本文主要是給大家介紹了python深度神經網絡tensorflow1.0主要參數和svm算法，感興趣的小伙伴可以參考借鑒一下，希望可以有一定的幫助，祝愿大家盡可能不斷進步，盡早漲薪

　　tf.trainable_variables()獲取練習主要參數

　　在tf中，參加鍛煉的主要參數可用tf.trainable_variables()分離出來，如：

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

　　這里只能查看參數的shape和name,并沒有具體的值。如果要查看參數具體的值的話，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過訓練后的值。圖片經過卷積后變成了特征，要提取這些特征，必須先把圖片feed進去。

　　具體實例

　　#-*-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
　　#-----------------構建網絡----------------------
　　#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)
　　#---------------------------網絡結束---------------------------
　　#%%
　　#取出所有參與訓練的參數
　　params=tf.trainable_variables()
　　print("Trainable variables:------------------------")
　　#循環列出參數
　　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())
　　#提取最后一個全連接層的參數W和b
　　W=sess.run(params[26])
　　b=sess.run(params[27])
　　#提取第二個全連接層的輸出值作為特征
　　fea=sess.run(dense2,feed_dict={x:img})

　　最后一條語句就是提取某層的數據輸出作為特征。

　　注意：這個程序并沒有經過訓練，因此提取出的參數只是初始化的參數。

　　綜上所述，這篇文章就給大家介紹完畢了，希望可以給大家帶來幫助。