~
本篇的主要内容:
- 一个测试持久化用的MNIST识别网络模型
- 对TensorFlow持久化代码做了解释
最近在想TensorFlow模型的持久化问题,毕竟每一次训练模型都是有够煎熬的~所以特意学习一下关于模型持久化的内容。
这里使用的例子是MNIST数据集的识别,在此之前,我写了一个简单的神经网络来训练识别,共有一个隐藏层,隐藏层有100个结点,完整的代码如下:
# 一层 100个节点的hidden layer的网络
# 测试和持久化网络结构
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data", one_hot=True)
trainimg = mnist.train.images
trainlabel = mnist.train.labels
testimg = mnist.test.images
testlabel = mnist.test.labels
print('MNIST ready')
n_input = 784
n_output = 10
n_layer = 100
train_epoches = 20
batch_size = 500
with tf.name_scope("Input"):
x = tf.placeholder(tf.float32, [None, n_input], name='inputx')
y = tf.placeholder(tf.float32, [None, n_output], name='inputy')
with tf.name_scope("Parameters"):
weights = tf.Variable(tf.random_normal([n_input, n_layer], stddev=0.1))
biases = tf.Variable(tf.random_normal([n_layer], stddev=0.1))
with tf.name_scope("FC"):
pred_y = tf.add(tf.matmul(x, weights), biases)
with tf.name_scope("Cost"):
cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(logits=pred_y, l