摘要： 这俩方法都是从队列中批量获取元素，常用于样本的批量获取； 这俩 API 非常反人类，有些参数我还没搞懂，时间关系，先学习常规用法吧 batch 从队列中获取指定个数的元素组成一个 batch def batch(tensors, batch_size, num_threads=1, capacity 阅读全文

摘要： 简要介绍 tf.add_to_collection：把多个变量放在一个 自己命名 的集合里，包括不同域内的变量 tf.get_collection：读取一个列表，生成一个新列表 tf.add_n：把一个列表里的元素求和 add_to_collection(name, value) name 为集合名 阅读全文

摘要： 数据集 flower_photos 数据预处理 INPUT_DATA = 'F://dl_dataset//flower_photos' OUTPUT_FILE = 'flower_processed_data.npy' training_images = [] training_labels = 阅读全文

摘要： 这是一篇需要仔细思考的博客； 模型加载 首先需要了解模型保存的形式，包含了 checkpoint、data、meta 等文件； 模型加载不仅可以从 data 加载训练好的权重，还可以从 meta 加载计算图， 加载计算图我们可以理解为引入了 计算节点和变量，引入变量很重要，这样我们无需自己去创造变量 阅读全文

摘要： flags 是 tensorflow 定义参数的比较正规的方式，没什么特别的，直接上代码 flags = tf.app.flags flags.DEFINE_integer("epoch", 1000, "Epoch to train [25]") flags.DEFINE_float("learn 阅读全文

摘要： TFRecord 是 tensorflow 内置的文件格式，它是一种二进制文件，具有以下优点： 1. 统一各种输入文件的操作 2. 更好的利用内存，方便复制和移动 3. 将二进制数据和标签(label)存储在同一个文件中 引言 我们先不讲 TFRecord，因为讲了你也不懂，认识几个操作吧 tf.t 阅读全文

摘要： 损失函数，也可叫做 目标函数、代价函数 等，其意义不是完全一致，但是大体相同，不必纠结概念 常见 损失函数 0-1 损失：Zero-one loss 预测与实际相等为 0，不相等为 1； 缺点：定义太过严格，比如预测为 0.99，实际为 1，显然预测没问题，但是上述损失为 1 应用：不常用 感知损失 阅读全文

摘要： 图像分割是一种图像处理方法， 它是指将一副图像分割成若干个互不相交的区域； 图像分割实质就是像素的聚类； 图像分割可以分为两类：基于边缘的分割，基于区域的分割， 聚类就是基于区域的分割； KMeans 实现图像分割 KMeans 分割图像实质上是对像素的聚类，每个类有个代表像素，把原始像素替换成该类 阅读全文

摘要： shape：返回 w h data = np.array([[1, 2], [3, 4]]) shape = data.shape print(shape) # (2, 2) size：返回 w x h print(np.ones((3, 4)).size) # 12 resize and resh 阅读全文

摘要： reduce 可以理解为 python 里的 reduce 函数； tensorflow 中有很多 reduce_ API，其用法完全相同 tf.reduce_max 以这个为例进行说明 def reduce_max(input_tensor, axis=None, keepdims=None, n 阅读全文