python機器學習tensorflow1.0主要參數和svm算法

89542767 發布于2022-12-23 21:11 / 366人閱讀

　　此篇文章首要給大家介紹了python機器學習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，祝愿大家多多的發展，盡快漲薪。

　　tf.trainable_variables()提取訓練參數

　　在tf中，參與訓練的參數可用tf.trainable_variables()提取出來，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——&gt;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-&gt;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-&gt;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-&gt;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）--&gt;(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})

　　最后一句話句子便是獲取某層的數據傳遞做為特點。

　　留意：這一程序流程并沒經過訓練，因而獲取出來的主要參數僅僅復位的主要參數。

　　綜上所述，這篇文章就給大家介紹到這里了，希望可以給各位讀者帶來幫助。

云服務器 GPU云服務器機器學習主要算法機器學習和算法機器學習主要學習什么機器學習主要課程

文章版權歸作者所有，未經允許請勿轉載,若此文章存在違規行為，您可以聯系管理員刪除。

轉載請注明本文地址：http://specialneedsforspecialkids.com/yun/128753.html

python深度神經網絡tensorflow1.0主要參數和svm算法

　　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=t...

89542767 2022-12-23 17:14 評論0 收藏0
一個簡單的案例帶你了解支持向量機算法（Python代碼）

摘要：什么是支持向量機支持向量機是一種有監督的機器學習算法，可用于分類任務或回歸任務。支持向量機是一個最好地隔離兩個類超平面或者說分類線的前沿算法。接下來，我們將討論支持向量機如何工作。 showImg(https://segmentfault.com/img/remote/1460000019599694); 介紹掌握機器學習算法并不是一個不可能完成的事情。大多數的初學者都是從學習回歸開...

Jrain 2019-07-31 10:37 評論0 收藏0
?openGauss數據庫源碼解析系列文章—— DeepSQL?

???大家好，我是Gauss松鼠會，歡迎進來學習啦~??? 上一篇介紹了 8.6 AI查詢時間預測的相關內容，本篇我們介紹8.7 DeepSQL、8.8 小結的相關精彩內容介紹。 8.7 DeepSQL 前面提到的功能均為AI4DB領域，AI與數據庫結合還有另外一個大方向，即DB4AI。在本章中，我們將介紹openGauss的DB4AI能力，探索通過數據庫來高效驅動AI任務的新途徑。使用場景 ...

Atom 2021-09-29 09:35 評論0 收藏0
機器學習算法基礎（使用Python代碼）

摘要：機器學習算法類型從廣義上講，有種類型的機器學習算法。強化學習的例子馬爾可夫決策過程常用機器學習算法列表以下是常用機器學習算法的列表。我提供了對各種機器學習算法的高級理解以及運行它們的代碼。決策樹是一種監督學習算法，主要用于分類問題。 showImg(https://segmentfault.com/img/remote/1460000019086462); 介紹谷歌的自動駕駛汽車和機...

BenCHou 2019-07-31 10:22 評論0 收藏0