自定义博客皮肤VIP专享

*博客头图：

点击选择上传的图片

格式为PNG、JPG，宽度*高度大于1920*100像素，不超过2MB，主视觉建议放在右侧，请参照线上博客头图

请上传大于1920*100像素的图片！

博客底图：

点击选择上传的图片

图片格式为PNG、JPG，不超过1MB，可上下左右平铺至整个背景

栏目图：

点击选择上传的图片

图片格式为PNG、JPG，图片宽度*高度为300*38像素，不超过0.5MB

主标题颜色：

RGB颜色，例如：#AFAFAF

Hover：

RGB颜色，例如：#AFAFAF

副标题颜色：

RGB颜色，例如：#AFAFAF

预览取消提交

自定义博客皮肤

-+

上一步保存

xun__Meng的博客

xun__Meng CSDN认证博客专家 CSDN认证企业博客

码龄8年

2: 原创

134万+: 周排名

41万+: 总排名

1万+: 访问

: 等级

156: 积分

5: 粉丝

11: 获赞

5: 评论

93: 收藏

私信

关注

热门文章

分类专栏

机器学习 2篇

最新评论

TensorFlow VGG16网络实现Cifar-10图像分类
Lingering_Fear: 你用的tensorflow什么版本
TensorFlow VGG16网络实现Cifar-10图像分类
你才是韭菜: [code=python] import tensorflow as tf from tensorflow import keras from tensorflow.keras import layers,datasets,Sequential,models import numpy as np import os # Tensorflow设置CUDA_VISIBLE_DEVICES来控制GPU的使用 os.environ["CUDA_DEVICE_ORDER"] = "PCI_BUS_ID" os.environ['CUDA_VISIBLE_DEVICES'] = '/gpu:0' # 超参数 # 使用BN 使超参数零均值归一化 def normalize(x_train,x_test): x_train = x_train/255. x_test = x_test/255. # 标准化公式在笔记本上 mean = np.mean(x_train,axis=(0,1,2,3)) std = np.std(x_train,axis=(0,1,2,3)) print('mean:',mean,'std',std) x_train = (x_train - mean) /(std +1e-7) x_test = (x_test - mean) / (std + 1e-7) return x_train,x_test # 读取数据 (x_train,y_train),(x_test,y_test)=datasets.cifar10.load_data() print((x_train.shape,y_train.shape),(x_test.shape,y_test.shape)) # 归一化数据、 def preprocess(x,y): x = tf.cast(x,tf.float32) y = tf.cast(y ,tf.int32) # y 的形状 [5000,1] 所以要进行one_hot时要取第一列 y = tf.squeeze(y,axis=1) y = tf.one_hot(y,depth [/code]
TensorFlow VGG16网络实现Cifar-10图像分类
你才是韭菜: 你好博主。我用GPU版的tensorflow2.0......用VGG16训练cifar10数据集，速度超级慢。显卡GTX1650，，用的笔记本。。训练模型时，GPU的使用率很低，请问我该怎么解决。。下面是代码。[code=python]import tensorflow as tf from tensorflow import keras from tensorflow.keras import layers,datasets,Sequential,models import numpy as np import os # Tensorflow设置CUDA_VISIBLE_DEVICES来控制GPU的使用 os.environ["CUDA_DEVICE_ORDER"] = "PCI_BUS_ID" os.environ['CUDA_VISIBLE_DEVICES'] = '/gpu:0' # 超参数 # 使用BN 使超参数零均值归一化 def normalize(x_train,x_test): x_train = x_train/255. x_test = x_test/255. # 标准化公式在笔记本上 mean = np.mean(x_train,axis=(0,1,2,3)) std = np.std(x_train,axis=(0,1,2,3)) print('mean:',mean,'std',std) x_train = (x_train - mean) /(std +1e-7) x_test = (x_test - mean) / (std + 1e-7) return x_train,x_test # 读取数据 (x_train,y_train),(x_test,y_test)=datasets.cifar10.load_data() print((x_train.shape,y_train.shape),(x_test.shape,y_test.shape)) # 归一化数据、 def preprocess(x,y): x = tf.cast(x,tf.float32) y = tf.cast(y , [/code]
TensorFlow VGG16网络实现Cifar-10图像分类
Github_Yue: 博主，为什么我训练得到的loss曲线很平滑
TensorFlow VGG16网络实现Cifar-10图像分类
J_Baymax: Up主，你在用Momentum优化器的时候没有出现loss=nan嘛？？

最新文章

机器学习

关注

关注数：文章数：2 文章阅读量：12135 文章收藏量：98

作者: xun__Meng

这个作者很懒，什么都没留下…

展开