TensorFlow 2
TensorFlow 2.0学习笔记
Jacob Jiang
这个作者很懒,什么都没留下…
展开
-
TensorFlow2——tf.data读取输入数据(二)
文章目录1、NumPy数组2、Python生成器3、TFRecord数据4、text数据5、CSV数据 1、NumPy数组如果所有输入数据都在内存中,那么从它们创建数据集的最简单方法是将它们转换为 tf.Tensor 对象,并且使用 Dataset.from_tensor_slices()。train, test = tf.keras.datasets.fashion_mnist.load_data()images, labels = trainimages = images/255原创 2020-06-28 00:13:27 · 1790 阅读 · 2 评论 -
TensorFlow2——tf.data基础(一)
tf.datatf.data API 方便处理大量数据、从不同的数据格式读取数据以及执行复杂的数据转换。创建数据集有两种不同的方法:1)数据源从存储在内存或一个(多个)文件中的数据构造数据集(Dataset)。2)数据转换从一个或多个 tf.data.Dataset 对象构造数据集。从内存中的数据构造数据集,可以使用 tf.data.Dataset.from_tensors() 或 tf.data.Dataset.from_tensor_slices() 。如果输入数据以TFRecord格原创 2020-06-28 00:07:41 · 863 阅读 · 0 评论 -
TensorFlow2——生成随机数字
TensorFlow提供了一组伪随机数生成器(RNG):tf.random模块。TensorFlow提供了两种控制随机数生成过程的方法:通过明确使用 tf.random.Generator 对象。每个这样的对象都保持一个状态(在tf.Variable),该状态在每次生成数字后都会更改。通过纯函数无状态随机函数 tf.random.stateless_uniform。使用相同的参数(包括seed)在同一设备上调用这些函数将始终产生相同的结果。tf.random.Generator通过手动创建类的原创 2020-06-01 23:47:16 · 3760 阅读 · 0 评论 -
conda升级TensorFlow2.1到最新版本
TensorFlow2.1 升级到当前最新版本2.2终端输入下面的代码:conda update -n python37 tensorflow-gpu # 这里的pyhon37是虚拟环境名字原创 2020-06-01 22:55:00 · 4050 阅读 · 0 评论 -
TensorFlow2——张量Tensors
文章目录1、基础创建基本的张量张量转换为NumPy数组张量数学运算张量的操作(ops)形状(shapes)张量是具有统一类型(dtype)的多维数组。所有张量都是不可变的,不能更新张量的内容,只能创建一个新的张量。1、基础创建基本的张量1)“标量”或“秩—0”张量。没有axes# This will be an int32 tensor by default; see "dtypes" below.rank_0_tensor = tf.constant(4)print(rank_0_tenso原创 2020-05-29 17:17:46 · 1116 阅读 · 0 评论 -
TensorFlow2——tensor 转为 numpy
a = tf.constant([[1, 2], [3, 4]])print(a)# Obtain numpy value from a tensor:print(a.numpy())原创 2020-05-27 20:35:38 · 9247 阅读 · 0 评论 -
TensorFlow2——Variables
文章目录创建变量(使用 tf.Variable )给变量命名不同设备之间的使用(分布式)创建变量(使用 tf.Variable )import tensorflow as tfmy_tensor = tf.constant([[1.0, 2.0], [3.0, 4.0]])my_variable = tf.Variable(my_tensor)# Variables 也可以是其他类型的bool_variable = tf.Variable([False, False, False, True原创 2020-05-27 20:30:04 · 269 阅读 · 0 评论 -
keras VGG19手动下载并放入指定文件夹
可以使用如下代码下载 vgg19 模型vgg19 = tf.keras.applications.vgg19()vgg19下载:https://github.com/fchollet/deep-learning-models/releases/download/v0.1/vgg19_weights_tf_dim_ordering_tf_kernels.h5ubuntu中,Home页面打开隐藏文件夹(Ctrl + h),找到.keras/models文件目录,最后将下载好的模型放入 .keras/m原创 2020-05-27 17:03:43 · 2121 阅读 · 0 评论 -
TensorFlow2——Eager execution
文章目录计算梯度训练模型变量和优化器Summaries和TensorBoard参考资料 TensorFlow的即刻执行(Eager execution)是一个命令式的编程环境,它可以立即评估操作,而不必构建图:操作返回具体的值,而不是构建计算图以便以后运行。这使得开始使用TensorFlow和调试模型变得很容易,而且还减少了样板文件。即刻执行:直观的界面——自然地构造代码并使用Python数据结构。快速迭代小模型和小数据。简单的调试——直接调用操作来检查运行的模型和测试更改。使用标准的原创 2020-05-25 19:44:13 · 605 阅读 · 0 评论 -
TensorFlow 2——Failed to get convolution algorithm报错(Conv2D)解决
TensorFlow 2.0 GPU 使用卷积时出现下面的报错:tensorflow.python.framework.errors_impl.UnknownError: Failed to get convolution algorithm. This is probably because cuDNN failed to initialize, so try looking to see if a warning log message was printed above. [Op:Conv2D]解原创 2020-05-25 18:34:37 · 141 阅读 · 0 评论 -
TensorFlow2——Keras训练和评估
文章目录1 、使用内置的训练和评估循环API概述:第一个端到端示例指定loss、metrics和optimizerKeras API 中内置的optimizers、losses和metrics:自定义 losses自定义metricsfit()方法中的参数TensorFlow 2.0中一般有两种情况下的训练、评估和预测(推断)模型:当使用内置APIs进行训练和验证时(例如model.fit(), model.evaluate(), model.predict())。当使用紧急执行和GradientT原创 2020-05-25 15:53:56 · 1478 阅读 · 0 评论 -
TensorFlow2——Keras functional API
文章目录1、导入包2、Keras functional API 介绍3、使用相同的图层图定义多个模型4、所有模型都是可调用的5、操作复杂的图拓扑多输入多输出模型toy ResNet 模型6、共享层7、层图中节点的提取与重用8、使用自定义层扩展API9、何时使用函数式API10、参考资料 1、导入包import numpy as npimport tensorflow as tffrom tensorflow import kerasfrom tensorflow.keras impor原创 2020-05-22 16:17:30 · 519 阅读 · 0 评论 -
TensorFlow2——Keras概述
文章目录1、导入 tf.keras2、建立一个简单的模型Sequential modelConfigure the layers3、训练和评估设置训练使用NumPy数据训练使用tf.data数据集训练评估和预测4、建立复杂模型The Functional APIModel subclassingCustom layers5、Callbacks6、保存和恢复只保存权重值只保存模型配置保存完整的模型7、Eager execution8、分布式(GPUs)9、参考资料 1、导入 tf.kerast原创 2020-05-15 17:20:43 · 796 阅读 · 0 评论 -
TensorFlow 2——Keras 基础知识(保存和恢复模型)
文章目录保存和恢复模型1、选项2、配置导入Tensorflow包:获取MNIST数据集定义模型3、在训练期间保存模型(以 checkpoints 形式保存)Checkpoint 回调用法Checkpoint 回调选项4、手动保存权重5、保存整个模型6、参考资料保存和恢复模型模型可以在训练期间和训练完成后进行保存。这意味着模型可以从任意中断中恢复,并避免耗费比较长的时间在训练上。 1、选项保存 Tensorflow 的模型有许多方法——具体取决于您使用的 API。这里使用 tf.keras原创 2020-05-15 12:32:37 · 844 阅读 · 0 评论 -
TensorFlow 2——Keras 基础知识(过拟合和欠拟合)
文章目录过拟合和欠拟合1、配置2、加载 Higgs Dataset3、训练过程4、训练不同大小的模型Tiny modelSmall modelMedium modelLarge model绘制训练和验证损失图5、避免过拟合的方法加权正则化DropoutL2 + dropout6、总结7、参考资料过拟合和欠拟合模型对验证数据的准确性在经过多个阶段的训练后会达到峰值,然后会停滞或开始下降。换句话说,我们的模型会与训练数据过拟合(overfit)。学习如何处理过度拟合是很重要的。虽然通常可以在训练集上获得高精原创 2020-05-14 20:17:08 · 1167 阅读 · 0 评论 -
TensorFlow 2——Keras 基础知识(回归regression问题)
文章目录获取 Auto MPG 数据集拆分训练数据集和测试数据集数据检查从标签中分离特征数据规范化模型训练模型在 回归 (regression) 问题中,我们的目的是预测出如价格或概率这样连续值的输出。使用经典的 Auto MPG 数据集,构建了一个用来预测70年代末到80年代初汽车燃油效率的模型。为了做到这一点,我们将为该模型提供许多那个时期的汽车描述。这个描述包含:气缸数,排量,马力以及重量。使用 tf.keras APIimport pathlib # 使用 seaborn 绘制矩阵图 (p原创 2020-05-14 10:57:33 · 674 阅读 · 0 评论 -
TensorFlow 2——Keras 基础知识(Fashion MNIST图像分类)
文章目录基本图像分类1、使用TensorFlow中的 tf.keras(高级API) 来建立和训练模型。2、导入Fashion MNIST数据集3、数据集4、数据预处理5、建立模型6、训练模型7、完整代码8、参考资料基本图像分类使用神经网络模型对服装进行分类。1、使用TensorFlow中的 tf.keras(高级API) 来建立和训练模型。import tensorflow as tffrom tensorflow import kerasimport numpy as npimport m原创 2020-05-13 17:11:53 · 725 阅读 · 0 评论