随笔分类 - TensorFlow
摘要：centos下编译tensorflow c++ API坑比较多，最近有幸都踩了一遍 tensorflow版本和bazel版本protobuf版本都必须对应的上，比如 tf1.14对应：bazel-0.24.1-installer-linux-x86_64.sh protobuf-all-3.7.0.
阅读全文
摘要：训练模型需要的数据文件有： MNIST_data文件夹下的mnist_train、mnist_test、noisy_train、noisy_test。train文件夹下60000个图片，test下10000个图片 noisy_train、noisy_test下的图片加了椒盐噪声与原图序号对应 离线测
阅读全文
摘要：使用深度学习模型时当然希望可以保存下训练好的模型，需要的时候直接调用，不再重新训练 一、保存模型到本地 以mnist数据集下的AutoEncoder 去噪为例。添加： 这里的tensorboard和checkpoint分别是 1、启用tensorboard可视化工具，新建终端使用tensorboar
阅读全文
摘要：第一种方法： Keras官方给的图片去噪示例要自动下载mnist数据集并处理，不能修改和加入自己的数据集。 以上代码实现了把mnist数据集读到x_train 和x_test 中并且丢弃标签，全过程是封闭的 现需要将本地的mnist数据集，解压成图片格式，然后通过文件操作把图片一个一个读进去同样存在
阅读全文
摘要：准确率只有70%，cpu版本的TF居然跑了两天才跑完，其他方法将继续尝试。 生成数据目录： import numpy as np import os train_label = {} for i in range(10): search_path = './data/train/{}'.format
阅读全文
摘要：一、cifar10数据集 （http://www.cs.toronto.edu/~kriz/cifar-10-python.tar.gz）源格式是数据文件，因为训练需要转换成图片格式 转换代码： 注意文件路径改成自己的文件路径，train文件夹需要自己建，等待转换完成 二、mnist数据集的转化 1
阅读全文
摘要：TensorFlow常用的示例一般都是生成模型和测试模型写在一起，每次更换测试数据都要重新训练，过于麻烦， 以下采用先生成并保存本地模型，然后后续程序调用测试。 示例一：线性回归预测 make.py import tensorflow as tf import numpy as np def tra
阅读全文
摘要：Minist数据集：MNIST_data 包含四个数据文件 一、方法一：经典方法 tf.matmul(X,w)+b 准确率大约是92%，TFboard： 二、方法二：deep learning 卷积神经网络 准确率达到98%，Board： 三、第三种 使用minist数据集做图像去噪 使用了kera
阅读全文
摘要：代码： 图例： TFboard： tensorboard --logdir="./my_graph/linear_reg" --port 6006
阅读全文
摘要：一 、第一个TF python3.6 import tensorflow as tf x=2y=3node1=tf.add(x,y,name='node1')node2=tf.multiply (x,y,name='node2')useless=tf.multiply (x,node1,name='
阅读全文
