tf_course1 基本概念与常见函数

已于 2022-08-28 16:43:29 修改
阅读量252 收藏
点赞数
分类专栏： Deep learning TensorFlow2.0 文章标签： tensorflow python numpy
于 2022-08-28 16:37:49 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/wenxingxingxing/article/details/126571259
版权

基本概念与常见函数

3、TensorFlow2.0 基本概念与常见函数

3.1 基本概念

TensorFlow 中的 Tensor 表示张量，是多维数组、多维列表，用阶表示张量的维数。

张量的阶数与方括号的数量相同， 0 个方括号即为 0 阶张量， 1 个方括号即为 1 阶张量。故张量可以表示0 阶到 n 阶的数组。

在这里插入图片描述

也可通过 reshape 的方式得到更高维度数组，举例如下：

TensorFlow 中数据类型包括

  • 32 位整型(tf.int32)

  • 32 位浮点(tf.float32)

  • 64 位浮点(tf.float64)

  • 布尔型(tf.bool)

    tf.constant([True, False])

  • 字符串型(tf.string)

    tf.constant(“Hello, World!”)

创建张量（Tensor）

创建张量有若干种不同的方法

1、 利用 tf.constant(张量内容， dtype=数据类型(可选))，第一个参数表示张量内容

import tensorflow as tf
a = tf.constant([1,5], dtype=tf.int64)
print(a)
print(a.shape)
print(a.dtype)

tf.Tensor([1 5], shape=(2,), dtype=int64)
(2,)
<dtype: 'int64'>

2、很多时候数据是由 numpy 格式给出的，此时可以通过如下函数将 numpy 格式化为 Tensor 格式： tf. convert_to_tensor(数据名， dtype=数据类型(可选))。举例如下：

import tensorflow as tf
import numpy as np
a = np.arange(0, 5)

b = tf.convert_to_tensor(a, dtype=tf.int64)
print(a)
print(b)

[0 1 2 3 4]
tf.Tensor([0 1 2 3 4], shape=(5,), dtype=int64)

3、可采用不同函数创建不同值的张量

  • tf. zeros(维度)创建全为 0 的张量，

  • tf.ones(维度)创建全为 1 的张量，

  • tf. fill(维度，指定值)创建全为指定值的张量。

其中维度参数部分，如一维则直接写个数，二维用[行，列]表示，多维用[n,m,j…]表示。举例如下：

a = tf.zeros([2,3])
b = tf.ones(4)
c = tf.fill([2,2],9)
print(a)
print(b)
print(c)

tf.Tensor(
[[0. 0. 0.]
 [0. 0. 0.]], shape=(2, 3), dtype=float32)
tf.Tensor([1. 1. 1. 1.], shape=(4,), dtype=float32)
tf.Tensor(
[[9 9]
 [9 9]], shape=(2, 2), dtype=int32)

4、可采用不同函数创建符合不同分布的张量

  • 用 **tf. random.normal (维度，mean=均值， stddev=标准差)**生成正态分布的随机数，默认均值为 0，标准差为 1；

  • 用 **tf. random.truncated_normal (维度， mean=均值， stddev=标准差)**生成截断式正态分布的随机数，能使生成的这些随机数更集中一些，如果随机生成数据的取值在(µ - 2σ， u + 2σ ) 之外则重新进行生成，保证了生成值在均值附近；

  • 利用 tf.random. uniform(维度， minval=最小值， maxval=最大值)，生成指定维度的均匀分布随机数，用 minval 给定随机数的最小值，用 maxval 给定随机数的最大值，最小、最大值是前闭后开区间。举例如下：

d = tf.random.normal([2,2], mean = 0.5, stddev = 1)
print(d)

e = tf.random.truncated_normal([3,2], mean=0.5, stddev = 1)
print(e)

f = tf.random.uniform([5,5], minval=0, maxval=1)
print(f)

tf.Tensor(
[[ 2.4428558   0.24182928]
 [-0.4662298  -0.5012703 ]], shape=(2, 2), dtype=float32)
tf.Tensor(
[[-0.00478995  1.1072372 ]
 [ 1.3252103   1.3386288 ]
 [ 1.186155   -0.5235541 ]], shape=(3, 2), dtype=float32)
tf.Tensor(
[[0.37859416 0.79167104 0.5249064  0.17303503 0.45326316]
 [0.55914986 0.3814777  0.66452813 0.4230677  0.84568036]
 [0.7067921  0.65832305 0.08928442 0.41606867 0.30019295]
 [0.29944313 0.9622747  0.8464525  0.02835035 0.02450287]
 [0.14704943 0.6580142  0.57666695 0.3417313  0.3674153 ]], shape=(5, 5), dtype=float32)

3.2 常用函数

1、利用 tf.cast (张量名， dtype=数据类型)强制将 Tensor 转换为该数据类型；

2、利用tf.reduce_min (张量名)计算张量维度上元素的最小值；

3、利用tf.reduce_max (张量名)计算张量维度上元素的最大值。

在这里插入图片描述

举例如下：

x1  = tf.constant([1., 2., 3.], dtype=tf.float64)
print(x1)

x2 = tf.cast(x1, dtype=tf.int32)
print(x2)

print(tf.reduce_min(x2), tf.reduce_max(x2))

tf.Tensor([1. 2. 3.], shape=(3,), dtype=float64)
tf.Tensor([1 2 3], shape=(3,), dtype=int32)
tf.Tensor(1, shape=(), dtype=int32) tf.Tensor(3, shape=(), dtype=int32)

4、可用 **tf.reduce_mean (张量名， axis=操作轴)**计算张量沿着指定维度的平均值；

5、可用 **f.reduce_sum (张量名， axis=操作轴)**计算张量沿着指定维度的和，如不指定 axis，则表示对所有元素进行操作。

由上图可知对于一个二维张量，如果 axis=0 表示纵向操作(沿经度方向) ， axis=1
表示横向操作(沿纬度方向)。

x=tf.constant( [ [ 1, 2,3],[2, 2, 3] ])
print(x)
print(tf.reduce_mean( x ))
print(tf.reduce_sum( x, axis=1))

tf.Tensor(
[[1 2 3]
 [2 2 3]], shape=(2, 3), dtype=int32)
tf.Tensor(2, shape=(), dtype=int32)
tf.Tensor([6 7], shape=(2,), dtype=int32)

6、可利用 **tf.Variable(initial_value,trainable,validate_shape,name)**函数可以将变量标记为“可训练”的，被标记的变量会在反向传播中记录自己的梯度信息。

其中

initial_value 默认为 None，可以搭配 tensorflow 随机生成函数来初始化参数； 

trainable 默认为 True，表示可以后期被算法优化的，如果不想该变量被优化，即改为 False；

validate_shape 默认为 True，形状不接受更改，如果需要更改， validate_shape=False； name 默认为 None，给变量确定名称。

# tf(初始值)
w = tf.Variable(tf.random.normal([2,2], mean=0, stddev=1))
print(w)

<tf.Variable 'Variable:0' shape=(2, 2) dtype=float32, numpy=
array([[-0.15267259, -0.9609654 ],
       [ 1.637339  , -0.17587253]], dtype=float32)>

表示首先随机
生成正态分布随机数，再给生成的随机数标记为可训练，这样在反向传播中就可
以通过梯度下降更新参数 w了

7、利用 TensorFlow 中函数对张量进行四则运算
在这里插入图片描述

在这里插入图片描述

a = tf.ones([1,3])
b = tf.fill([1,3],3.)
print(a)
print(b)

print(tf.add(a,b))
print(tf.subtract(a,b))
print(tf.multiply(a,b))
print(tf.divide(a,b))

tf.Tensor([[1. 1. 1.]], shape=(1, 3), dtype=float32)
tf.Tensor([[3. 3. 3.]], shape=(1, 3), dtype=float32)
tf.Tensor([[4. 4. 4.]], shape=(1, 3), dtype=float32)
tf.Tensor([[-2. -2. -2.]], shape=(1, 3), dtype=float32)
tf.Tensor([[3. 3. 3.]], shape=(1, 3), dtype=float32)
tf.Tensor([[0.33333334 0.33333334 0.33333334]], shape=(1, 3), dtype=float32)

8、利用 TensorFlow 中函数对张量进行幂次运算

在这里插入图片描述

a = tf.fill([1, 2], 3.)
print(a)
print(tf.pow(a, 3))
print(tf.square(a))
print(tf.sqrt(a))

tf.Tensor([[3. 3.]], shape=(1, 2), dtype=float32)
tf.Tensor([[27. 27.]], shape=(1, 2), dtype=float32)
tf.Tensor([[9. 9.]], shape=(1, 2), dtype=float32)
tf.Tensor([[1.7320508 1.7320508]], shape=(1, 2), dtype=float32)

9、可利用 tf.matmul(矩阵 1，矩阵 2)实现两个矩阵的相乘

a = tf.ones([3, 2])
b = tf.fill([2, 3], 3.)
print(tf.matmul(a, b))

tf.Tensor(
[[6. 6. 6.]
 [6. 6. 6.]
 [6. 6. 6.]], shape=(3, 3), dtype=float32)

10、可利用 tf.data.Dataset.from_tensor_slices((输入特征, 标签))切分传入张量的第一维度，生成输入特征/标签对，构建数据集

此函数对 Tensor 格式与 Numpy格式均适用，其切分的是第一维度，表征数据集中数据的数量，之后切分 batch等操作都以第一维为基础。

import tensorflow as tf
features = tf.constant([12,23,10,17])
labels = tf.constant([0, 1, 1, 0])
dataset = tf.data.Dataset.from_tensor_slices((features, labels))
# print(dataset)
for element in dataset:
    print(element)

(<tf.Tensor: shape=(), dtype=int32, numpy=12>, <tf.Tensor: shape=(), dtype=int32, numpy=0>)
(<tf.Tensor: shape=(), dtype=int32, numpy=23>, <tf.Tensor: shape=(), dtype=int32, numpy=1>)
(<tf.Tensor: shape=(), dtype=int32, numpy=10>, <tf.Tensor: shape=(), dtype=int32, numpy=1>)
(<tf.Tensor: shape=(), dtype=int32, numpy=17>, <tf.Tensor: shape=(), dtype=int32, numpy=0>)

11、可利用 ** tf.GradientTape( )函数** 搭配 with 结构计算损失函数在某一张量处
的梯度，举例如下：可利用 tf.GradientTape( )函数搭配 with 结构计算损失函数在某一张量处
的梯度，举例如下：

with tf.GradientTape() as tape:
    若干个计算过程
    grad = tape.gradient(函数， 对谁求导)

import tensorflow as tf
with tf.GradientTape() as tape:
    w = tf.Variable(tf.constant(3.0))# 初始值
    loss = tf.pow(w,2)# 方程式
grad = tape.gradient(loss,w)
print(grad)

tf.Tensor(6.0, shape=(), dtype=float32)

12、enumerate（seq）是Python的内建函数，作用是可遍历每个元素（如list, tuple, string）,输出组合为：索引，元素。常用在for循环中

举例如下：

seq = ['one', 'two', 'three']
for i, element in enumerate(seq):
    print(i, element)

0 one
1 two
2 three

13、可用 tf.one_hot(待转换数据， depth=几分类)函数实现用独热码表示标签，在分类问题中很常见。标记类别为为 1 和 0，其中 1 表示是， 0 表示非
在这里插入图片描述

tf.one_hot()函数将待转换数据，转换为one-hot形式数据输出。

tf.one_hot(待转换数据，depth=几分类)

classes = 4
labels = tf.constant([1, 0, 2])
output = tf.one_hot(labels, depth=classes)
print(output)

tf.Tensor(
[[0. 1. 0. 0.]
 [1. 0. 0. 0.]
 [0. 0. 1. 0.]], shape=(3, 4), dtype=float32)

索引从 0 开始，待转换数据中各元素值应小于 depth，若带转换元素值大于等于
depth，则该元素输出编码为 [0, 0 … 0, 0]。即 depth 确定列数，待转换元素的
个数确定行数

classes = 3
labels = tf.constant([1,4,2]) # 输入的元素值 4 超出 depth-1
output = tf.one_hot(labels,depth=classes)
print(output)

tf.Tensor(
[[0. 1. 0.]
 [0. 0. 0.]
 [0. 0. 1.]], shape=(3, 3), dtype=float32)

14、tf.nn.softmax()函数

使前向传播的输出值符合概率分布，进而与独热码形式的标签作比较

当n分类的n个输出（y0, y1, … yn-1）通过softmax()函数，便符合概率分布函数了
在这里插入图片描述

在这里插入图片描述

y = tf.constant([1.01, 2.01, -0.66])
y_pro =  tf.nn.softmax(y)
print("After softmax, y_pro is:", y_pro)

After softmax, y_pro is: tf.Tensor([0.25598174 0.69583046 0.04818781], shape=(3,), dtype=float32)

15、可利用 assign_sub 对参数实现自更新。使用此函数前需利用tf.Variable定义变量 w为可训练(可自更新)
在这里插入图片描述

w = tf.Variable(4)
w.assign_sub(1)# W -= 1即 W=W-1
print(w)

<tf.Variable 'Variable:0' shape=() dtype=int32, numpy=3>

16、可利用 tf.argmax (张量名,axis=操作轴)返回张量沿指定维度最大值的索引，维度定义与图 3.1 一致
在这里插入图片描述

import numpy as np
test = np.array([[1, 2, 3], [2, 3, 4], [5, 4, 3], [8, 7, 2]])
print(test)
print(tf.argmax(test, axis=0))# 返回每一列（经度）最大值的索引
print(tf.argmax(test, axis=1))

[[1 2 3]
 [2 3 4]
 [5 4 3]
 [8 7 2]]
tf.Tensor([3 3 1], shape=(3,), dtype=int64)
tf.Tensor([2 2 0 0], shape=(4,), dtype=int64)

4 程序实现鸢尾花数据集分类

4.1 数据集回顾

顾鸢尾花数据集，其提供了 150 组鸢尾花数据，每组包括鸢尾花的花萼
长、花萼宽、花瓣长、花瓣宽 4 个输入特征，同时还给出了这一组特征对应的
鸢尾花类别。类别包括狗尾鸢尾、杂色鸢尾、弗吉尼亚鸢尾三类， 分别用数字
0、 1、 2 表示。

from sklearn import datasets
x_data = datasets.load_iris().data # 返回 iris 数据集所有输入特征
y_data = datasets.load_iris().target # 返回 iris 数据集所有标签
# print(x_data)

4.2 程序实现

神经网络实现鸢尾花分类仅需要三步：

(1)准备数据， 包括数据集读入、 数据集乱序， 把训练集和测试集中的数据配
成输入特征和标签对， 生成 train 和 test 即永不相见的训练集和测试集；

(2)搭建网络， 定义神经网络中的所有可训练参数；

(3)优化这些可训练的参数， 利用嵌套循环在 with 结构中求得损失函数 loss
对每个可训练参数的偏导数，更改这些可训练参数， 为了查看效果， 程序中可以
加入每遍历一次数据集显示当前准确率， 还可以画出准确率 acc 和损失函数 loss
的变化曲线图。
在这里插入图片描述

(1) 数据集读入：
从sklearn包datasets读入数据集：

from sklearn import datasets
# 返回 iris 数据集所有输入特征
x_data = datasets.load_iris().data

# 返回 iris 数据集所有标签
y_data = datasets.load_iris().target

(2) 数据集乱序：

np.random.seed(116)# 使用相同的 seed，使输入特征/标签一一对应
np.random.shuffle(x_data)

np.random.seed(116)
np.random.shuffle(y_data)
tf.random.set_seed(116)

(3) 数据集分割成永不相见的训练集和测试集：

#按行取数据，训练组120组数据，测试组30组数据
x_train = x_data[:-30]
y_train = y_data[:-30]

x_test = x_data[-30:]
y_test = y_data[-30:]
# print(x_train)

(4) 配成[输入特征，标签]对，每次喂入一小撮(batch)：

train_db = tf.data.Dataset.from_tensor_slices((x_train, y_train)).batch(32)
test_db = tf.data.Dataset.from_tensor_slices((x_test, y_test)).batch(32)

<BatchDataset shapes: ((None, 4), (None,)), types: (tf.float64, tf.int32)>

上述四小部分代码实现了数据集读入、数据集乱序、将数据集分割成永不相见的
训练集和测试集、将数据配成[输入特征，标签]对。人类在认识这个世界的时候
信息是没有规律的，杂乱无章的涌入大脑的，所以喂入神经网络的数据集也需要
被打乱顺序。 (2)部分实现了让数据集乱序，因为使用了同样的随机种子，所以
打乱顺序后输入特征和标签仍然是一一对应的。 (3)部分将打乱后的前 120 个数
据取出来作为训练集，后 30 个数据作为测试集，为了公正评判神经网络的效果，
训练集和测试集没有交集。 (4)部分使用 from_tensor_slices 把训练集的输入特征
和标签配对打包，将每 32 组输入特征标签对打包为一个 batch，在喂入神经网络
时会以 batch 为单位喂入。

(5) 定义神经网路中所有可训练参数：

w1 = tf.Variable(tf.random.truncated_normal([4,3], stddev=0.1, seed=1))
b1 = tf.Variable(tf.random.truncated_normal([3], stddev=0.1, seed=1))

(6) 嵌套循环迭代， with 结构更新参数，显示当前 loss：
在这里插入图片描述

上述两部分完成了定义神经网路中所有可训练参数、 嵌套循环迭代更新参数。

(5) 部分定义了神经网络的所有可训练参数。只用了一层网络，因为输入特征是 4
个，输出节点数等于分类数，是 3 分类，故参数 w1为 4 行 3 列的张量， b1必须与
w1的维度一致，所以是 3。

(6)部分用两层 for 循环进行更新参数：第一层 for 循
环是针对整个数据集进行循环，故用 epoch 表示；第二层 for 循环是针对 batch
的，用 step 表示。在 with 结构中计算前向传播的预测结果 y ， 计算损失函数 loss
损失函数 loss，分别对参数 w1和参数b1计算偏导数，更新参数 w1和参数b1的值，
打印出这一轮 epoch 后的损失函数值。因为训练集有 120 组数据， batch 是 32，
每个 step 只能喂入 32 组数据，需要 batch 级别循环 4 次，所以 loss 除以 4，求得
每次 step 迭代的平均 loss。

(7) 计算当前参数前向传播后的准确率，显示当前准确率 acc：

(8) acc / loss 可视化：
在这里插入图片描述

上述两部分完成了对准确率的计算并可视化准确率与 loss。

(7)部分前向传播计算
出 y ，使其符合概率分布并找到最大的概率值对应的索引号，调整数据类型与标
签一致，如果预测值和标签相等则 correct 变量自加一，准确率即预测对了的数
量除以测试集中的数据总数。

(8)部分可将计算出的准确率画成曲线图，通过设
置图标题、设置 x 轴名称、设置 y 轴名称，标出每个 epoch 时的准确率并画出曲
线，可用同样方法画出 loss 曲线。

# -*- coding: UTF-8 -*-
# 利用鸢尾花数据集，实现前向传播、反向传播，可视化loss曲线

# 导入所需模块
import tensorflow as tf
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
from sklearn import datasets

# 导入数据，分别为输入特征和标签

x_data = datasets.load_iris().data
y_data = datasets.load_iris().target

# 随机打乱数据（因为原始数据是顺序的，顺序不打乱会影响准确率）
# seed: 随机数种子，是一个整数，当设置之后，每次生成的随机数都一样（为方便教学，以保每位同学结果一致）

np.random.seed(116) # 使用相同的seed，保证输入特征和标签一一对应
np.random.shuffle(x_data)
np.random.seed(116)
np.random.shuffle(x_data)
tf.random.set_seed(116)

# 将打乱后的数据集分割为训练集和测试集，训练集为前120行，测试集为后30行
x_train = x_data[:-30]
y_train = y_data[:-30]
x_test = x_data[-30:]
y_test = y_data[-30:]

# 转换x的数据类型，否则后面矩阵相乘时会因数据类型不一致报错
x_train = tf.cast(x_train, tf.float32)
x_test = tf.cast(x_test, tf.float32)

# from_tensor_slices函数使输入特征和标签值一一对应。（把数据集分批次，每个批次batch组数据）
train_db = tf.data.Dataset.from_tensor_slices((x_train, y_train)).batch(32)
test_db = tf.data.Dataset.from_tensor_slices((x_test, y_test)).batch(32)

# 生成神经网络的参数，4个输入特征故，输入层为4个输入节点；因为3分类，故输出层为3个神经元
# 用tf.Variable()标记参数可训练
# 使用seed使每次生成的随机数相同（方便教学，使大家结果都一致，在现实使用时不写seed）
w1 = tf.Variable(tf.random.truncated_normal([4,3], stddev=0.1, seed=1))
b1 = tf.Variable(tf.random.truncated_normal([3], stddev=0.1, seed=1))

lr = 0.1 # 学习率为0.1
train_loss_result = [] # 将每轮的loss记录在此列表中，为后续画loss曲线提供数据
test_acc = [] # 将每轮的acc记录在此列表中，为后续画acc曲线提供数据
epoch = 500 # 循环500轮
loss_all = 0 # 每轮分4个step，loss_all记录四个step生成的4个loss的和

# 训练部分
for epoch in range(epoch): #数据集级别的循环，每个epoch循环一次数据集
    for step, (x_train, y_train) in enumerate(train_db): #batch级别的循环 ，每个step循环一个batch
        with tf.GradientTape() as tape: # with结构记录梯度信息
            y = tf.matmul(x_train, w1) + b1 # 神经网络乘加运算
            y = tf.nn.softmax(y)  # 使输出y符合概率分布（此操作后与独热码同量级，可相减求loss）
            y_ = tf.one_hot(y_train, depth=3) # 将标签值转换为独热码格式，方便计算loss和accuracy
            loss = tf.reduce_mean(tf.square(y_ - y)) # 采用均方误差损失函数mse = mean(sum(y-out)^2)
            loss_all += loss.numpy()  # 将每个step计算出的loss累加，为后续求loss平均值提供数据，这样计算的loss更准确
        # 计算loss对各个参数的梯度
        grads = tape.gradient(loss, [w1, b1])
        
        # 实现梯度更新 w1 = w1 - lr * w1_grad    b = b - lr * b_grad
        w1.assign_sub(lr * grads[0])  # 参数w1自更新
        b1.assign_sub(lr * grads[1])  # 参数b自更新
        
    # 每个epoch，打印loss信息
    print("Epoch {}, loss: {}".format(epoch, loss_all/4)) 
    train_loss_result.append(loss_all/4) # 将4个step的loss求平均记录在此变量中
    loss_all = 0 # loss_all归零，为记录下一个epoch的loss做准备
    
    # 测试部分
    # total_correct为预测对的样本个数, total_number为测试的总样本数，将这两个变量都初始化为0
    total_correct, total_number = 0, 0
    for x_test, y_test in test_db:
        # 使用更新吼的参数进行预测
        y = tf.matmul(x_test, w1) + b1
        y = tf.nn.softmax(y)
        
        pred = tf.argmax(y, axis = 1) # 返回y中最大值的索引，即预测的分类
        
        # 将pred转换为y_test的数据类型
        pred = tf.cast(pred, dtype = y_test.dtype)
        # 若分类正确，则correct=1，否则为0，将bool型的结果转换为int型
        correct = tf.cast(tf.equal(pred, y_test), dtype=tf.int32)
        
        # 将每个batch的correct数加起来
        correct = tf.reduce_sum(correct)
        
        # 将所有batch中的correct数加起来
        total_correct += int(correct)
        
        # total_number为测试的总样本数， 也就是x_test的行数，shape[0]返回遍历的行数
        total_number += x_test.shape[0]
    # 总的准确率等于total_correct/total_number
    acc = total_correct / total_number
    test_acc.append(acc)
    print("Test_acc:", acc)
    print("--------------------------")

# 绘制 loss 曲线
plt.title('Loss Function Curve') #标题
plt.xlabel('Epoch')  # x轴变量名称
plt.ylabel('Loss')  # y轴变量名称
plt.plot(train_loss_result, label="$Loss$")  # 逐点画出trian_loss_results值并连线，连线图标是Loss
plt.legend()  # 画出曲线图标
plt.show()  # 画出图像

# 绘制 Accuracy 曲线
plt.title('Acc Curve')  # 图片标题
plt.xlabel('Epoch')  # x轴变量名称
plt.ylabel('Acc')  # y轴变量名称
plt.plot(test_acc, label="$Accuracy$")  # 逐点画出test_acc值并连线，连线图标是Accuracy
plt.legend()
plt.show()

Epoch 0, loss: 0.3381485566496849
Test_acc: 1.0
--------------------------
Epoch 1, loss: 0.30841024592518806
Test_acc: 1.0
--------------------------
Epoch 2, loss: 0.276842575520277
Test_acc: 0.0
--------------------------
Epoch 3, loss: 0.2716480679810047
Test_acc: 0.0
--------------------------
Epoch 4, loss: 0.27105871215462685
Test_acc: 0.0
--------------------------
Epoch 5, loss: 0.270840872079134
Test_acc: 0.0
--------------------------
Epoch 6, loss: 0.2706649787724018
Test_acc: 0.0
--------------------------
Epoch 7, loss: 0.27050918340682983
Test_acc: 0.0
--------------------------
Epoch 8, loss: 0.2703683115541935
Test_acc: 0.0
--------------------------
Epoch 9, loss: 0.2702404707670212
Test_acc: 0.0
--------------------------
Epoch 10, loss: 0.27012427896261215
Test_acc: 0.0
--------------------------
Epoch 11, loss: 0.2700185999274254
Test_acc: 0.0
--------------------------
Epoch 12, loss: 0.2699223607778549
Test_acc: 0.0
--------------------------
Epoch 13, loss: 0.2698346860706806
Test_acc: 0.03333333333333333
--------------------------
Epoch 14, loss: 0.26975472643971443
Test_acc: 0.06666666666666667
--------------------------
Epoch 15, loss: 0.26968174800276756
Test_acc: 0.1
--------------------------
Epoch 16, loss: 0.2696150578558445
Test_acc: 0.13333333333333333
--------------------------
Epoch 17, loss: 0.2695540748536587
Test_acc: 0.13333333333333333
--------------------------
Epoch 18, loss: 0.2694982476532459
Test_acc: 0.13333333333333333
--------------------------
Epoch 19, loss: 0.26944711431860924
Test_acc: 0.13333333333333333
--------------------------
Epoch 20, loss: 0.2694002501666546
Test_acc: 0.13333333333333333
--------------------------
Epoch 21, loss: 0.26935721933841705
Test_acc: 0.13333333333333333
--------------------------
Epoch 22, loss: 0.269317664206028
Test_acc: 0.13333333333333333
--------------------------
Epoch 23, loss: 0.2692812792956829
Test_acc: 0.13333333333333333
--------------------------
Epoch 24, loss: 0.2692478112876415
Test_acc: 0.16666666666666666
--------------------------
Epoch 25, loss: 0.26921697705984116
Test_acc: 0.2
--------------------------
Epoch 26, loss: 0.2691885195672512
Test_acc: 0.2
--------------------------
Epoch 27, loss: 0.26916224882006645
Test_acc: 0.23333333333333334
--------------------------
Epoch 28, loss: 0.26913798227906227
Test_acc: 0.26666666666666666
--------------------------
Epoch 29, loss: 0.26911550760269165
Test_acc: 0.26666666666666666
--------------------------
Epoch 30, loss: 0.26909472793340683
Test_acc: 0.26666666666666666
--------------------------
Epoch 31, loss: 0.2690754495561123
Test_acc: 0.26666666666666666
--------------------------
Epoch 32, loss: 0.2690575569868088
Test_acc: 0.26666666666666666
--------------------------
Epoch 33, loss: 0.26904091611504555
Test_acc: 0.26666666666666666
--------------------------
Epoch 34, loss: 0.26902545988559723
Test_acc: 0.26666666666666666
--------------------------
Epoch 35, loss: 0.26901107653975487
Test_acc: 0.26666666666666666
--------------------------
Epoch 36, loss: 0.2689976543188095
Test_acc: 0.3
--------------------------
Epoch 37, loss: 0.268985141068697
Test_acc: 0.3
--------------------------
Epoch 38, loss: 0.2689734250307083
Test_acc: 0.3
--------------------------
Epoch 39, loss: 0.26896248385310173
Test_acc: 0.3
--------------------------
Epoch 40, loss: 0.26895222440361977
Test_acc: 0.3
--------------------------
Epoch 41, loss: 0.26894259452819824
Test_acc: 0.3
--------------------------
Epoch 42, loss: 0.26893356069922447
Test_acc: 0.3333333333333333
--------------------------
Epoch 43, loss: 0.2689250372350216
Test_acc: 0.3333333333333333
--------------------------
Epoch 44, loss: 0.2689170353114605
Test_acc: 0.3333333333333333
--------------------------
Epoch 45, loss: 0.2689094804227352
Test_acc: 0.3333333333333333
--------------------------
Epoch 46, loss: 0.26890233531594276
Test_acc: 0.36666666666666664
--------------------------
Epoch 47, loss: 0.26889556273818016
Test_acc: 0.36666666666666664
--------------------------
Epoch 48, loss: 0.2688891626894474
Test_acc: 0.36666666666666664
--------------------------
Epoch 49, loss: 0.2688830755650997
Test_acc: 0.36666666666666664
--------------------------
Epoch 50, loss: 0.2688773013651371
Test_acc: 0.36666666666666664
--------------------------
Epoch 51, loss: 0.2688717730343342
Test_acc: 0.36666666666666664
--------------------------
Epoch 52, loss: 0.26886650547385216
Test_acc: 0.36666666666666664
--------------------------
Epoch 53, loss: 0.26886148378252983
Test_acc: 0.36666666666666664
--------------------------
Epoch 54, loss: 0.26885664463043213
Test_acc: 0.36666666666666664
--------------------------
Epoch 55, loss: 0.26885202899575233
Test_acc: 0.4
--------------------------
Epoch 56, loss: 0.26884759590029716
Test_acc: 0.4
--------------------------
Epoch 57, loss: 0.26884331181645393
Test_acc: 0.4
--------------------------
Epoch 58, loss: 0.26883919164538383
Test_acc: 0.4
--------------------------
Epoch 59, loss: 0.2688351906836033
Test_acc: 0.4
--------------------------
Epoch 60, loss: 0.268831342458725
Test_acc: 0.4
--------------------------
Epoch 61, loss: 0.2688275836408138
Test_acc: 0.4
--------------------------
Epoch 62, loss: 0.2688239552080631
Test_acc: 0.4
--------------------------
Epoch 63, loss: 0.2688204236328602
Test_acc: 0.4
--------------------------
Epoch 64, loss: 0.2688169702887535
Test_acc: 0.4
--------------------------
Epoch 65, loss: 0.268813606351614
Test_acc: 0.4
--------------------------
Epoch 66, loss: 0.26881030574440956
Test_acc: 0.4
--------------------------
Epoch 67, loss: 0.2688070796430111
Test_acc: 0.4
--------------------------
Epoch 68, loss: 0.2688039168715477
Test_acc: 0.4
--------------------------
Epoch 69, loss: 0.2688008211553097
Test_acc: 0.4
--------------------------
Epoch 70, loss: 0.26879775896668434
Test_acc: 0.4
--------------------------
Epoch 71, loss: 0.2687947489321232
Test_acc: 0.43333333333333335
--------------------------
Epoch 72, loss: 0.2687917985022068
Test_acc: 0.43333333333333335
--------------------------
Epoch 73, loss: 0.2687888629734516
Test_acc: 0.43333333333333335
--------------------------
Epoch 74, loss: 0.2687859572470188
Test_acc: 0.43333333333333335
--------------------------
Epoch 75, loss: 0.2687831036746502
Test_acc: 0.43333333333333335
--------------------------
Epoch 76, loss: 0.26878027990460396
Test_acc: 0.43333333333333335
--------------------------
Epoch 77, loss: 0.2687774710357189
Test_acc: 0.43333333333333335
--------------------------
Epoch 78, loss: 0.26877467706799507
Test_acc: 0.43333333333333335
--------------------------
Epoch 79, loss: 0.2687719203531742
Test_acc: 0.43333333333333335
--------------------------
Epoch 80, loss: 0.26876916363835335
Test_acc: 0.43333333333333335
--------------------------
Epoch 81, loss: 0.2687664292752743
Test_acc: 0.43333333333333335
--------------------------
Epoch 82, loss: 0.2687637060880661
Test_acc: 0.43333333333333335
--------------------------
Epoch 83, loss: 0.2687610127031803
Test_acc: 0.43333333333333335
--------------------------
Epoch 84, loss: 0.26875830814242363
Test_acc: 0.43333333333333335
--------------------------
Epoch 85, loss: 0.26875561103224754
Test_acc: 0.43333333333333335
--------------------------
Epoch 86, loss: 0.26875293627381325
Test_acc: 0.43333333333333335
--------------------------
Epoch 87, loss: 0.26875025406479836
Test_acc: 0.43333333333333335
--------------------------
Epoch 88, loss: 0.26874759793281555
Test_acc: 0.43333333333333335
--------------------------
Epoch 89, loss: 0.26874491572380066
Test_acc: 0.43333333333333335
--------------------------
Epoch 90, loss: 0.26874225586652756
Test_acc: 0.43333333333333335
--------------------------
Epoch 91, loss: 0.26873960345983505
Test_acc: 0.43333333333333335
--------------------------
Epoch 92, loss: 0.26873693615198135
Test_acc: 0.43333333333333335
--------------------------
Epoch 93, loss: 0.26873428747057915
Test_acc: 0.43333333333333335
--------------------------
Epoch 94, loss: 0.26873162388801575
Test_acc: 0.43333333333333335
--------------------------
Epoch 95, loss: 0.26872898265719414
Test_acc: 0.43333333333333335
--------------------------
Epoch 96, loss: 0.26872630789875984
Test_acc: 0.43333333333333335
--------------------------
Epoch 97, loss: 0.26872365549206734
Test_acc: 0.43333333333333335
--------------------------
Epoch 98, loss: 0.26872101053595543
Test_acc: 0.43333333333333335
--------------------------
Epoch 99, loss: 0.26871833577752113
Test_acc: 0.43333333333333335
--------------------------
Epoch 100, loss: 0.26871566846966743
Test_acc: 0.43333333333333335
--------------------------
Epoch 101, loss: 0.26871299743652344
Test_acc: 0.43333333333333335
--------------------------
Epoch 102, loss: 0.26871033012866974
Test_acc: 0.43333333333333335
--------------------------
Epoch 103, loss: 0.26870765909552574
Test_acc: 0.43333333333333335
--------------------------
Epoch 104, loss: 0.26870498061180115
Test_acc: 0.43333333333333335
--------------------------
Epoch 105, loss: 0.26870230957865715
Test_acc: 0.43333333333333335
--------------------------
Epoch 106, loss: 0.26869961246848106
Test_acc: 0.43333333333333335
--------------------------
Epoch 107, loss: 0.26869693771004677
Test_acc: 0.43333333333333335
--------------------------
Epoch 108, loss: 0.2686942368745804
Test_acc: 0.43333333333333335
--------------------------
Epoch 109, loss: 0.2686915546655655
Test_acc: 0.43333333333333335
--------------------------
Epoch 110, loss: 0.2686888687312603
Test_acc: 0.43333333333333335
--------------------------
Epoch 111, loss: 0.2686861716210842
Test_acc: 0.43333333333333335
--------------------------
Epoch 112, loss: 0.26868346333503723
Test_acc: 0.43333333333333335
--------------------------
Epoch 113, loss: 0.26868077740073204
Test_acc: 0.43333333333333335
--------------------------
Epoch 114, loss: 0.26867805421352386
Test_acc: 0.43333333333333335
--------------------------
Epoch 115, loss: 0.2686753235757351
Test_acc: 0.43333333333333335
--------------------------
Epoch 116, loss: 0.268672626465559
Test_acc: 0.43333333333333335
--------------------------
Epoch 117, loss: 0.268669918179512
Test_acc: 0.43333333333333335
--------------------------
Epoch 118, loss: 0.26866718009114265
Test_acc: 0.43333333333333335
--------------------------
Epoch 119, loss: 0.2686644718050957
Test_acc: 0.43333333333333335
--------------------------
Epoch 120, loss: 0.2686617486178875
Test_acc: 0.43333333333333335
--------------------------
Epoch 121, loss: 0.2686590142548084
Test_acc: 0.43333333333333335
--------------------------
Epoch 122, loss: 0.26865628734230995
Test_acc: 0.43333333333333335
--------------------------
Epoch 123, loss: 0.2686535529792309
Test_acc: 0.43333333333333335
--------------------------
Epoch 124, loss: 0.2686508260667324
Test_acc: 0.43333333333333335
--------------------------
Epoch 125, loss: 0.26864808425307274
Test_acc: 0.43333333333333335
--------------------------
Epoch 126, loss: 0.26864534616470337
Test_acc: 0.43333333333333335
--------------------------
Epoch 127, loss: 0.2686425857245922
Test_acc: 0.43333333333333335
--------------------------
Epoch 128, loss: 0.26863985508680344
Test_acc: 0.43333333333333335
--------------------------
Epoch 129, loss: 0.26863710582256317
Test_acc: 0.43333333333333335
--------------------------
Epoch 130, loss: 0.2686343528330326
Test_acc: 0.43333333333333335
--------------------------
Epoch 131, loss: 0.26863161846995354
Test_acc: 0.43333333333333335
--------------------------
Epoch 132, loss: 0.2686288505792618
Test_acc: 0.43333333333333335
--------------------------
Epoch 133, loss: 0.2686261050403118
Test_acc: 0.43333333333333335
--------------------------
Epoch 134, loss: 0.26862334460020065
Test_acc: 0.43333333333333335
--------------------------
Epoch 135, loss: 0.2686206214129925
Test_acc: 0.43333333333333335
--------------------------
Epoch 136, loss: 0.2686178609728813
Test_acc: 0.43333333333333335
--------------------------
Epoch 137, loss: 0.26861510053277016
Test_acc: 0.43333333333333335
--------------------------
Epoch 138, loss: 0.2686123438179493
Test_acc: 0.43333333333333335
--------------------------
Epoch 139, loss: 0.26860957592725754
Test_acc: 0.43333333333333335
--------------------------
Epoch 140, loss: 0.26860683783888817
Test_acc: 0.43333333333333335
--------------------------
Epoch 141, loss: 0.2686040811240673
Test_acc: 0.43333333333333335
--------------------------
Epoch 142, loss: 0.26860132068395615
Test_acc: 0.43333333333333335
--------------------------
Epoch 143, loss: 0.2685985751450062
Test_acc: 0.43333333333333335
--------------------------
Epoch 144, loss: 0.2685958035290241
Test_acc: 0.43333333333333335
--------------------------
Epoch 145, loss: 0.26859306171536446
Test_acc: 0.4
--------------------------
Epoch 146, loss: 0.2685903199017048
Test_acc: 0.4
--------------------------
Epoch 147, loss: 0.26858754456043243
Test_acc: 0.4
--------------------------
Epoch 148, loss: 0.26858479157090187
Test_acc: 0.4
--------------------------
Epoch 149, loss: 0.2685820423066616
Test_acc: 0.4
--------------------------
Epoch 150, loss: 0.26857928931713104
Test_acc: 0.4
--------------------------
Epoch 151, loss: 0.2685765363276005
Test_acc: 0.4
--------------------------
Epoch 152, loss: 0.2685737982392311
Test_acc: 0.4
--------------------------
Epoch 153, loss: 0.26857104524970055
Test_acc: 0.4
--------------------------
Epoch 154, loss: 0.2685683146119118
Test_acc: 0.4
--------------------------
Epoch 155, loss: 0.2685655765235424
Test_acc: 0.4
--------------------------
Epoch 156, loss: 0.26856281980872154
Test_acc: 0.4
--------------------------
Epoch 157, loss: 0.2685600817203522
Test_acc: 0.4
--------------------------
Epoch 158, loss: 0.2685573361814022
Test_acc: 0.4
--------------------------
Epoch 159, loss: 0.26855460181832314
Test_acc: 0.4
--------------------------
Epoch 160, loss: 0.26855187863111496
Test_acc: 0.4
--------------------------
Epoch 161, loss: 0.2685491293668747
Test_acc: 0.4
--------------------------
Epoch 162, loss: 0.2685464061796665
Test_acc: 0.4
--------------------------
Epoch 163, loss: 0.26854367554187775
Test_acc: 0.4
--------------------------
Epoch 164, loss: 0.26854095235466957
Test_acc: 0.4
--------------------------
Epoch 165, loss: 0.2685382254421711
Test_acc: 0.4
--------------------------
Epoch 166, loss: 0.2685355097055435
Test_acc: 0.4
--------------------------
Epoch 167, loss: 0.26853278651833534
Test_acc: 0.4
--------------------------
Epoch 168, loss: 0.26853006705641747
Test_acc: 0.4
--------------------------
Epoch 169, loss: 0.2685273475944996
Test_acc: 0.4
--------------------------
Epoch 170, loss: 0.2685246504843235
Test_acc: 0.4
--------------------------
Epoch 171, loss: 0.2685219310224056
Test_acc: 0.4
--------------------------
Epoch 172, loss: 0.26851922646164894
Test_acc: 0.4
--------------------------
Epoch 173, loss: 0.26851651445031166
Test_acc: 0.4
--------------------------
Epoch 174, loss: 0.2685138173401356
Test_acc: 0.4
--------------------------
Epoch 175, loss: 0.2685111239552498
Test_acc: 0.4
--------------------------
Epoch 176, loss: 0.2685084231197834
Test_acc: 0.4
--------------------------
Epoch 177, loss: 0.2685057520866394
Test_acc: 0.4
--------------------------
Epoch 178, loss: 0.268503051251173
Test_acc: 0.4
--------------------------
Epoch 179, loss: 0.2685003727674484
Test_acc: 0.4
--------------------------
Epoch 180, loss: 0.26849767938256264
Test_acc: 0.4
--------------------------
Epoch 181, loss: 0.26849501952528954
Test_acc: 0.4
--------------------------
Epoch 182, loss: 0.26849234476685524
Test_acc: 0.4
--------------------------
Epoch 183, loss: 0.26848967373371124
Test_acc: 0.4
--------------------------
Epoch 184, loss: 0.26848699524998665
Test_acc: 0.4
--------------------------
Epoch 185, loss: 0.26848434656858444
Test_acc: 0.4
--------------------------
Epoch 186, loss: 0.26848169043660164
Test_acc: 0.4
--------------------------
Epoch 187, loss: 0.26847902312874794
Test_acc: 0.4
--------------------------
Epoch 188, loss: 0.26847636327147484
Test_acc: 0.4
--------------------------
Epoch 189, loss: 0.26847372204065323
Test_acc: 0.4
--------------------------
Epoch 190, loss: 0.2684710808098316
Test_acc: 0.4
--------------------------
Epoch 191, loss: 0.2684684433043003
Test_acc: 0.4
--------------------------
Epoch 192, loss: 0.2684657983481884
Test_acc: 0.4
--------------------------
Epoch 193, loss: 0.2684631831943989
Test_acc: 0.4
--------------------------
Epoch 194, loss: 0.2684605307877064
Test_acc: 0.4
--------------------------
Epoch 195, loss: 0.26845790073275566
Test_acc: 0.4
--------------------------
Epoch 196, loss: 0.26845529302954674
Test_acc: 0.4
--------------------------
Epoch 197, loss: 0.2684526778757572
Test_acc: 0.4
--------------------------
Epoch 198, loss: 0.2684500552713871
Test_acc: 0.4
--------------------------
Epoch 199, loss: 0.2684474475681782
Test_acc: 0.4
--------------------------
Epoch 200, loss: 0.26844483613967896
Test_acc: 0.4
--------------------------
Epoch 201, loss: 0.2684422619640827
Test_acc: 0.4
--------------------------
Epoch 202, loss: 0.2684396468102932
Test_acc: 0.4
--------------------------
Epoch 203, loss: 0.26843706518411636
Test_acc: 0.4
--------------------------
Epoch 204, loss: 0.26843447983264923
Test_acc: 0.4
--------------------------
Epoch 205, loss: 0.2684318870306015
Test_acc: 0.4
--------------------------
Epoch 206, loss: 0.26842931285500526
Test_acc: 0.4
--------------------------
Epoch 207, loss: 0.268426738679409
Test_acc: 0.4
--------------------------
Epoch 208, loss: 0.2684241719543934
Test_acc: 0.4
--------------------------
Epoch 209, loss: 0.26842160522937775
Test_acc: 0.4
--------------------------
Epoch 210, loss: 0.2684190385043621
Test_acc: 0.4
--------------------------
Epoch 211, loss: 0.26841648295521736
Test_acc: 0.4
--------------------------
Epoch 212, loss: 0.268413919955492
Test_acc: 0.4
--------------------------
Epoch 213, loss: 0.2684113644063473
Test_acc: 0.4
--------------------------
Epoch 214, loss: 0.2684088237583637
Test_acc: 0.4
--------------------------
Epoch 215, loss: 0.2684062831103802
Test_acc: 0.4
--------------------------
Epoch 216, loss: 0.2684037499129772
Test_acc: 0.4
--------------------------
Epoch 217, loss: 0.26840121671557426
Test_acc: 0.4
--------------------------
Epoch 218, loss: 0.2683986909687519
Test_acc: 0.4
--------------------------
Epoch 219, loss: 0.26839616522192955
Test_acc: 0.4
--------------------------
Epoch 220, loss: 0.2683936543762684
Test_acc: 0.4
--------------------------
Epoch 221, loss: 0.2683911360800266
Test_acc: 0.4
--------------------------
Epoch 222, loss: 0.26838863268494606
Test_acc: 0.4
--------------------------
Epoch 223, loss: 0.2683861218392849
Test_acc: 0.4
--------------------------
Epoch 224, loss: 0.2683836258947849
Test_acc: 0.4
--------------------------
Epoch 225, loss: 0.26838112249970436
Test_acc: 0.4
--------------------------
Epoch 226, loss: 0.2683786377310753
Test_acc: 0.4
--------------------------
Epoch 227, loss: 0.2683761529624462
Test_acc: 0.4
--------------------------
Epoch 228, loss: 0.26837366446852684
Test_acc: 0.4
--------------------------
Epoch 229, loss: 0.26837121322751045
Test_acc: 0.4
--------------------------
Epoch 230, loss: 0.2683687172830105
Test_acc: 0.4
--------------------------
Epoch 231, loss: 0.2683662548661232
Test_acc: 0.4
--------------------------
Epoch 232, loss: 0.2683637924492359
Test_acc: 0.4
--------------------------
Epoch 233, loss: 0.26836132630705833
Test_acc: 0.4
--------------------------
Epoch 234, loss: 0.26835888251662254
Test_acc: 0.4
--------------------------
Epoch 235, loss: 0.26835642382502556
Test_acc: 0.4
--------------------------
Epoch 236, loss: 0.26835397258400917
Test_acc: 0.4
--------------------------
Epoch 237, loss: 0.26835155114531517
Test_acc: 0.4
--------------------------
Epoch 238, loss: 0.26834911480546
Test_acc: 0.4
--------------------------
Epoch 239, loss: 0.2683466859161854
Test_acc: 0.4
--------------------------
Epoch 240, loss: 0.2683442570269108
Test_acc: 0.4
--------------------------
Epoch 241, loss: 0.268341813236475
Test_acc: 0.4
--------------------------
Epoch 242, loss: 0.2683394141495228
Test_acc: 0.4
--------------------------
Epoch 243, loss: 0.2683370038866997
Test_acc: 0.4
--------------------------
Epoch 244, loss: 0.26833459362387657
Test_acc: 0.4
--------------------------
Epoch 245, loss: 0.26833220198750496
Test_acc: 0.4
--------------------------
Epoch 246, loss: 0.26832978427410126
Test_acc: 0.4
--------------------------
Epoch 247, loss: 0.26832740381360054
Test_acc: 0.4
--------------------------
Epoch 248, loss: 0.26832500845193863
Test_acc: 0.4
--------------------------
Epoch 249, loss: 0.2683226205408573
Test_acc: 0.4
--------------------------
Epoch 250, loss: 0.2683202400803566
Test_acc: 0.4
--------------------------
Epoch 251, loss: 0.2683178707957268
Test_acc: 0.4
--------------------------
Epoch 252, loss: 0.26831550523638725
Test_acc: 0.4
--------------------------
Epoch 253, loss: 0.26831312850117683
Test_acc: 0.4
--------------------------
Epoch 254, loss: 0.2683107741177082
Test_acc: 0.4
--------------------------
Epoch 255, loss: 0.268308412283659
Test_acc: 0.4
--------------------------
Epoch 256, loss: 0.26830606535077095
Test_acc: 0.43333333333333335
--------------------------
Epoch 257, loss: 0.2683037109673023
Test_acc: 0.43333333333333335
--------------------------
Epoch 258, loss: 0.2683013826608658
Test_acc: 0.43333333333333335
--------------------------
Epoch 259, loss: 0.26829903572797775
Test_acc: 0.43333333333333335
--------------------------
Epoch 260, loss: 0.2682966962456703
Test_acc: 0.43333333333333335
--------------------------
Epoch 261, loss: 0.2682943753898144
Test_acc: 0.43333333333333335
--------------------------
Epoch 262, loss: 0.26829205080866814
Test_acc: 0.43333333333333335
--------------------------
Epoch 263, loss: 0.2682897336781025
Test_acc: 0.43333333333333335
--------------------------
Epoch 264, loss: 0.26828740164637566
Test_acc: 0.43333333333333335
--------------------------
Epoch 265, loss: 0.2682850994169712
Test_acc: 0.43333333333333335
--------------------------
Epoch 266, loss: 0.26828279718756676
Test_acc: 0.43333333333333335
--------------------------
Epoch 267, loss: 0.2682804949581623
Test_acc: 0.43333333333333335
--------------------------
Epoch 268, loss: 0.26827820017933846
Test_acc: 0.43333333333333335
--------------------------
Epoch 269, loss: 0.2682759128510952
Test_acc: 0.43333333333333335
--------------------------
Epoch 270, loss: 0.26827362552285194
Test_acc: 0.43333333333333335
--------------------------
Epoch 271, loss: 0.268271341919899
Test_acc: 0.43333333333333335
--------------------------
Epoch 272, loss: 0.26826905086636543
Test_acc: 0.43333333333333335
--------------------------
Epoch 273, loss: 0.26826678216457367
Test_acc: 0.43333333333333335
--------------------------
Epoch 274, loss: 0.2682645134627819
Test_acc: 0.43333333333333335
--------------------------
Epoch 275, loss: 0.26826225593686104
Test_acc: 0.43333333333333335
--------------------------
Epoch 276, loss: 0.26826000213623047
Test_acc: 0.43333333333333335
--------------------------
Epoch 277, loss: 0.2682577408850193
Test_acc: 0.43333333333333335
--------------------------
Epoch 278, loss: 0.26825547590851784
Test_acc: 0.43333333333333335
--------------------------
Epoch 279, loss: 0.26825324445962906
Test_acc: 0.43333333333333335
--------------------------
Epoch 280, loss: 0.2682509981095791
Test_acc: 0.43333333333333335
--------------------------
Epoch 281, loss: 0.2682487629354
Test_acc: 0.43333333333333335
--------------------------
Epoch 282, loss: 0.26824653148651123
Test_acc: 0.43333333333333335
--------------------------
Epoch 283, loss: 0.26824429631233215
Test_acc: 0.43333333333333335
--------------------------
Epoch 284, loss: 0.26824207231402397
Test_acc: 0.43333333333333335
--------------------------
Epoch 285, loss: 0.2682398594915867
Test_acc: 0.43333333333333335
--------------------------
Epoch 286, loss: 0.2682376466691494
Test_acc: 0.43333333333333335
--------------------------
Epoch 287, loss: 0.268235445022583
Test_acc: 0.43333333333333335
--------------------------
Epoch 288, loss: 0.2682332396507263
Test_acc: 0.43333333333333335
--------------------------
Epoch 289, loss: 0.2682310417294502
Test_acc: 0.43333333333333335
--------------------------
Epoch 290, loss: 0.26822883263230324
Test_acc: 0.43333333333333335
--------------------------
Epoch 291, loss: 0.26822664961218834
Test_acc: 0.43333333333333335
--------------------------
Epoch 292, loss: 0.26822445541620255
Test_acc: 0.43333333333333335
--------------------------
Epoch 293, loss: 0.26822228357195854
Test_acc: 0.43333333333333335
--------------------------
Epoch 294, loss: 0.26822010800242424
Test_acc: 0.43333333333333335
--------------------------
Epoch 295, loss: 0.26821793243288994
Test_acc: 0.43333333333333335
--------------------------
Epoch 296, loss: 0.26821575686335564
Test_acc: 0.4666666666666667
--------------------------
Epoch 297, loss: 0.26821358501911163
Test_acc: 0.4666666666666667
--------------------------
Epoch 298, loss: 0.26821144297719
Test_acc: 0.4666666666666667
--------------------------
Epoch 299, loss: 0.2682092748582363
Test_acc: 0.4666666666666667
--------------------------
Epoch 300, loss: 0.2682071439921856
Test_acc: 0.4666666666666667
--------------------------
Epoch 301, loss: 0.2682049795985222
Test_acc: 0.4666666666666667
--------------------------
Epoch 302, loss: 0.26820284873247147
Test_acc: 0.4666666666666667
--------------------------
Epoch 303, loss: 0.26820070669054985
Test_acc: 0.5
--------------------------
Epoch 304, loss: 0.26819856092333794
Test_acc: 0.5
--------------------------
Epoch 305, loss: 0.2681964375078678
Test_acc: 0.5
--------------------------
Epoch 306, loss: 0.268194317817688
Test_acc: 0.5
--------------------------
Epoch 307, loss: 0.26819219812750816
Test_acc: 0.5
--------------------------
Epoch 308, loss: 0.26819007843732834
Test_acc: 0.5
--------------------------
Epoch 309, loss: 0.2681879661977291
Test_acc: 0.5
--------------------------
Epoch 310, loss: 0.2681858651340008
Test_acc: 0.5
--------------------------
Epoch 311, loss: 0.26818376407027245
Test_acc: 0.5
--------------------------
Epoch 312, loss: 0.2681816592812538
Test_acc: 0.5
--------------------------
Epoch 313, loss: 0.2681795693933964
Test_acc: 0.5
--------------------------
Epoch 314, loss: 0.26817748323082924
Test_acc: 0.5
--------------------------
Epoch 315, loss: 0.2681753896176815
Test_acc: 0.5
--------------------------
Epoch 316, loss: 0.26817331090569496
Test_acc: 0.5
--------------------------
Epoch 317, loss: 0.2681712284684181
Test_acc: 0.5
--------------------------
Epoch 318, loss: 0.2681691534817219
Test_acc: 0.5
--------------------------
Epoch 319, loss: 0.26816708967089653
Test_acc: 0.5
--------------------------
Epoch 320, loss: 0.2681650221347809
Test_acc: 0.5
--------------------------
Epoch 321, loss: 0.2681629844009876
Test_acc: 0.5
--------------------------
Epoch 322, loss: 0.2681609243154526
Test_acc: 0.5
--------------------------
Epoch 323, loss: 0.2681588716804981
Test_acc: 0.5
--------------------------
Epoch 324, loss: 0.26815682649612427
Test_acc: 0.5
--------------------------
Epoch 325, loss: 0.268154788762331
Test_acc: 0.5
--------------------------
Epoch 326, loss: 0.26815276220440865
Test_acc: 0.5
--------------------------
Epoch 327, loss: 0.2681507207453251
Test_acc: 0.5
--------------------------
Epoch 328, loss: 0.26814868673682213
Test_acc: 0.5
--------------------------
Epoch 329, loss: 0.26814665645360947
Test_acc: 0.5
--------------------------
Epoch 330, loss: 0.2681446336209774
Test_acc: 0.5
--------------------------
Epoch 331, loss: 0.26814262941479683
Test_acc: 0.5
--------------------------
Epoch 332, loss: 0.26814061775803566
Test_acc: 0.5
--------------------------
Epoch 333, loss: 0.2681385912001133
Test_acc: 0.5
--------------------------
Epoch 334, loss: 0.2681366018950939
Test_acc: 0.5
--------------------------
Epoch 335, loss: 0.26813459396362305
Test_acc: 0.5
--------------------------
Epoch 336, loss: 0.2681325934827328
Test_acc: 0.5
--------------------------
Epoch 337, loss: 0.2681306190788746
Test_acc: 0.5
--------------------------
Epoch 338, loss: 0.2681286223232746
Test_acc: 0.5
--------------------------
Epoch 339, loss: 0.26812664419412613
Test_acc: 0.5
--------------------------
Epoch 340, loss: 0.26812466233968735
Test_acc: 0.5
--------------------------
Epoch 341, loss: 0.26812270656228065
Test_acc: 0.5
--------------------------
Epoch 342, loss: 0.2681207172572613
Test_acc: 0.5
--------------------------
Epoch 343, loss: 0.2681187503039837
Test_acc: 0.5
--------------------------
Epoch 344, loss: 0.2681167908012867
Test_acc: 0.5
--------------------------
Epoch 345, loss: 0.2681148387491703
Test_acc: 0.5
--------------------------
Epoch 346, loss: 0.2681128792464733
Test_acc: 0.5
--------------------------
Epoch 347, loss: 0.2681109271943569
Test_acc: 0.5
--------------------------
Epoch 348, loss: 0.2681089825928211
Test_acc: 0.5
--------------------------
Epoch 349, loss: 0.2681070454418659
Test_acc: 0.5
--------------------------
Epoch 350, loss: 0.2681051082909107
Test_acc: 0.5
--------------------------
Epoch 351, loss: 0.2681031860411167
Test_acc: 0.5
--------------------------
Epoch 352, loss: 0.2681012563407421
Test_acc: 0.5
--------------------------
Epoch 353, loss: 0.2680993266403675
Test_acc: 0.5
--------------------------
Epoch 354, loss: 0.2680973969399929
Test_acc: 0.5
--------------------------
Epoch 355, loss: 0.2680954746901989
Test_acc: 0.5
--------------------------
Epoch 356, loss: 0.2680935673415661
Test_acc: 0.5
--------------------------
Epoch 357, loss: 0.26809168234467506
Test_acc: 0.5
--------------------------
Epoch 358, loss: 0.26808977127075195
Test_acc: 0.5
--------------------------
Epoch 359, loss: 0.26808786764740944
Test_acc: 0.5
--------------------------
Epoch 360, loss: 0.2680859677493572
Test_acc: 0.5
--------------------------
Epoch 361, loss: 0.2680840827524662
Test_acc: 0.5
--------------------------
Epoch 362, loss: 0.268082182854414
Test_acc: 0.5
--------------------------
Epoch 363, loss: 0.26808030530810356
Test_acc: 0.5
--------------------------
Epoch 364, loss: 0.26807843148708344
Test_acc: 0.5
--------------------------
Epoch 365, loss: 0.2680765502154827
Test_acc: 0.5
--------------------------
Epoch 366, loss: 0.2680746652185917
Test_acc: 0.5
--------------------------
Epoch 367, loss: 0.26807280257344246
Test_acc: 0.5
--------------------------
Epoch 368, loss: 0.2680709473788738
Test_acc: 0.5
--------------------------
Epoch 369, loss: 0.2680690847337246
Test_acc: 0.5
--------------------------
Epoch 370, loss: 0.26806722953915596
Test_acc: 0.5
--------------------------
Epoch 371, loss: 0.2680653780698776
Test_acc: 0.5
--------------------------
Epoch 372, loss: 0.2680635191500187
Test_acc: 0.5
--------------------------
Epoch 373, loss: 0.26806169375777245
Test_acc: 0.5
--------------------------
Epoch 374, loss: 0.2680598422884941
Test_acc: 0.5
--------------------------
Epoch 375, loss: 0.26805799826979637
Test_acc: 0.5
--------------------------
Epoch 376, loss: 0.2680561803281307
Test_acc: 0.5
--------------------------
Epoch 377, loss: 0.2680543512105942
Test_acc: 0.5
--------------------------
Epoch 378, loss: 0.26805249974131584
Test_acc: 0.5
--------------------------
Epoch 379, loss: 0.2680506929755211
Test_acc: 0.5
--------------------------
Epoch 380, loss: 0.26804888620972633
Test_acc: 0.5
--------------------------
Epoch 381, loss: 0.2680470794439316
Test_acc: 0.5
--------------------------
Epoch 382, loss: 0.26804525777697563
Test_acc: 0.5
--------------------------
Epoch 383, loss: 0.2680434547364712
Test_acc: 0.5
--------------------------
Epoch 384, loss: 0.2680416591465473
Test_acc: 0.5
--------------------------
Epoch 385, loss: 0.26803984865546227
Test_acc: 0.5
--------------------------
Epoch 386, loss: 0.268038060516119
Test_acc: 0.5
--------------------------
Epoch 387, loss: 0.26803627237677574
Test_acc: 0.5
--------------------------
Epoch 388, loss: 0.2680344916880131
Test_acc: 0.5
--------------------------
Epoch 389, loss: 0.2680327072739601
Test_acc: 0.5
--------------------------
Epoch 390, loss: 0.26803092285990715
Test_acc: 0.5
--------------------------
Epoch 391, loss: 0.2680291496217251
Test_acc: 0.5
--------------------------
Epoch 392, loss: 0.2680273838341236
Test_acc: 0.5
--------------------------
Epoch 393, loss: 0.26802560314536095
Test_acc: 0.5
--------------------------
Epoch 394, loss: 0.26802385225892067
Test_acc: 0.5
--------------------------
Epoch 395, loss: 0.2680220939218998
Test_acc: 0.5
--------------------------
Epoch 396, loss: 0.2680203318595886
Test_acc: 0.5
--------------------------
Epoch 397, loss: 0.26801857724785805
Test_acc: 0.5
--------------------------
Epoch 398, loss: 0.26801682636141777
Test_acc: 0.5
--------------------------
Epoch 399, loss: 0.2680150829255581
Test_acc: 0.5
--------------------------
Epoch 400, loss: 0.2680133394896984
Test_acc: 0.5
--------------------------
Epoch 401, loss: 0.2680116072297096
Test_acc: 0.5
--------------------------
Epoch 402, loss: 0.26800987869501114
Test_acc: 0.5
--------------------------
Epoch 403, loss: 0.26800814643502235
Test_acc: 0.5
--------------------------
Epoch 404, loss: 0.26800641790032387
Test_acc: 0.5
--------------------------
Epoch 405, loss: 0.26800471171736717
Test_acc: 0.5
--------------------------
Epoch 406, loss: 0.2680029831826687
Test_acc: 0.5
--------------------------
Epoch 407, loss: 0.2680012658238411
Test_acc: 0.5
--------------------------
Epoch 408, loss: 0.2679995372891426
Test_acc: 0.5
--------------------------
Epoch 409, loss: 0.2679978497326374
Test_acc: 0.5
--------------------------
Epoch 410, loss: 0.2679961360991001
Test_acc: 0.5
--------------------------
Epoch 411, loss: 0.2679944336414337
Test_acc: 0.5
--------------------------
Epoch 412, loss: 0.2679927386343479
Test_acc: 0.5
--------------------------
Epoch 413, loss: 0.2679910510778427
Test_acc: 0.5
--------------------------
Epoch 414, loss: 0.2679893635213375
Test_acc: 0.5
--------------------------
Epoch 415, loss: 0.267987672239542
Test_acc: 0.4666666666666667
--------------------------
Epoch 416, loss: 0.2679859958589077
Test_acc: 0.4666666666666667
--------------------------
Epoch 417, loss: 0.2679843194782734
Test_acc: 0.4666666666666667
--------------------------
Epoch 418, loss: 0.2679826393723488
Test_acc: 0.4666666666666667
--------------------------
Epoch 419, loss: 0.2679809592664242
Test_acc: 0.4666666666666667
--------------------------
Epoch 420, loss: 0.26797930523753166
Test_acc: 0.4666666666666667
--------------------------
Epoch 421, loss: 0.26797763630747795
Test_acc: 0.4666666666666667
--------------------------
Epoch 422, loss: 0.26797598227858543
Test_acc: 0.4666666666666667
--------------------------
Epoch 423, loss: 0.2679743133485317
Test_acc: 0.4666666666666667
--------------------------
Epoch 424, loss: 0.2679726742208004
Test_acc: 0.4666666666666667
--------------------------
Epoch 425, loss: 0.2679710239171982
Test_acc: 0.4666666666666667
--------------------------
Epoch 426, loss: 0.26796937361359596
Test_acc: 0.4666666666666667
--------------------------
Epoch 427, loss: 0.26796772330999374
Test_acc: 0.4666666666666667
--------------------------
Epoch 428, loss: 0.2679661028087139
Test_acc: 0.4666666666666667
--------------------------
Epoch 429, loss: 0.267964456230402
Test_acc: 0.4666666666666667
--------------------------
Epoch 430, loss: 0.26796282082796097
Test_acc: 0.4666666666666667
--------------------------
Epoch 431, loss: 0.26796119287610054
Test_acc: 0.4666666666666667
--------------------------
Epoch 432, loss: 0.2679595835506916
Test_acc: 0.4666666666666667
--------------------------
Epoch 433, loss: 0.2679579593241215
Test_acc: 0.4666666666666667
--------------------------
Epoch 434, loss: 0.26795634627342224
Test_acc: 0.4666666666666667
--------------------------
Epoch 435, loss: 0.2679547183215618
Test_acc: 0.4666666666666667
--------------------------
Epoch 436, loss: 0.2679531089961529
Test_acc: 0.4666666666666667
--------------------------
Epoch 437, loss: 0.26795149967074394
Test_acc: 0.4666666666666667
--------------------------
Epoch 438, loss: 0.2679498828947544
Test_acc: 0.4666666666666667
--------------------------
Epoch 439, loss: 0.26794830337166786
Test_acc: 0.43333333333333335
--------------------------
Epoch 440, loss: 0.2679467089474201
Test_acc: 0.43333333333333335
--------------------------
Epoch 441, loss: 0.2679451070725918
Test_acc: 0.43333333333333335
--------------------------
Epoch 442, loss: 0.26794351637363434
Test_acc: 0.43333333333333335
--------------------------
Epoch 443, loss: 0.2679419405758381
Test_acc: 0.43333333333333335
--------------------------
Epoch 444, loss: 0.26794033870100975
Test_acc: 0.43333333333333335
--------------------------
Epoch 445, loss: 0.2679387591779232
Test_acc: 0.43333333333333335
--------------------------
Epoch 446, loss: 0.26793717965483665
Test_acc: 0.43333333333333335
--------------------------
Epoch 447, loss: 0.2679356224834919
Test_acc: 0.43333333333333335
--------------------------
Epoch 448, loss: 0.26793404296040535
Test_acc: 0.43333333333333335
--------------------------
Epoch 449, loss: 0.26793247833848
Test_acc: 0.43333333333333335
--------------------------
Epoch 450, loss: 0.26793092861771584
Test_acc: 0.43333333333333335
--------------------------
Epoch 451, loss: 0.2679293565452099
Test_acc: 0.43333333333333335
--------------------------
Epoch 452, loss: 0.2679277993738651
Test_acc: 0.43333333333333335
--------------------------
Epoch 453, loss: 0.26792625710368156
Test_acc: 0.43333333333333335
--------------------------
Epoch 454, loss: 0.2679247111082077
Test_acc: 0.43333333333333335
--------------------------
Epoch 455, loss: 0.26792315766215324
Test_acc: 0.43333333333333335
--------------------------
Epoch 456, loss: 0.2679216153919697
Test_acc: 0.43333333333333335
--------------------------
Epoch 457, loss: 0.2679200731217861
Test_acc: 0.43333333333333335
--------------------------
Epoch 458, loss: 0.26791854575276375
Test_acc: 0.43333333333333335
--------------------------
Epoch 459, loss: 0.2679170146584511
Test_acc: 0.43333333333333335
--------------------------
Epoch 460, loss: 0.2679154835641384
Test_acc: 0.43333333333333335
--------------------------
Epoch 461, loss: 0.26791395992040634
Test_acc: 0.43333333333333335
--------------------------
Epoch 462, loss: 0.26791243627667427
Test_acc: 0.43333333333333335
--------------------------
Epoch 463, loss: 0.2679109275341034
Test_acc: 0.43333333333333335
--------------------------
Epoch 464, loss: 0.267909400165081
Test_acc: 0.43333333333333335
--------------------------
Epoch 465, loss: 0.26790788397192955
Test_acc: 0.43333333333333335
--------------------------
Epoch 466, loss: 0.26790637895464897
Test_acc: 0.43333333333333335
--------------------------
Epoch 467, loss: 0.2679048888385296
Test_acc: 0.43333333333333335
--------------------------
Epoch 468, loss: 0.2679033689200878
Test_acc: 0.43333333333333335
--------------------------
Epoch 469, loss: 0.26790185645222664
Test_acc: 0.43333333333333335
--------------------------
Epoch 470, loss: 0.26790036633610725
Test_acc: 0.43333333333333335
--------------------------
Epoch 471, loss: 0.26789887621998787
Test_acc: 0.43333333333333335
--------------------------
Epoch 472, loss: 0.2678973935544491
Test_acc: 0.43333333333333335
--------------------------
Epoch 473, loss: 0.2678959146142006
Test_acc: 0.43333333333333335
--------------------------
Epoch 474, loss: 0.2678944319486618
Test_acc: 0.43333333333333335
--------------------------
Epoch 475, loss: 0.2678929343819618
Test_acc: 0.43333333333333335
--------------------------
Epoch 476, loss: 0.2678914703428745
Test_acc: 0.43333333333333335
--------------------------
Epoch 477, loss: 0.26788999512791634
Test_acc: 0.43333333333333335
--------------------------
Epoch 478, loss: 0.26788852363824844
Test_acc: 0.43333333333333335
--------------------------
Epoch 479, loss: 0.26788705214858055
Test_acc: 0.43333333333333335
--------------------------
Epoch 480, loss: 0.26788559183478355
Test_acc: 0.43333333333333335
--------------------------
Epoch 481, loss: 0.26788411661982536
Test_acc: 0.43333333333333335
--------------------------
Epoch 482, loss: 0.26788267865777016
Test_acc: 0.43333333333333335
--------------------------
Epoch 483, loss: 0.26788122579455376
Test_acc: 0.43333333333333335
--------------------------
Epoch 484, loss: 0.26787975430488586
Test_acc: 0.43333333333333335
--------------------------
Epoch 485, loss: 0.26787832379341125
Test_acc: 0.43333333333333335
--------------------------
Epoch 486, loss: 0.26787688210606575
Test_acc: 0.43333333333333335
--------------------------
Epoch 487, loss: 0.26787544041872025
Test_acc: 0.43333333333333335
--------------------------
Epoch 488, loss: 0.26787398383021355
Test_acc: 0.43333333333333335
--------------------------
Epoch 489, loss: 0.26787256449460983
Test_acc: 0.43333333333333335
--------------------------
Epoch 490, loss: 0.26787112280726433
Test_acc: 0.43333333333333335
--------------------------
Epoch 491, loss: 0.2678696922957897
Test_acc: 0.43333333333333335
--------------------------
Epoch 492, loss: 0.2678682655096054
Test_acc: 0.43333333333333335
--------------------------
Epoch 493, loss: 0.2678668461740017
Test_acc: 0.43333333333333335
--------------------------
Epoch 494, loss: 0.2678654305636883
Test_acc: 0.43333333333333335
--------------------------
Epoch 495, loss: 0.26786401867866516
Test_acc: 0.43333333333333335
--------------------------
Epoch 496, loss: 0.26786259934306145
Test_acc: 0.43333333333333335
--------------------------
Epoch 497, loss: 0.26786117628216743
Test_acc: 0.43333333333333335
--------------------------
Epoch 498, loss: 0.2678597904741764
Test_acc: 0.43333333333333335
--------------------------
Epoch 499, loss: 0.267858374863863
Test_acc: 0.43333333333333335
--------------------------

在这里插入图片描述

在这里插入图片描述

wenxingxingxing
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
tf.Variable
weixin_36670529的博客
09-09 2622
目录 __init__ __abs__ __add__ __getitem__ __gt__ __invert__ __iter__ __le__ __lt__ __matmul__ __mod__ __mul__ __ne__ __neg__ __or__ __pow__ __radd__ __rand__ __rdiv__ __rfloordiv__ ...
tensorflow学习笔记----1.创建各种张量
qq_35821503的博客
09-03 501
1.创建一个张量 tf.constant(张量内容,dtype=数据类型（可选）） import tensorflow as tf a=tf.constant([1,5],dtype=tf.int64) # 创建一个指定的一阶张量，这个张量有两个元素:1,5,指定数据类型是int64 print(a) print(a.dtype) print(a.shape) 运行结果： shape的括号里的逗号，逗号隔开了几个数字，这个张量就是几维，这里逗号前就一个数字， 即逗号隔开了一个数字，..
【深度学习】Tensorflow学习（1）张量与常用函数
萌狼蓝天の技术栈
02-27 1901
关于张量 张量可以表示0阶到N阶的数组 在TensorFlow中，张量(Tensor)表示某种相同数据类型的多维数据 因此张量有两个重要特征： 数据类型 数组形状(各个维度的大小) 张量的数据类型 tf.int，tf.float tf.int32，tf.float32，tf.float64 tf.bool tf.constant([True,False]) tf.string tf.co...
tensorflow学习笔记及分类鸢尾花
HARDWORKING SURELY PAYS OFF
05-03 1024
TensorFlow框架介绍 tensorflow简介 tensorflow 版本： 2019.3 Tensorflow 2.0 测试版发布 2019.10 Tensorflow 2.0 正式版发布 2020.1 Tensorflow 2.1 发布 2020.5 Tensorflow 2.2 发布 2020.7 Tensorflow 2.3 发布 2020.12 Tensorflow 2.4 发布 张量 张量(Tensor)：多维数组(列表) 阶：张量的维数 维数 阶 名字
tensorflow tf.Variable 的用法
weixin_44493841的博客
11-04 1004
import tensorflow as tf #导入模块 import numpy as np tf.Variable(3) # 数字输入 <tf.Variable ‘Variable:0’ shape=() dtype=int32, numpy=3> tf.Variable(np.array(3.)) # 浮点数输入 <tf.Variable ‘Variable:0’ shape=() dtype=float64, numpy=3.0> tf.Variable([1
resnet50_weights_tf_dim_ordering_tf_kernels_notop.h5
10-24
resnet50_weights_tf_dim_ordering_tf_kernels_notop.h5 速度快，准确率高，参数不多 50层残差网络模型,权重训练自ImageNet 该模型在Theano和TensorFlow后端均可使用,并接受channels_first和channels_last两种输入...
inception_v3_weights_tf_dim_ordering_tf_kernels_notop.h5
03-06
《Inception V3模型权重文件在TensorFlow与Keras中的应用》 Inception V3是Google Brain团队在2015年提出的深度学习模型，它在图像识别领域有着卓越的表现，尤其是在ImageNet大规模视觉识别挑战赛（ILSVRC）中取得...
vgg19_weights_tf_dim_ordering_tf_kernels.h5
10-24
VGG19模型,权重由ImageNet训练而来 该模型再Theano和TensorFlow后端均可使用,并接受channels_first和channels_last两种输入维度顺序 模型的默认输入尺寸:224x224
inception_v3_weights_tf_dim_ordering_tf_kernels.h5
01-14
这有两个文件，分别为inception_v3_weights_tf_dim_ordering_tf_kernels.h5， inception_v3_weights_tf_dim_ordering_tf_kernels_notop.h5
TensorFlow 的基本概念和使用场景
roc_ever的博客
07-24 359
它的核心概念包括张量、计算图和会话，并提供了丰富的 API 和工具，简化了模型的构建和训练过程。阶是指张量的维度数，形状是指每一维度的大小，类型是指数据的类型（如浮点数、整数等）。TensorFlow 提供了高层次的 API，如 tf.keras 和 tf.estimator，简化了模型的构建和训练过程。TensorFlow 也支持强化学习任务，通过与 OpenAI Gym 等工具结合，开发者可以构建和训练智能体，在不同的环境中进行决策和学习。通过会话，用户可以在计算图中执行操作，并获取结果。
深度学习tensorflow的基本内容
2301_76777096的博客
07-24 265
4、random -->normal创建一个正态分布的数据,truncated_normal截断一部分数据, uniform创建一个均匀分布的数据, shuffle随机打散。numpy(): 查看常量的数据， dtype: 查看常量的的类型， shape查看常量的形状， ndim, rank: 查看常量的维度。将Tensor常量转化为能求导的Tensor : Variable --> trainable查看是否可求导， name。.int(整型) float(浮点型) double(双浮点型)
CSS 基础知识
07-24 1398
为了使代码正常工作，我们仍然需要将此 CSS（上面）应用于您的 HTML 文档。页面上的大多数 HTML 元素都可以被认为是位于其他框之上的框。（600 像素）如果你的图片较大，它会溢出正文，溢出到页面的其余部分。这似乎是一个坏主意，但其目的是为无样式的页面提供基本的可读性。应用于块元素的边距将受到页面上其他元素的尊重。现在我们已经探索了一些 CSS 基础知识，让我们通过向文件添加更多规则和信息来改进示例的外观。为了继续，让我们添加更多的 CSS。CSS 注释是您编写有关代码或逻辑的有用注释的一种方式。
基于TensorFlow.js和COCO-SsD模型的实时目标检测网络应用程序
Byyyi耀的博客
07-25 851
基于TensorFlow.js和COCO-SsD模型的实时目标检测网络应用程序
快醒醒，别睡了!...讲《数据分析pandas库》了—/—＜4＞
最新发布
qq_64603703的博客
07-27 644
详细解说数据分析pandas库中的常用方法
全网最详细Gradio教程系列5——Gradio Client: python
shao918516的博客
07-26 756
程序部署完成后，如何将Gradio App作为API访问使用呢，这就用到Gradio Client。本章讲解Gradio Client的三种使用方式：python、javascript和curl，受字数限制，所以分三篇博客发布。 使用Gradio Python Client非常易于将Gradio应用程序作为API使用，本节讲述gradio_client安装、如何连接Gradio应用程序、查看可用API及其使用方式、job及session等用法。 通过Gradio Python Cli
随机数种子的作用
帆的博客
07-23 1284
设置随机数种子（random seed）的目的是为了确保随机数生成器在每次运行时产生相同的随机数序列，从而保证实验结果的一致性。随机数种子通过初始化随机数生成器的内部状态，使得在相同的种子值下，随机数生成器每次调用时生成的序列是相同的。
全面解析 SnowNLP：中文文本处理、情感分析
有勇气的牛排博客
07-24 459
SnowNLP 是一个专门用于处理中文文本的 Python库。分词情感分析关键词提取文本分类拼音转换繁体转简体词相似度计算等测试环境：Python3.10.9尚未测出该功能text = "有勇气的牛排写的文章通俗易懂，爱了爱了"文本分类使用的是 SnowNLP 的情感分析模型。
安卓手机部署大模型实战
奇舞周刊
07-25 600
本文作者系360奇舞团前端开发工程师前言自ChatGPT发布以来，大语言模型（Large language model, LLM)就成了AI乃至整个计算机科学的话题中心。学术界，工业界围绕大语言模型本身及其应用展开了广泛的讨论，大量的新的实践层出不穷。由于LLM对计算资源的需求极大，有能力部署大语言模型的公司和实验室一般通过搭建集群，然后开放API或者网页demo的方式让用户可以使用模型。在人们纷...
详细讲解一下create_tf_dataset函数
03-11
此外，create_tf_dataset函数还可以与TensorFlow的其他函数和模块一起使用，例如tf.keras和tf.data.experimental。通过使用create_tf_dataset函数，可以方便地创建高效、灵活的TensorFlow数据集，以便进行机器学习和...
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