wnloverforever的博客

def read_and_decode(filename): filename_queue = tf.train.string_input_producer([filename]) reader = tf.TFRecordReader() _,serialized_example = reader.read(filename_queue) features = ...

tf.train.batch() tf.train.batch(tensors, batch_size, num_threads=1, capacity=32, enqueue_many=False, shapes=None, dynamic_pad=False, allow_smaller_final_batch=False, shared_n...

为了充分使用多GPU加速训练，我们使用并联式训练方法（这个名称忘了），因此需要把每一次训练的梯度更新给取出来（这个与训练方法有关） 获取所有变量 train_variables = tf.trainable_variables() 计算梯度 tower_grads = [] grads = optim.compute_gradients(loss,var_list=train_varia...

tf.nn.conv2d( inputs, out_dim, k, strides=strides, padding='same') inputs:[batch,height,width,channels] out_dim:代表输出几个channels，其他函数会自动判断 k:卷积核大小，如果长宽一样，那么就给一个数字即可 stride:卷积步长，同样的如果长宽一样，那么就给一个数字即可...

1.tf.Variable(0,name=‘steps’,training=True) 创建变量，初始值为0，名称为steps steps = tf.Variable(0,name='steps',training=True) 2.optim=tf.train.AdamOptimizer(learning_rate=lr) 使用adam优化器，学习率为lr，这里的lr有俩种方式定义，第一种为固定...

Tensorflow的Session对象支持多线程，可以在同一个Session中创建多个线程，默认是cpu有多少个核，就启动多少个线程。 Tensorflow提供了俩个类来实现对Session中多线程的管理：tf.Coordinator和tf.QueueRunner，这俩个类必须一起使用。 Coordinator类用来管理Session中的多个线程。使用tf.tain.Coordinator()来...