深度学习2.0-23.Keras高层接口之CIFAR10自定义网络实战

最新推荐文章于 2022-08-02 22:01:21 发布
最新推荐文章于 2022-08-02 22:01:21 发布
阅读量182 收藏
点赞数
文章标签： 深度学习 tensorflow 神经网络
本BLOG上原创文章未经本人许可，不得用于商业用途，转载请注明出处。
本文链接：https://blog.csdn.net/weixin_46649052/article/details/109004933
版权

文章目录

CIFAR10自定义网络实战

在这里插入图片描述
在这里插入图片描述

import os

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import datasets, layers, optimizers, Sequential, metrics

# 数据预处理
def preprocess(x,y):
    # [-1,1]
    x = 2 * tf.cast(x,dtype=tf.float32) / 255. - 1
    y = tf.cast(y,dtype=tf.int32)
    return x,y

batchsz = 128
# 数据集的加载
# x[b,32,32,3]  y[b,1]
(x,y),(x_val,y_val) = datasets.cifar10.load_data()

# 消去[b,1]的1这个维度
y = tf.squeeze(y)
y_val = tf.squeeze(y_val)

y = tf.one_hot(y,depth=10)
y_val = tf.one_hot(y_val,depth=10)
print('datasets:',x.shape,y.shape,x.min(),x.max())
# datasets: (50000, 32, 32, 3) (50000, 10) 0 255

# 构建两个数据集
train_db = tf.data.Dataset.from_tensor_slices((x,y))
train_db = train_db.map(preprocess).shuffle(10000).batch(batchsz)
test_db = tf.data.Dataset.from_tensor_slices((x_val,y_val))
test_db = test_db.map(preprocess).batch(batchsz)

sample = next(iter(train_db))
print('batch:',sample[0].shape,sample[1].shape)

# 创建自己的层
# replace standard layers.Dense
class MyDense(layers.Layer):
    def __init__(self,inp_dim,outp_dim):
        super(MyDense,self).__init__()

        self.kernel = self.add_variable('w',[inp_dim,outp_dim])
        # self.bias = self.add_variable('b',[outp_dim])

    # 构建前向传播
    def call(self,input,training = None):
        x = input @ self.kernel
        return x

# 构建自定义网络(5层)
class MyNetwork(keras.Model):
    def __init__(self):
        super(MyNetwork,self).__init__()

        # 优化-使参数变大-但容易造成过拟合
        self.fc1 = MyDense(32*32*3,256)
        self.fc2 = MyDense(256,128)
        self.fc3 = MyDense(128,64)
        self.fc4 = MyDense(64,32)
        self.fc5 = MyDense(32,10)

    def call(self,inputs,training=None):
        """

        :param inputs: [b,32,32,3]
        :param training:
        :return:
        """
        # 打平操作
        x = tf.reshape(inputs,[-1,32*32*3])
        x = self.fc1(x)
        x = tf.nn.relu(x)
        x = self.fc2(x)
        x = tf.nn.relu(x)
        x = self.fc3(x)
        x = tf.nn.relu(x)
        x = self.fc4(x)
        x = tf.nn.relu(x)
        # x[b,32]->[b,10]
        x = self.fc5(x)
        return x

network = MyNetwork()
network.compile(optimizer = optimizers.Adam(lr = 1e-3),
                loss = tf.losses.CategoricalCrossentropy(from_logits=True),
                metrics = ['accuracy'])

network.fit(train_db,epochs=15,validation_data = test_db,validation_freq=1)

# 保存模型权值
network.evaluate(test_db)
network.save_weights('ckpt/weights.ckpt')
del network
print('saved to ckpt/weights.ckpt')

network = MyNetwork()
network.compile(optimizer = optimizers.Adam(lr = 1e-3),
                loss = tf.losses.CategoricalCrossentropy(from_logits=True),
                metrics = ['accuracy'])

# 加载模型权值
network.load_weights('ckpt/weights.ckpt')
print('load weights from file')
network.evaluate(test_db)

Epoch 14/15
  1/391 [..............................] - ETA: 2:59 - loss: 0.6248 - accuracy: 0.8047
  8/391 [..............................] - ETA: 24s - loss: 0.6025 - accuracy: 0.7744 
 14/391 [>.............................] - ETA: 15s - loss: 0.5613 - accuracy: 0.7952
 20/391 [>.............................] - ETA: 11s - loss: 0.5669 - accuracy: 0.7969
 26/391 [>.............................] - ETA: 9s - loss: 0.5580 - accuracy: 0.8029 
 32/391 [=>............................] - ETA: 8s - loss: 0.5757 - accuracy: 0.7932
 38/391 [=>............................] - ETA: 7s - loss: 0.5719 - accuracy: 0.7926
 44/391 [==>...........................] - ETA: 6s - loss: 0.5721 - accuracy: 0.7933
 50/391 [==>...........................] - ETA: 5s - loss: 0.5669 - accuracy: 0.7962
 56/391 [===>..........................] - ETA: 5s - loss: 0.5710 - accuracy: 0.7939
 62/391 [===>..........................] - ETA: 5s - loss: 0.5740 - accuracy: 0.7941
 68/391 [====>.........................] - ETA: 4s - loss: 0.5731 - accuracy: 0.7945
 75/391 [====>.........................] - ETA: 4s - loss: 0.5753 - accuracy: 0.7922
 81/391 [=====>........................] - ETA: 4s - loss: 0.5745 - accuracy: 0.7936
 88/391 [=====>........................] - ETA: 4s - loss: 0.5727 - accuracy: 0.7936
 94/391 [======>.......................] - ETA: 3s - loss: 0.5742 - accuracy: 0.7927
101/391 [======>.......................] - ETA: 3s - loss: 0.5736 - accuracy: 0.7932
107/391 [=======>......................] - ETA: 3s - loss: 0.5724 - accuracy: 0.7934
114/391 [=======>......................] - ETA: 3s - loss: 0.5749 - accuracy: 0.7926
120/391 [========>.....................] - ETA: 3s - loss: 0.5757 - accuracy: 0.7934
126/391 [========>.....................] - ETA: 3s - loss: 0.5722 - accuracy: 0.7951
133/391 [=========>....................] - ETA: 3s - loss: 0.5721 - accuracy: 0.7955
139/391 [=========>....................] - ETA: 2s - loss: 0.5717 - accuracy: 0.7955
146/391 [==========>...................] - ETA: 2s - loss: 0.5715 - accuracy: 0.7954
152/391 [==========>...................] - ETA: 2s - loss: 0.5694 - accuracy: 0.7959
159/391 [===========>..................] - ETA: 2s - loss: 0.5688 - accuracy: 0.7957
166/391 [===========>..................] - ETA: 2s - loss: 0.5699 - accuracy: 0.7948
173/391 [============>.................] - ETA: 2s - loss: 0.5699 - accuracy: 0.7953
180/391 [============>.................] - ETA: 2s - loss: 0.5691 - accuracy: 0.7954
187/391 [=============>................] - ETA: 2s - loss: 0.5686 - accuracy: 0.7957
193/391 [=============>................] - ETA: 2s - loss: 0.5687 - accuracy: 0.7956
200/391 [==============>...............] - ETA: 2s - loss: 0.5694 - accuracy: 0.7952
207/391 [==============>...............] - ETA: 1s - loss: 0.5688 - accuracy: 0.7954
214/391 [===============>..............] - ETA: 1s - loss: 0.5673 - accuracy: 0.7951
221/391 [===============>..............] - ETA: 1s - loss: 0.5672 - accuracy: 0.7953
228/391 [================>.............] - ETA: 1s - loss: 0.5661 - accuracy: 0.7958
234/391 [================>.............] - ETA: 1s - loss: 0.5651 - accuracy: 0.7959
240/391 [=================>............] - ETA: 1s - loss: 0.5638 - accuracy: 0.7964
247/391 [=================>............] - ETA: 1s - loss: 0.5638 - accuracy: 0.7962
254/391 [==================>...........] - ETA: 1s - loss: 0.5627 - accuracy: 0.7971
261/391 [===================>..........] - ETA: 1s - loss: 0.5635 - accuracy: 0.7968
268/391 [===================>..........] - ETA: 1s - loss: 0.5642 - accuracy: 0.7966
275/391 [====================>.........] - ETA: 1s - loss: 0.5638 - accuracy: 0.7969
282/391 [====================>.........] - ETA: 1s - loss: 0.5633 - accuracy: 0.7972
289/391 [=====================>........] - ETA: 1s - loss: 0.5626 - accuracy: 0.7973
296/391 [=====================>........] - ETA: 0s - loss: 0.5625 - accuracy: 0.7973
302/391 [======================>.......] - ETA: 0s - loss: 0.5629 - accuracy: 0.7968
309/391 [======================>.......] - ETA: 0s - loss: 0.5641 - accuracy: 0.7967
318/391 [=======================>......] - ETA: 0s - loss: 0.5652 - accuracy: 0.7964
332/391 [========================>.....] - ETA: 0s - loss: 0.5661 - accuracy: 0.7960
347/391 [=========================>....] - ETA: 0s - loss: 0.5674 - accuracy: 0.7959
362/391 [==========================>...] - ETA: 0s - loss: 0.5676 - accuracy: 0.7957
376/391 [===========================>..] - ETA: 0s - loss: 0.5684 - accuracy: 0.7957
389/391 [============================>.] - ETA: 0s - loss: 0.5698 - accuracy: 0.7956
391/391 [==============================] - 4s 10ms/step - loss: 0.5697 - accuracy: 0.7956 - val_loss: 1.9200 - val_accuracy: 0.5195
Epoch 15/15
  1/391 [..............................] - ETA: 2:55 - loss: 0.6455 - accuracy: 0.7812
  8/391 [..............................] - ETA: 24s - loss: 0.5190 - accuracy: 0.8135 
 15/391 [>.............................] - ETA: 14s - loss: 0.5051 - accuracy: 0.8161
 22/391 [>.............................] - ETA: 10s - loss: 0.4930 - accuracy: 0.8224
 29/391 [=>............................] - ETA: 8s - loss: 0.4935 - accuracy: 0.8217 
 36/391 [=>............................] - ETA: 7s - loss: 0.4941 - accuracy: 0.8238
 43/391 [==>...........................] - ETA: 6s - loss: 0.4999 - accuracy: 0.8212
 50/391 [==>...........................] - ETA: 5s - loss: 0.5044 - accuracy: 0.8181
 57/391 [===>..........................] - ETA: 5s - loss: 0.5097 - accuracy: 0.8177
 64/391 [===>..........................] - ETA: 4s - loss: 0.5112 - accuracy: 0.8174
 71/391 [====>.........................] - ETA: 4s - loss: 0.5097 - accuracy: 0.8168
 78/391 [====>.........................] - ETA: 4s - loss: 0.5115 - accuracy: 0.8172
 85/391 [=====>........................] - ETA: 4s - loss: 0.5161 - accuracy: 0.8148
 92/391 [======>.......................] - ETA: 3s - loss: 0.5176 - accuracy: 0.8145
 99/391 [======>.......................] - ETA: 3s - loss: 0.5187 - accuracy: 0.8149
106/391 [=======>......................] - ETA: 3s - loss: 0.5168 - accuracy: 0.8155
113/391 [=======>......................] - ETA: 3s - loss: 0.5177 - accuracy: 0.8148
119/391 [========>.....................] - ETA: 3s - loss: 0.5190 - accuracy: 0.8147
125/391 [========>.....................] - ETA: 3s - loss: 0.5164 - accuracy: 0.8159
132/391 [=========>....................] - ETA: 2s - loss: 0.5162 - accuracy: 0.8159
139/391 [=========>....................] - ETA: 2s - loss: 0.5149 - accuracy: 0.8156
146/391 [==========>...................] - ETA: 2s - loss: 0.5149 - accuracy: 0.8157
153/391 [==========>...................] - ETA: 2s - loss: 0.5139 - accuracy: 0.8161
159/391 [===========>..................] - ETA: 2s - loss: 0.5161 - accuracy: 0.8150
165/391 [===========>..................] - ETA: 2s - loss: 0.5156 - accuracy: 0.8154
171/391 [============>.................] - ETA: 2s - loss: 0.5135 - accuracy: 0.8162
177/391 [============>.................] - ETA: 2s - loss: 0.5148 - accuracy: 0.8158
183/391 [=============>................] - ETA: 2s - loss: 0.5155 - accuracy: 0.8155
189/391 [=============>................] - ETA: 2s - loss: 0.5171 - accuracy: 0.8147
195/391 [=============>................] - ETA: 2s - loss: 0.5189 - accuracy: 0.8140
201/391 [==============>...............] - ETA: 1s - loss: 0.5175 - accuracy: 0.8144
208/391 [==============>...............] - ETA: 1s - loss: 0.5165 - accuracy: 0.8144
214/391 [===============>..............] - ETA: 1s - loss: 0.5185 - accuracy: 0.8137
221/391 [===============>..............] - ETA: 1s - loss: 0.5182 - accuracy: 0.8140
228/391 [================>.............] - ETA: 1s - loss: 0.5175 - accuracy: 0.8143
234/391 [================>.............] - ETA: 1s - loss: 0.5170 - accuracy: 0.8144
240/391 [=================>............] - ETA: 1s - loss: 0.5161 - accuracy: 0.8150
246/391 [=================>............] - ETA: 1s - loss: 0.5168 - accuracy: 0.8142
253/391 [==================>...........] - ETA: 1s - loss: 0.5165 - accuracy: 0.8140
259/391 [==================>...........] - ETA: 1s - loss: 0.5169 - accuracy: 0.8136
265/391 [===================>..........] - ETA: 1s - loss: 0.5164 - accuracy: 0.8138
271/391 [===================>..........] - ETA: 1s - loss: 0.5161 - accuracy: 0.8139
278/391 [====================>.........] - ETA: 1s - loss: 0.5155 - accuracy: 0.8142
284/391 [====================>.........] - ETA: 1s - loss: 0.5156 - accuracy: 0.8140
291/391 [=====================>........] - ETA: 0s - loss: 0.5143 - accuracy: 0.8148
298/391 [=====================>........] - ETA: 0s - loss: 0.5146 - accuracy: 0.8146
305/391 [======================>.......] - ETA: 0s - loss: 0.5148 - accuracy: 0.8146
312/391 [======================>.......] - ETA: 0s - loss: 0.5151 - accuracy: 0.8144
325/391 [=======================>......] - ETA: 0s - loss: 0.5148 - accuracy: 0.8142
339/391 [=========================>....] - ETA: 0s - loss: 0.5161 - accuracy: 0.8137
354/391 [==========================>...] - ETA: 0s - loss: 0.5169 - accuracy: 0.8136
369/391 [===========================>..] - ETA: 0s - loss: 0.5193 - accuracy: 0.8127
383/391 [============================>.] - ETA: 0s - loss: 0.5197 - accuracy: 0.8126
391/391 [==============================] - 4s 10ms/step - loss: 0.5200 - accuracy: 0.8126 - val_loss: 2.0124 - val_accuracy: 0.5189
 1/79 [..............................] - ETA: 0s - loss: 1.6155 - accuracy: 0.5625
10/79 [==>...........................] - ETA: 0s - loss: 1.8749 - accuracy: 0.5273
19/79 [======>.......................] - ETA: 0s - loss: 1.9776 - accuracy: 0.5169
27/79 [=========>....................] - ETA: 0s - loss: 1.9817 - accuracy: 0.5194
36/79 [============>.................] - ETA: 0s - loss: 1.9576 - accuracy: 0.5252
45/79 [================>.............] - ETA: 0s - loss: 1.9520 - accuracy: 0.5274
54/79 [===================>..........] - ETA: 0s - loss: 1.9581 - accuracy: 0.5268
63/79 [======================>.......] - ETA: 0s - loss: 1.9572 - accuracy: 0.5255
72/79 [==========================>...] - ETA: 0s - loss: 1.9786 - accuracy: 0.5215
79/79 [==============================] - 0s 6ms/step - loss: 2.0124 - accuracy: 0.5189
saved to ckpt/weights.ckpt
load weights from file
 1/79 [..............................] - ETA: 5s - loss: 1.6155 - accuracy: 0.5625
10/79 [==>...........................] - ETA: 0s - loss: 1.8749 - accuracy: 0.5273
19/79 [======>.......................] - ETA: 0s - loss: 1.9776 - accuracy: 0.5169
28/79 [=========>....................] - ETA: 0s - loss: 1.9824 - accuracy: 0.5176
37/79 [=============>................] - ETA: 0s - loss: 1.9426 - accuracy: 0.5283
46/79 [================>.............] - ETA: 0s - loss: 1.9576 - accuracy: 0.5275
55/79 [===================>..........] - ETA: 0s - loss: 1.9660 - accuracy: 0.5259
64/79 [=======================>......] - ETA: 0s - loss: 1.9604 - accuracy: 0.5242
73/79 [==========================>...] - ETA: 0s - loss: 1.9814 - accuracy: 0.5205
79/79 [==============================] - 1s 7ms/step - loss: 2.0124 - accuracy: 0.5189

在不使用卷积神经网络的情况下，效果也就这样

哎呦-_-不错
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Tensorflow学习九---过拟合欠拟合
weixin_45156079的博客
06-24 307
Tensorflow学习九—过拟合欠拟合 欠拟合 当我们使用的模型复杂度远远低于你真实数据的复杂程度，这时我们叫做欠拟合(under fitting)。出现的情况及时Acc上升一定程度之后不再上升，Loss下降到一定程度之后不再下降。在train和test的时候都会表现的很差。解决方法就是增加模型的复杂度 过拟合 使用的模型的复杂度远远大于真实数据的复杂程度。由下图我们可以看出过分的把噪声包含进来了，逼近与每一个点。 over-fitting出现的时候，会发现在train的时候表现的特别好而test的时
第五章：Tensorflow 2.0 利用十三层卷积神经网络实现cifar 100训练（理论+实战）
变强啊！三少奶奶
08-22 6737
前言：本章会涉及到许多与卷积神经网络相关的核心知识点，属于对卷积神经网络知识点的一些梳理和总结，所以，需要有一些基础的小伙伴才能很好的理解，刚刚入门的小伙伴，少奶奶建议先阅读其他大牛的博文，然后再来看本篇文章的理论和实战部分。若能从第一章开始看起，那你将获得一个比较系统的学习流程。下面开始正文部分。 卷积神经网络相关知识点 卷积 对图像做卷积运算其实是一个滤波的过程 ...
深度学习-CAFFE利用CIFAR10网络模型训练自己的图像数据获得模型-1.制作自己的数据集
liuweizj12的博客
03-22 3186
A,准备自己的数据 图像数据从徐其华的博客,(http://www.cnblogs.com/denny402/p/5083300.html).网盘下载：http://pan.baidu.com/s/1nuqlTnN。 这是一个小型的图片数据库,这个图片数据库有500张图片;训练样本400张,测试样本100张;分为5类:bus,dinosaur,elephant,rose,horse(大巴,恐龙
Tensorflow深度学习之二十一：LeNet的实现（CIFAR-10数据集）
DaVinciL的博客
12-13 9395
一、LeNet的简介 LeNet是一个用来识别手写数字的最经典的卷积神经网络，是Yann LeCun在1998年设计并提出的。Lenet的网络结构规模较小，但包含了卷积层、池化层、全连接层，他们都构成了现代CNN的基本组件。LeNet包含输入层在内共有八层，每一层都包含多个权重。C层代表卷积层，通过卷积操作，可以使原信号特征增强，并降低噪音。S层是一个池化层，利用图像局部相关性的原理，对图像进行子
Keras应用搭建好的模型三可视化loss和acc曲线
qq_35925375的博客
03-24 1801
其实，在我们进行六步法中的model.fit()时，loss和acc就已经自动保存了，那么只要使用history就可以将其复现，代码如下： #loss是训练集loss，val_loss是测试集loss #sparse_categorical_accuracy是训练集sparse_categorical_accuracy，val_sparse_categorical_accuracy是测试集sparse_categorical_accuracy acc = history.history['sparse_ca
cifar10-keras.rar
11-29
Keras则是一个高级神经网络API，用Python编写，运行在TensorFlow、Microsoft Cognitive Toolkit(CNTK)或Theano之上，旨在简化深度学习模型的构建。 描述中提到的“图像预处理”是深度学习图像分类任务的重要步骤。...
唐-深度学习-神经网络-Keras项目实战
最新发布
07-01
唐-深度学习 神经网络 Keras项目实战 课件.pdf 9.5MB 神经网络 AI资料包 064073基于CycleGan开源项目实战图像合成 059063对抗生成网络架构原理与实战解析 028034图像识别核心模块实战解读 016027卷积神经...
.keras\datasets\cifar-10-batches-py的meta文件
03-09
.keras\datasets\cifar-10-batches-py的meta文件
cifar-100-python.tar.gz
01-06
同时，为了方便数据预处理和模型训练，可以利用`numpy`库将图像数据转换为数组格式，并且使用`tensorflow`、`keras`或`pytorch`这样的深度学习框架进行模型构建和训练。 在进行深度学习模型训练时，通常会进行以下...
cifar-100-python.zip
03-27
Python因其丰富的科学计算库（如NumPy、Pandas、TensorFlow、Keras等）而在机器学习领域中广泛应用，因此CIFAR-100的Python实现可以帮助研究人员和开发者更方便地进行实验。 描述中的“cifar-100-python cifar-100-...
Tensorflow Keras 数据源（ cifar10 ，cifar100，fashion_mnist）
08-02
Tensorflow Keras cifar10 ，cifar100，fashion_mnist 数据文件。存放位置C:\Users\XXXX\.keras\datasets
Tensorflow+CIFAR-10实例讲解
binglel的博客
05-17 1418
本人使用的环境是：TensorFlow1.1.0+python3.6+GPU CIFAR-10：由60000张32*32的RGB彩色图片构成，共10个分类。50000张训练，10000张测试（交叉验证） 模型：CNN 载入常用库，并载入TensorFlow Models中自动下载、读取CIFAR-10数据的类 import cifar10,cifar10_input import ten...
Tensorflow学习笔记：CNN篇（3）——CIFAR-10数据集的CNN实现
Laurenitum0716的博客
02-11 3553
Tensorflow学习笔记：CNN篇（3）——CIFAR-10数据集的CNN实现 前序 —在前面的介绍中，使用卷积神经网络对MNIST数据集做了应用，然而MNIST数据集仅限于对手写数字的识别，而且手写数字相对于自然物体和图片非常简单，也缺少相应的噪声和变换。 —本文将使用CNN对CIFAR-10数据集进行验证，同时会比较不同参数作用下卷积神经网络对准确率产生的影响。 C...
TensorFlow深度学习进阶教程：TensorFlow实现CIFAR-10数据集测试的卷积神经网络
Zhenguo_Yan的博客
10-11 1569
TensorFlow深度学习进阶教程：TensorFlow实现CIFAR-10数据集测试的卷积神经网络       TensorFlow是一个非常强大的用来做大规模数值计算的库。其所擅长的任务之一就是实现以及训练深度神经网络。本教程使用的数据集是CIFAR-10，这是一个非常经典的数据集，包含60000张32×32的彩色图像，其中训练集50000张，测试集10000张。对CIFAR-10 数
Tensorflow2.0：使用Keras自定义网络实战
陶陶name
08-17 2471
tensorflow2.0建议使用tf.keras作为构建神经网络的高级API 背景介绍： 2012年 AlexNet 在 ImageNet 上显著的降低了分类错误率，深度神经网络进入迅速发展阶段。在2014年牛津大学机器人实验室尝试构建了更深的网络，文章中称为"VERY DEEP CONVOLUTIONAL NETWORKS"，如VGG16，有16层，虽然现在看起来稀疏平常，但与 AlexN...
TensorFlow实战之CIFAR自定义网络
qq_42593798的博客
04-14 226
CIFAR-10数据集由10个类的60000个32x32彩色图像组成，每个类有6000个图像，有50000个训练图像和10000个测试图像。 以下代码实现基于tensorflow对此数据集的训练和验证，采用的是自定义的网络，并把相应的参数（权重）保存起来 import tensorflow as tf from tensorflow import keras from tensorflow.keras import datasets, layers, optimizers, Sequential,
【深度学习】基于tensorflow的小型物体识别训练（数据集：CIFAR-10）
林夕07
08-02 2753
实现一个基于tensorflow模型的小型物体识别算法，仅百行代码，新手入门必选。
深度学习_08_2_模型加载与保存&CIFAR10自定义网络实战
小明2766的博客
04-03 492
08_2_模型加载与保存&CIFAR10自定义网络实战 模型保存与加载 Outline save/load weights 最干净、最轻量级，只保存参数，适用于自己有源代码的情况 save/load entire model 把所有的状态都保存起来 saved_model 模型的保存格式，和pytorch的ONNX对应，适用于交给工厂的生产环境时，直接部署，格式通用，python写的模型可以应用C++工作 1 save/load weights 例子：对于三层网络，只需要掌握[
【tensorflow】使用CNN模型对cifar10数据集进行简单分类
qq_37822060的博客
03-31 1269
一.创建名字为tensorflow的虚拟环境 conda create -n tensorflow python=3.7 我命名为tensorflow，python版本的3.7，numpy版本为1.16 （正常情况下下载的tensorflow是2.2以上的版本） 【注】安装1.14版本的tensorflow，csdn参考在此. 二.导入tensorflow库，并下载准备cifar数据 1.新建一个py文件 2.在py文件最前面加上Copyright #@title Licensed under the A
cifar10 = tf.keras.datasets.cifar10什么意思
05-28
这行代码是在 TensorFlow 中加载 CIFAR-10 数据集的方式之一。CIFAR-10 是一个经典的图像分类数据集，包含 60000 张 32x32 像素的彩色图片，分为 10 个类别，每个类别有 6000 张图片。这个数据集常用于测试计算机...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值