weixin_74085818的博客

VGG优缺点分析：VGG优点VGG的结构非常简洁，整个网络都使用了同样大小的卷积核尺寸（3x3）和最大池化尺寸（2x2）。VGG缺点1)训练时间过长，调参难度大。2)需要的存储容量大，不利于部署。例如存储VGG-16权重值文件的大小为500多MB，不利于安装到嵌入式系统中。后面优化也是基于VGG的缺点来进行。

VGG16模型本次实验VGG16模型修改冻结前13层卷积，只修改全连接在全连接层前添加BN层、全局平均池化层，起到降维作用，因为VGG16的计算量很大全连接层中添加Dropout层修改后代码：# 导入官方VGG16模型# 冻结卷积权重# 获取卷积层输出# 添加BN层# 添加平均池化，降低计算量# 添加全连接层和Dropout# 创建模型结果最好结果，个人感觉想要继续提升精度，最简单方法，是结合ResNet网络, 这个后面我再试一下.# 定义输入张量。

在 min 模式中， 当被监测的数据停止下降，训练就会停止；在 max 模式中，当被监测的数据停止上升，训练就会停止；在 auto 模式中，方向会自动从被监测的数据的名字中判断出来。学习率衰减是一种常用的技巧，可以帮助优化算法更有效地收敛到全局最小值，从而提高模型的性能。文件加中数据，分为训练集和测试集两个文件，每一个文件都有不同类别文件夹，文件夹以不同鞋为分类，即不同文件夹就是不同类别。: 在被监测的数据中被认为是提升的最小变化， 例如，小于 min_delta 的绝对变化会被认为没有提升。

这个损失函数计算的是稀疏分类交叉熵损失，适用于标签为整数的情况（而不是 one-hot 编码）。这个损失函数计算的是二元交叉熵损失，它是衡量模型预测的概率分布与真实标签之间的差异的一种方式。是一种常用的损失函数，特别适用于多分类任务。就可以了:happy::happy::happy::happy:。😢😢😢😢，最后才发现激活函数用错了，激活函数换成处理多分类。，但是验证集没有，所以总的来说没有什么太大的变化，激活函数，但是，但是🔲，我没有改，输出层依然是。，作为激活函数，但是没有在修改输出层，

tensorflow如何检查是否GPU、图像数据加载与划分、拿取动态加载的数据、内存优化、神经网络构建、模型超参数设计、模型训练？？？？？

tensorflow如何定义张量、定义网络结构、超参数设置、模型训练呢？？？？