寻找最小误差（loss） tensorflow(2)

for line in lines:

line = line.strip()

key, value = line.split(’ ')

image_to_label[key] = value

构造训练集

X_train = []

y_train = []

for jpg in os.listdir(data_home):

image = cv2.imread(data_home + jpg)

x = cv2.resize(image, (64, 64))

X_train.append(x)

y = image_to_label[jpg]

y_train.append(y)

X_train = np.array(X_train).reshape((1000, -1))

y_train = np.array(y_train).reshape((-1, 1))

print(X_train.shape)

print(y_train)

def get_biases(shape):

‘’’

函数的偏置定义。tf.get_variable(name,shape，dtype，initializer)

参数

1.name:“biases”

2.shape：[size]，即[输出维度]

3.dtype:tf.float32

4.initializer：初始化方式initial，我们选择常量初始化

语法：tf.constant_initializer(value)

参数：

1）value:常数。0.1

:param shape: 偏置输出维度

:return: 偏置变量

‘’’

TODO：1.使用tf.constant_initializer(0.1)函数定义初始化方式

initial = tf.constant_initializer(0.1)

TODO：2.使用tf.get_variable函数定义偏置变量

biases = tf.get_variable(“biases”,

shape=shape,

dtype=tf.float32,

initializer=initial)

return biases

def get_weights(shape):

‘’’

定义参数，卷积核/权值

语法：tf.get_variable(name,shape，dtype，initializer)

参数：

1.name:“weights”

2.shape：根据不同的变量，输入不同的shape

3.dtype:tf.float32

4.initializer：初始化方式initial，我们选择初始化方式为截断的正太分布

语法：tf.truncated_normal_initializer(stddev,dtype)

参数：

1）stedev:要生成的随机值的标准偏差。可设置stedev=0.005

2. dtype：数据类型。只支持浮点类型 可设置dtype=tf.float32。

:param shape:参数shape

:return: 变量参数

‘’’

TODO：1.使用tf.truncated_normal_initializer定义变量的初始化方式

initial = tf.truncated_normal_initializer(stddev=0.005, dtype=tf.float32)

TODO：2.使用tf.get_variable函数定义变量,

weights = tf.get_variable(“weights”,

shape=shape,

dtype=tf.float32,

initializer=initial)

return weights

一层全连接

def add_fc_layer(inputs, insize, outsize, activation_function=None):

‘’’

添加全连接层

1.定义权值weights

2.定义偏置bias

3.完成全连接操作：inputs*weights+bias

4.如果没有激活函数，返回softmax结果

如果有激活函数则，返回activation_function结果

:param inputs: 输入图像

:param insize: 输入维度

:param outsize: 输出维度

:param activation_function: 激活函数

:return: 计算结果

‘’’

TODO：1.调用get_weights()获取权值

weights = get_weights([insize, outsize])

TODO：2.调用get_biases()获取偏置

bias = get_biases([outsize])

TODO：3.使用tf.matmul完成inputs和weights乘法运算;使用+完成与bias的加法运算

wx_plus_b = tf.matmul(inputs, weights) + bias

TODO：4.如果激活函数None，返回tf.nn.softmax结果，否则返回activation_function结果

if activation_function == None:

outputs = tf.nn.softmax(wx_plus_b)

else:

outputs = activation_function(wx_plus_b)

return outputs

全部模型

def inference(inputs):

TODO：1.调用add_fc_layer完成全连接操作1

自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Python开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注：Python）

_convert/9f49b566129f47b8a67243c1008edf79.png)

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注：Python）