欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

python深度學(xué)習(xí)tensorflow1.0參數(shù)和特征提取

 更新時(shí)間:2022年06月29日 16:41:01   作者:denny402  
這篇文章主要為大家介紹了python深度學(xué)習(xí)tensorflow1.0參數(shù)和特征提取,有需要的朋友可以借鑒參考下,希望能夠有所幫助,祝大家多多進(jìn)步,早日升職加薪

tf.trainable_variables()提取訓(xùn)練參數(shù)

在tf中,參與訓(xùn)練的參數(shù)可用 tf.trainable_variables()提取出來(lái),如:

#取出所有參與訓(xùn)練的參數(shù)
params=tf.trainable_variables()
print("Trainable variables:------------------------")
#循環(huán)列出參數(shù)
for idx, v in enumerate(params):
     print("  param {:3}: {:15}   {}".format(idx, str(v.get_shape()), v.name))

這里只能查看參數(shù)的shape和name,并沒(méi)有具體的值。如果要查看參數(shù)具體的值的話,必須先初始化,即:

sess=tf.Session()
sess.run(tf.global_variables_initializer())

同理,我們也可以提取圖片經(jīng)過(guò)訓(xùn)練后的值。圖片經(jīng)過(guò)卷積后變成了特征,要提取這些特征,必須先把圖片feed進(jìn)去。

具體實(shí)例

# -*- coding: utf-8 -*-
"""
Created on Sat Jun  3 12:07:59 2017
@author: Administrator
"""
import tensorflow as tf
from skimage import io,transform
import numpy as np
#-----------------構(gòu)建網(wǎng)絡(luò)----------------------
#占位符
x=tf.placeholder(tf.float32,shape=[None,100,100,3],name='x')
y_=tf.placeholder(tf.int32,shape=[None,],name='y_')
#第一個(gè)卷積層(100——>50)
conv1=tf.layers.conv2d(
      inputs=x,
      filters=32,
      kernel_size=[5, 5],
      padding="same",
      activation=tf.nn.relu,
      kernel_initializer=tf.truncated_normal_initializer(stddev=0.01))
pool1=tf.layers.max_pooling2d(inputs=conv1, pool_size=[2, 2], strides=2)
#第二個(gè)卷積層(50->25)
conv2=tf.layers.conv2d(
      inputs=pool1,
      filters=64,
      kernel_size=[5, 5],
      padding="same",
      activation=tf.nn.relu,
      kernel_initializer=tf.truncated_normal_initializer(stddev=0.01))
pool2=tf.layers.max_pooling2d(inputs=conv2, pool_size=[2, 2], strides=2)
#第三個(gè)卷積層(25->12)
conv3=tf.layers.conv2d(
      inputs=pool2,
      filters=128,
      kernel_size=[3, 3],
      padding="same",
      activation=tf.nn.relu,
      kernel_initializer=tf.truncated_normal_initializer(stddev=0.01))
pool3=tf.layers.max_pooling2d(inputs=conv3, pool_size=[2, 2], strides=2)
#第四個(gè)卷積層(12->6)
conv4=tf.layers.conv2d(
      inputs=pool3,
      filters=128,
      kernel_size=[3, 3],
      padding="same",
      activation=tf.nn.relu,
      kernel_initializer=tf.truncated_normal_initializer(stddev=0.01))
pool4=tf.layers.max_pooling2d(inputs=conv4, pool_size=[2, 2], strides=2)
re1 = tf.reshape(pool4, [-1, 6 * 6 * 128])
#全連接層
dense1 = tf.layers.dense(inputs=re1, 
                      units=1024, 
                      activation=tf.nn.relu,
                      kernel_initializer=tf.truncated_normal_initializer(stddev=0.01),
                      kernel_regularizer=tf.nn.l2_loss)
dense2= tf.layers.dense(inputs=dense1, 
                      units=512, 
                      activation=tf.nn.relu,
                      kernel_initializer=tf.truncated_normal_initializer(stddev=0.01),
                      kernel_regularizer=tf.nn.l2_loss)
logits= tf.layers.dense(inputs=dense2, 
                        units=5, 
                        activation=None,
                        kernel_initializer=tf.truncated_normal_initializer(stddev=0.01),
                        kernel_regularizer=tf.nn.l2_loss)
#---------------------------網(wǎng)絡(luò)結(jié)束---------------------------
#%%
#取出所有參與訓(xùn)練的參數(shù)
params=tf.trainable_variables()
print("Trainable variables:------------------------")
#循環(huán)列出參數(shù)
for idx, v in enumerate(params):
     print("  param {:3}: {:15}   {}".format(idx, str(v.get_shape()), v.name))
#%%
#讀取圖片
img=io.imread('d:/cat.jpg')
#resize成100*100
img=transform.resize(img,(100,100))
#三維變四維(100,100,3)-->(1,100,100,3)
img=img[np.newaxis,:,:,:]
img=np.asarray(img,np.float32)
sess=tf.Session()
sess.run(tf.global_variables_initializer()) 
#提取最后一個(gè)全連接層的參數(shù) W和b
W=sess.run(params[26])
b=sess.run(params[27])
#提取第二個(gè)全連接層的輸出值作為特征    
fea=sess.run(dense2,feed_dict={x:img})

最后一條語(yǔ)句就是提取某層的數(shù)據(jù)輸出作為特征。

注意:這個(gè)程序并沒(méi)有經(jīng)過(guò)訓(xùn)練,因此提取出的參數(shù)只是初始化的參數(shù)。

以上就是python深度學(xué)習(xí)tensorflow1.0參數(shù)和特征提取的詳細(xì)內(nèi)容,更多關(guān)于python tensorflow參數(shù)特征提取的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章!

相關(guān)文章

  • python中multiprosessing模塊的Pool類(lèi)中的apply函數(shù)和apply_async函數(shù)的區(qū)別

    python中multiprosessing模塊的Pool類(lèi)中的apply函數(shù)和apply_async函數(shù)的區(qū)別

    這篇文章主要介紹了python中multiprosessing模塊的Pool類(lèi)中的apply函數(shù)和apply_async函數(shù)的區(qū)別、文章圍繞主題的相關(guān)內(nèi)容展開(kāi)詳細(xì)介紹,具有一定的參考價(jià)值,需要的小伙伴可以參考一下
    2022-06-06
  • python golang中g(shù)rpc 使用示例代碼詳解

    python golang中g(shù)rpc 使用示例代碼詳解

    這篇文章主要介紹了python golang中g(shù)rpc 使用,本文通過(guò)示例代碼給大家介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值,需要的朋友可以參考下
    2020-06-06
  • 了解一下python內(nèi)建模塊collections

    了解一下python內(nèi)建模塊collections

    這篇文章主要介紹了Python內(nèi)建模塊——collections的相關(guān)資料,幫助大家更好的理解和使用python,感興趣的朋友可以了解下
    2020-09-09
  • Pandas之?dāng)?shù)據(jù)追加df.append方式

    Pandas之?dāng)?shù)據(jù)追加df.append方式

    這篇文章主要介紹了Pandas之?dāng)?shù)據(jù)追加df.append方式,具有很好的參考價(jià)值,希望對(duì)大家有所幫助,如有錯(cuò)誤或未考慮完全的地方,望不吝賜教
    2023-08-08
  • Python實(shí)現(xiàn)將Excel轉(zhuǎn)換成為image的方法

    Python實(shí)現(xiàn)將Excel轉(zhuǎn)換成為image的方法

    今天小編就為大家分享一篇Python實(shí)現(xiàn)將Excel轉(zhuǎn)換成為image的方法,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧
    2018-10-10
  • 搞清楚 Python traceback的具體使用方法

    搞清楚 Python traceback的具體使用方法

    這篇文章主要介紹了搞清楚 Python traceback的具體使用方法,小編覺(jué)得挺不錯(cuò)的,現(xiàn)在分享給大家,也給大家做個(gè)參考。一起跟隨小編過(guò)來(lái)看看吧
    2019-05-05
  • Python中函數(shù)的參數(shù)定義和可變參數(shù)用法實(shí)例分析

    Python中函數(shù)的參數(shù)定義和可變參數(shù)用法實(shí)例分析

    這篇文章主要介紹了Python中函數(shù)的參數(shù)定義和可變參數(shù)用法,以實(shí)例形式較為詳細(xì)的分析了Python中參數(shù)定義與可變參數(shù)的具體使用方法,需要的朋友可以參考下
    2015-06-06
  • Python中第三方庫(kù)Faker的使用詳解

    Python中第三方庫(kù)Faker的使用詳解

    在如今的大數(shù)據(jù)時(shí)代,數(shù)據(jù)的價(jià)值可想而知。有時(shí)候?yàn)榱俗鰷y(cè)試,需要模擬真實(shí)的環(huán)境,但是又不能直接使用真實(shí)數(shù)據(jù),就需要我們認(rèn)為制造一些數(shù)據(jù)出來(lái)。這時(shí)候就要來(lái)說(shuō)說(shuō)Python這的Faker庫(kù)了,快跟隨小編來(lái)學(xué)習(xí)一下這個(gè)庫(kù)吧
    2022-04-04
  • 在Django中管理Users和Permissions以及Groups的方法

    在Django中管理Users和Permissions以及Groups的方法

    這篇文章主要介紹了在Django中管理Users和Permissions以及Groups的方法,Django是最具人氣的Python web開(kāi)發(fā)框架,需要的朋友可以參考下
    2015-07-07
  • Python識(shí)別處理照片中的條形碼

    Python識(shí)別處理照片中的條形碼

    這篇文章主要介紹了Python識(shí)別處理照片中的條形碼,幫助大家更好的利用python處理圖片,提高辦公效率,感興趣的朋友可以了解下
    2020-11-11

最新評(píng)論