君莫笑

背景： 最近由于项目原因，需要用C++做一些目标检测的任务，就捣鼓一下YOLOv5，发现部署确实很方便，将YOLOv5模型转为onnx模型后，可以用OpenCV的dnn.readNetFromONNX读取该模型，接着就是输入预处理和输出结果解析的事情。 然而，当我将tf15训练得到的FasterRCNN模型并利用tf2onnx成功转为onnx模型后，却不能用OpenCV读取，报出以下错误，而onnxruntime可以成功调用该模型。

在调试调试tensorflow时报错信息：

本文只从tensorflow源代码看待它们的区别

区别：tf.gather：https://tensorflow.google.cn/versions/r1.15/api_docs/python/tf/gathertf.gather_nd:

本文记录使用tf.estimator.DNNClassifier分类iris上代码：测试版本：tf1.xfrom __future__ import absolute_importfrom __future__ import divisionfrom __future__ import print_functionfrom six.moves.urllib.request import urlopenimport osimport numpy as npimport tensorf

TextLineDataset可以将文本类的数据映射到tesorflow的Dataset在csv中，因存在头部行，使用filter进行预处理上代码：from six.moves.urllib.request import urlopenimport osimport numpy as npimport tensorflow as tfIRIS_TRAINING = "iris_training.csv"IRIS_TRAINING_URL = "http://download.te

对于获取的一个tfrecord eg. a.tfrecord，若未知对应的key，则可参考tf.train.Example.FromString解析tfrecord# tfrecord结构# message Example# {# Features features = 1;# };## message Features# {# map< string, Feature > featrue = 1;# };## message Feature##

对于获取的一个tfrecord eg. a.tfrecord，若未知对应的key，则可参考tf.train.Example.FromString解析tfrecord现在给出例子解析cifar10，下载链接：待发布从上面链接，得出cifar10键值：{'label': 'tf.FixedLenFeature([1], tf.int64, default_value=0', 'id': "tf.FixedLenFeature([], tf.string, default_value=''".

import tensorflow as tfarr=tf.constant([1, 5, 7, 4, 3, 1, 9])searched_value=tf.constant([1, 5, 9])index_arr=tf.where(tf.equal(aaa,tf.expand_dims(bbb,axis=-1)))'''Out:array([[0, 0], [0, 5], [1, 1], [2, 6]], dtype=int64)'''fin.

内容简短，直接上操作！Step1 文件下载requirements：对应版本的libtensorflow，下载链接：https://storage.googleapis.com/tensorflow下载方式：在链接中找到对应版本的libtensorflow，如用于windows的1.13.1的libtensorflow-gpu则补全链接https://storage.googleapis.com/tensorflow/libtensorflow/libtensorflow-gpu-w

本文对tf.data.Dataset.interleave该方法做点笔记。在tensorflow中数据处理通道中，有一个方法interleave，tf定义如下：interleave( map_func, cycle_length=AUTOTUNE, block_length=1, num_parallel_calls=None)'''cycle_length和block_length参数控制元素的生成顺序。 cycle_length控制同时处理的输入元素的数量。 如果将cycle_..

tfrecord文件:链接：https://pan.baidu.com/s/1OUFjtDXIkVSF0XVKajaZQQ 提取码：zrp0当不知道tfrecord的属性时，可以采用tf.train.Example.FromString进行解析，上代码：1. 解析tfrecord键值import tensorflow as tfpath='path/cifar10/3.0.2/cifar10*.tfrecord*'files=glob.glob(path)with tf.Sess..

上代码，利用tf.gather_nd函数:eg1: 常数索引import tensorflow as tfsess=tf.Session()a=tf.constant([[0,1,2],[3,4,5]])#shape:(2,3)result=tf.gather_nd(a,[0,1])#1sess.run(result)eg2:变量索引import tensorflow as tfsess=tf.Session()a=tf.constant([[0,1,2],[3,4,5]])

概要该博客主要记录了TensorFlow Object Detection API的安装流程。默认读者已经安装好了Tenso...

1.（重要）显卡是否支持CUDA链接查看电脑的显卡：CUDA GPUs | NVIDIA Developer2.CUDA与显卡配置cuda下载：https://developer.nvidia.com/cuda-toolkit-archivecudnn下载：https://developer.nvidia.com/rdp/form/cudnn-download-survey链接：https://docs.nvidia.com/cuda/cuda-toolkit-release-.

在使用tensorflow训练网络时，为了能方便地检测训练的细节（损失值、变量直方图、图像），一般使用tf.summary.FileWriter(self.tbdir, sess.graph)来生成event文件，并能利用tensorboard方便看到训练的数据。但有时需要将数据提取出来，则可用tf.train.summary_iterator() (ps:tensorboard也有event文件的数据下载)根据标签读取对应的数据，for example，标量标签cons_bbox_...

TensorFlow中，在加载和保存模型时，一般会直接使用tf.train.Saver.restore()和tf.train.Saver.save()然而，当需要选择性加载模型参数时，则需要另一种方式进行加载（pywrap_tensorflow）例子：Faster-RCNN中，模型加载vgg16.ckpt，需要利用pywrap_tensorflow读取ckpt文件中的参数，再对应f...

在使用tensorflow构建神经网络时，经常看到tf.nn，tf.layers，tf.contrib这三个模块，它们有很多函数的功能是相同的，部分可以混用，这就导致使用者很容易被迷惑，本文在此做一下笔记以理清思路。tf.nn：用于原始神经网络（NN）操作的包装程序，属于基础操作，常见包括卷积（conv、conv_transpose、dilation2D、separable_c...