Python零零碎碎的学习笔记

最新推荐文章于 2024-04-18 11:17:34 发布

wangdan113269

最新推荐文章于 2024-04-18 11:17:34 发布

阅读量219

点赞数

本文链接：https://blog.csdn.net/wangdan113269/article/details/81914890

版权

sys.argv 是一个列表，存储的是程序调用的参数，sys.argv[0]是程序本身的名字

比如保存一个hello.py的文件

文件内容为

在命令行中运行 python hello.py 1 2

输出结果为

===================================================================================

在tensorflow的例程中有一句

FLAGS = tf.app.flags.FLAGS; FLAG变量与tf.app.flags.DEFINE_string()函数。总结起来的话，tf.app.flags.DEFINE_string()函数就是添加命令行的optional argument（可选参数），而tf.app.flags.FLAGS可以从对应的命令行参数取出参数。与argparse相似

https://blog.csdn.net/m0_37041325/article/details/77448971

=================================================================================

TensorBoard

==================================================================================

tf.summary

https://www.2cto.com/kf/201805/746214.html

=================================================================================

在tensorflow中经常在代码最后出现

if name == "main":

tf.app.run()
tf.app.run() 是做什么用的？

答：在代码中定义了

def main(argv=None):

……

tf.app.run()的作用是让代码从main函数开始运行

=====================================================================================

tf.matmul()函数

矩阵相乘。比如 a的shape是[2,3]，b的shape是[3,2]，相乘c=tf.matmul(a,b), c的shape是[2,2]

与np.matmul类似。如果是元素点乘，则用* 或者np.multiply

======================================================================================

tensorflow中为什么要创建会话 session？

举个例子

直接打出c，并没有给出c的具体数据

只有创建session会话并运行

才会输出c

那么tf.Session()和tf.InteractiveSession()的区别是什么呢？

sess=tf.InteractiveSession()默认该sess就是当前运行的会话，在使用run()和eval()函数的时候不需要指明运行哪个会话。

比如

import tensorflow as tf
import numpy as np

a=tf.constant([[1., 2., 3.],[4., 5., 6.]])
b=np.float32(np.random.randn(3,2))
c=tf.matmul(a,b)
init=tf.global_variables_initializer()
sess=tf.Session()
print (c.eval())

这段程序就会报错，因为c没有指明是用哪个session，但是如果把sess=tf.Session()改成sess=tf.InteractiveSession()就不会报错。

https://www.cnblogs.com/cvtoEyes/p/9035047.html

=============================================================================

变量初始化

# Build an initialization operation to run below.
init = tf.initialize_all_variables()

# Start running operations on the Graph.
sess = tf.Session(config=tf.ConfigProto(log_device_placement=False))
sess.run(init)

这一段是变量的初始化，变量的初始化必须找模型的其他操作之前，而且必须显示的运行。最简单的方式是添加一个节点用于初始化所有的变量，然后在使用模型之前运行这个节点。使用tf.initialize_all_variables()（以后更名为tf.global_variables_initializer()）添加节点用于初始化所有的变量。在构建完整个模型并在会话中加载模型后，运行这个节点。

模型保存和加载

saver = tf.train.Saver(tf.all_variables()) #创建一个saver用于保存和读取model。它的构造器将在计算图上添加save和restore节点，针对图上所有或者指定的变量。saver对象提供了运行这些节点的方法，只要指定用于读写的checkpoint的文件。

# 创建一些变量
v1 = tf.Variable(..., name="v1")
v2 = tf.Variable(..., name="v2")
...
# 添加用于初始化变量的节点
init_op = tf.global_variables_initializer()

# 添加用于保存和加载所有变量的节点
saver = tf.train.Saver()

# 然后，加载模型，初始化所有变量，完成一些操作后，把变量保存到磁盘上
with tf.Session() as sess:
  sess.run(init_op)
  # 进行一些操作
  ..
  # 将变量保存到磁盘上
  save_path = saver.save(sess, "/tmp/model.ckpt")
  print("Model saved in file: %s" % save_path)

一个快速找到ckpt文件的方法：

ckpt=tf.train.get_checkpoint_state(ckpt_dir)

if ckpt and ckpt.model_checkpoint_path:

saver.restore(sess, ckpt.model_checkpoint_path)

参考资料：https://blog.csdn.net/u012436149/article/details/56665612

===================================================================================

labels = tf.cast(labels, tf.int64)

#tf.cast函数将label转换为tf.int64格式

tf.argmax(vector,1)

返回的是vector中的最大值的索引号，如果vector是一个向量，那就返回一个值，如果是一个矩阵，那就返回一个向量，这个向量的每一个维度都是相对应矩阵行的最大值元素的索引号

tf.equal(vector1, vector2)

按元素判断两个vector是否相等，相等为True，不等为False