贯彻进阶卷积互联网

经典数据集CIFA哈弗-10,四千0张32×32彩色图像,练习集五千0张,测试集一千0张。标注10类,每类图片伍仟张。airplance、automobile、bird、cat、deer、dog、frog、horse、ship、truck。没有任何重叠。CIFA卡宴-100,100类标注。深度学习之父
杰弗里 Hinton和学生亚历克斯 Krizhevsky、Vinod Nair收集。图片来自80 million
tiny images数据集。State-of-the-art
3.5%错误率,GPU练习十几钟头。详细Benchmark和排行在
http://rodrigob.github.io/are\_we\_there\_yet/build/classification\_datasets\_results.html
。LeCun,现有卷积神经网络已经缓解CIFALAND-10数据集难点。

经典数据集CIFA哈弗-10,60000张32×32彩色图像,练习集伍仟0张,测试集一千0张。标注10类,每类图片6000张。airplance、automobile、bird、cat、deer、dog、frog、horse、ship、truck。没有别的重叠。CIFA大切诺基-100,100类标注。深度学习之父
Geoffrey Hinton和学生Alex Krizhevsky、Vinod Nair收集。图片来源80 million
tiny images数据集。State-of-the-art
3.5%错误率,GPU磨练十几钟头。详细Benchmark和排行在
http://rodrigob.github.io/are\_we\_there\_yet/build/classification\_datasets\_results.html
。LeCun,现有卷积神经互连网已经化解CIFASportage-10数据集难题。

根据亚历克斯 cuda-convnet模型修改,2000个batch,每一个batch
126个样本,达到73%正确率。GTX1080单显卡几十秒模型练习时间。CPU慢很多。如用100k
batch
结合学习进程decay(每隔一段时间降低学习速率2个比率),正确率可到86%。模型练习参数100万个,预测四则运算总量三千万次。对weights举办L2正则化。图片翻转、随机剪切等数据增加,创造更加多种本。各类卷积-最大池化层后用L安德拉N层,增强模型泛化能力。

依据亚历克斯 cuda-convnet模型修改,3000个batch,各个batch
1三十个样本,达到73%正确率。GTX1080单显卡几十秒模型陶冶时间。CPU慢很多。如用100k
batch
结合学习进程decay(每隔一段时间下落学习速率1个比率),正确率可到86%。模型练习参数100万个,预测四则运算总量3000万次。对weights举行L2正则化。图片翻转、随机剪切等数据拉长,创立更五种本。每一个卷积-最大池化层后用LCRUISERN层,增强模型泛化能力。

下载TensorFlow Models库,使用在那之中提供CIFALAND-10数据类。git clone
https://github.com/tensorflow/models.git。models/tutorials/image/cifar10。

下载TensorFlow Models库,使用在那之中提供CIFA奇骏-10数据类。git clone
https://github.com/tensorflow/models.git。models/tutorials/image/cifar10。

载入常用库,NumPy、time,TensorFlow Models自动下载、读取CIFAKoleos-10数据类。

载入常用库,NumPy、time,TensorFlow Models自动下载、读取CIFARAV4-10数据类。

定义batch_size,磨练轮数max_steps,下载CIFAXC60-10数据暗许路径。

定义batch_size,磨炼轮数max_steps,下载CIFA昂Cora-10数据私下认可路径。

概念初阶化weight函数,tf.truncated_normal截断正态分布开首化权重。Weight加L2
loss ,做L2
正则化。收缩特征或惩罚不首要特点权重,缓解特征过多导致过拟合。正则化协助找到该处以的性状权重。为运用某些特征,需提交loss代价。L1正则创建稀疏特征,半数以上无用特征权重被置0。L2正则让特征权重可是大,特征权重较平均。wl控制L2
loss大小,tf.nn.l2_loss函数总计weight L2 loss,tf.multiply L2 loss
乘以wl,得最后 weight loss。tf.add_to_collection weight
loss统一存在collection losses,总结神经互联网总体loss使用。

概念早先化weight函数,tf.truncated_normal截断正态分布伊始化权重。Weight加L2
loss ,做L2
正则化。收缩特征或惩罚不重庆大学特点权重,缓解特征过多导致过拟合。正则化支持找到该处以的性状权重。为运用有些特征,需付出loss代价。L1正则创立稀疏特征,大部分无用特征权重被置0。L2正则让特征权重可是大,特征权重较平均。wl控制L2
loss大小,tf.nn.l2_loss函数计算weight L2 loss,tf.multiply L2 loss
乘以wl,得最后 weight loss。tf.add_to_collection weight
loss统一存在collection losses,计算神经互联网总体loss使用。

用cifar10类下载数据集,解压、展开到私下认可地方。

用cifar10类下载数据集,解压、展开到暗中认可位置。

用cifar10_input类
distorted_inputs函数爆发磨练多少,包涵特征、label,重临封装tensor,每一遍执行生成三个batch_size数量样本。Data
Augmentation(数据增进),cifar10_input.distorted_inputs函数,随机水平翻转(tf.image.random_flip_left_right)、随机剪切一块24×24图形(tf.random_crop)、设置随机亮度相比较度(tf.image.random_brightness、tf.image.random_contrast),数据标准(tf.image.per_image_whitening,数据减均值,除方差,保障数据零均值,方差1)。得到更种种本,带噪声,一张图片样本变多张图片,扩展样本量,进步准确率。数据拉长操作消耗大批量CPU时间,distored_inputs用17个单身线程加快职责,函数内部发生线程池,通过TensorFlow
queue调度。

用cifar10_input类
distorted_inputs函数发生操练多少,包蕴特征、label,重返封装tensor,每便执行生成二个batch_size数量样本。Data
Augmentation,cifar10_input.distorted_inputs函数,随机水平翻转(tf.image.random_flip_left_right)、随机剪切一块24×24图片(tf.random_crop)、设置随机亮度相比较度(tf.image.random_brightness、tf.image.random_contrast),数据标准(tf.image.per_image_whitening,数据减均值,除方差,保险数据零均值,方差1)。得到越来越多种本,带噪声,一张图纸样本变多张图纸,扩展样本量,提升准确率。数据增加操作消耗大量CPU时间,distored_inputs用十七个独立线程加快职分,函数内部产生线程池,通过TensorFlow
queue调度。

用cifar10_input.inputs函数生成测试数据,裁剪图片正中间24×24大小区块,数据标准。

用cifar10_input.inputs函数生成测试数据,裁剪图片正中间24×24大小区块,数据标准。

创办输入数据placeholderx,特征、label。设定placeholder数据尺寸,batch_size定义互联网布局要用,数据尺寸第③个值样本条数须要事先设定,无法设None。数据尺寸的图片尺寸为24×24,裁剪后大小,颜色通道数3,彩色LacrosseGB三通道。

创立输入数据placeholderx,特征、label。设定placeholder数据尺寸,batch_size定义互联网布局要用,数据尺寸第③个值样本条数须要事先设定,不能够设None。数据尺寸的图片尺寸为24×24,裁剪后大小,颜色通道数3,彩色KugaGB三通道。

首先个卷积层,variable_with_weight_loss
函数成立卷积核参数起首化。卷积核大小5×5,3个颜色通道,六12个卷积核,设置weight初阶化函数标准差0.05。wl(weight
loss)设0。tf.nn.conv2d函数对输入数据image_holder卷积操作,步长stride设1,padding方式SAME,bias伊始化0,卷积结果加bias,用ReLU激活函数非线化。用尺寸3×3,步长2×2最大池化层处理数量,尺寸、步长不等同,增加数量丰硕性。tf.nn.lrn函数,L大切诺基N,处理结果。

先是个卷积层,variable_with_weight_loss
函数创建卷积核参数初步化。卷积核大小5×5,三个颜色通道,63个卷积核,设置weight初阶化函数标准差0.05。wl(weight
loss)设0。tf.nn.conv2d函数对输入数据image_holder卷积操作,步长stride设1,padding形式SAME,bias初叶化0,卷积结果加bias,用ReLU激活函数非线化。用尺寸3×3,步长2×2最大池化层处理多少,尺寸、步长不等同,扩充多少丰硕性。tf.nn.lrn函数,L科雷傲N,处理结果。

L奥迪Q3N起于亚历克斯用CNN加入ImageNet竞赛杂谈。L奥德赛N模仿生物神经系统侧抑制机制,对一部分神经元活动开创竞争条件,响应较大值变得相对更大,抑制其余报告较小神经元,增强模型泛化能力。用L奥迪Q5N后CNN
Top1错误率降低1.4%。LLANDN对无上限边界激活函数ReLU有用,从附近多少个卷积核响应(Response)挑选较大报告,不相符固定边界能遏制过大值激活函数Sigmoid。

LLX570N起于亚历克斯用CNN加入ImageNet竞赛诗歌。L大切诺基N模仿生物神经系统侧抑制机制,对有的神经元活动创设竞争环境,响应较大值变得相对更大,抑制其余报告较小神经元,增强模型泛化能力。用LEvoqueN后CNN
Top1错误率下跌1.4%。L卡宴N对无上限边界激活函数ReLU有用,从邻近多少个卷积核响应挑选较大报告,不吻合固定边界能平抑过大值激活函数Sigmoid。

第②个卷积层,卷积核尺寸第②维度输入通道数64,bias值全起始化0.1。先举办LRN层处理,再用最大池化层。

第二个卷积层,卷积核尺寸第①维度输入通道数64,bias值全初叶化0.1。先举行LPAJERON层处理,再用最大池化层。

全连接层,把前边三个卷积层输出结果一切flatten,tf.reshape函数把种种样本变成一维向量。get_shape函数获取数据扁平化长度。variable_with_weight_loss函数早先化全连接层weight,隐含节点384,正态分布标准差0.04,bias起始化0.1。设非零weight
loss值0.04,全数参数被L2正则约束,幸免过拟合。ReLU激活函数非线性化。

全连接层,把前面多个卷积层输出结果一切flatten,tf.reshape函数把各类样本变成一维向量。get_shape函数获取数据扁平化长度。variable_with_weight_loss函数早先化全连接层weight,隐含节点384,正态分布标准差0.04,bias起初化0.1。设非零weight
loss值0.04,所有参数被L2正则约束,制止过拟合。ReLU激活函数非线性化。

其次个全连接层,隐含节点192。

其次个全连接层,隐含节点192。

最终一层,先创立weight,正态分布标准差设上一隐含层节点数尾数,不计入L2正则。Softmax操作放在总括loss部分,不要求对inference输出softmax处理,就能够收获最后分类,直接比较inference输出各个数值大小。

终极一层,先成立weight,正态分布标准差设上一隐含层节点数倒数,不计入L2正则。Softmax操作放在总计loss部分,不必要对inference输出softmax处理,就足以拿走最后分类,直接相比inference输出各个数值大小。

整整卷积神经互连网从输入到输出流程。设计CNN,安顿卷积层、池化层、全连接层分布和一一,超参数设置、Trick使用。卷积神经网络布局:
conv1:卷积层和ReLU激活函数
pool1:最大池化
norm1:LRN
conv2:卷积层和ReLU激活函数
norm2:LRN
pool2:最大池化
local3:全连接层和ReLU激活函数
local4:全连接层和ReLU激活函数
logits:模型Inference输出结果

成套卷积神经互联网从输入到输出流程。设计CNN,布置卷积层、池化层、全连接层分布和一一,超参数设置、Trick使用。卷积神经网络布局:
conv1:卷积层和ReLU激活函数
pool1:最大池化
norm1:LRN
conv2:卷积层和ReLU激活函数
norm2:LRN
pool2:最大池化
local3:全连接层和ReLU激活函数
local4:全连接层和ReLU激活函数
logits:模型Inference输出结果

估测计算CNN loss。softmax总结和cross entropy loss
计算合在同步,tf.nn.sparse_softmax_cross_entropy_with_logits。tf.reduce_mean计算cross
entropy均值,tf.add_to_collection 添加cross entropy loss 到整体losses
collection。tf.add_n全体losses collection
全体loss求和,得最终loss,包涵cross entropy loss,和后五个一连层weight
L2 loss。Logits节点、label_placeholder传入loss小孩子数,获得最后loss。

计算CNN loss。softmax总结和cross entropy loss
总括合在同步,tf.nn.sparse_softmax_cross_entropy_with_logits。tf.reduce_mean计算cross
entropy均值,tf.add_to_collection 添加cross entropy loss 到整体losses
collection。tf.add_n全部losses collection
全体loss求和,得最终loss,包括cross entropy loss,和后三个延续层weight
L2 loss。Logits节点、label_placeholder传入loss小孩子数,获得最终loss。

优化器采用Adam Optimizer,学习速率1e-3。

优化器选取Adam Optimizer,学习速率1e-3。

tf.nn.in_top_k函数求输出结果top k准确率,私下认可top
1,输出分类最高类准确率。

tf.nn.in_top_k函数求输出结果top k准确率,暗中同意top
1,输出分类最高类准确率。

tf.InteractiveSession成立默许session ,发轫化全人体模型型参数。

tf.InteractiveSession创制暗许session ,初步化全人体模型子参数。

运行图片数据拉长线程队列,16个线程加快。

起步图片数据增加线程队列,1四个线程加快。

教练。每个step练习进程,session run方法执行images_train、
labels_train总计,获得batch磨练多少,传入train_op和loss计算。记录每一个step时间,每隔11个step总括展现当前loss、每秒钟磨练样本数量、磨炼batch数据时间,监察和控制全部磨炼进程。GTX
1080,每秒练习1800个样本,batch_size 128,每一种batch
0.066s。损失loss,初步4.6,两千步磨练下跌到1.0。

教练。每一个step陶冶进度,session run方法执行images_train、
labels_train总计,获得batch操练多少,传入train_op和loss计算。记录每一个step时间,每隔11个step总括突显当前loss、每分钟磨练样本数量、演练batch数据时间,监察和控制整个演习进度。GTX
1080,每秒陶冶1800个样本,batch_size 128,每一种batch
0.066s。损失loss,起头4.6,三千步磨练下落到1.0。

评测模型测试集准确率。测试集一千0个样本,使用固定batch_size,每种batch输入测试数据。总括全部样书评测完batch数量。每一个step用session
run方法取得images_test、labels_test的batch,执行top_k_op计算模型
batch top
1预测正确样本数。汇总全体预测正确结果,求全体测试样本预测正确数量。

评测模型测试集准确率。测试集一千0个样本,使用固定batch_size,每一种batch输入测试数据。总计全体样书评测完batch数量。种种step用session
run方法取得images_test、labels_test的batch,执行top_k_op总计模型
batch top
1预测正确样本数。汇总全体预测正确结果,求全部测试样本预测正确数量。

打字与印刷准确率评测结果总括。

打字与印刷准确率评测结果计算。

73%准确率。持续扩充max_steps,期望准确率逐步扩大。max_steps较大,用学习速率衰减(decay)的SGD训练,接近86%。L2正则,LQashqaiN层提高模型准确率,进步框泛化性。

73%准确率。持续扩展max_steps,期望准确率渐渐增添。max_steps较大,用学习速率衰减的SGD陶冶,接近86%。L2正则,L本田CR-VN层进步模型准确率,升高框泛化性。

多少增加(Data
Augmentation),给单幅图扩展多个副本,提升图片利用率,防止图片结构学习过拟合。利用图片本人品质,图片冗余音信量较大,创制分裂噪声,依可识别。神经网络克服噪声准确识别,泛化性更好。深度学习只要提供充裕七种本,准确率能够持续升高。
规模越大越复杂神经互联网模型,能够实现准确率水平越高,要求更加多数据磨炼。亚历克斯cuda-convnet测试结果,CIFACR-V-10,不数据拉长,错误最低下跌到17%,数据增进,错误率下跌到11%。

数码拉长(Data
Augmentation),给单幅图扩展八个副本,进步图片利用率,幸免图片结构学习过拟合。利用图片本身品质,图片冗余信息量较大,创建不一致噪声,依可辨识。神经互联网战胜噪声准确识别,泛化性更好。深度学习只要提供丰硕多样本,准确率可以持续提高。
规模越大越复杂神经互连网模型,能够完结准确率水平越高,须求越多数据磨炼。Alexcuda-convnet测试结果,CIFAWrangler-10,不数据增加,错误最低降低到17%,数据增加,错误率下跌到11%。

    import cifar10,cifar10_input
    import tensorflow as tf
    import numpy as np
    import time
    max_steps = 3000
    batch_size = 128
    data_dir = '/tmp/cifar10_data/cifar-10-batches-bin'
    def variable_with_weight_loss(shape, stddev, wl):
        var = tf.Variable(tf.truncated_normal(shape, stddev=stddev))
        if wl is not None:
            weight_loss = tf.multiply(tf.nn.l2_loss(var), wl, name='weight_loss')
            tf.add_to_collection('losses', weight_loss)
        return var
    def loss(logits, labels):
        labels = tf.cast(labels, tf.int64)
        cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(
            logits=logits, labels=labels, name='cross_entropy_per_example')
        cross_entropy_mean = tf.reduce_mean(cross_entropy, name='cross_entropy')
        tf.add_to_collection('losses', cross_entropy_mean)
        return tf.add_n(tf.get_collection('losses'), name='total_loss')

    ###
    cifar10.maybe_download_and_extract()
    images_train, labels_train = cifar10_input.distorted_inputs(data_dir=data_dir,
                                                            batch_size=batch_size)
    images_test, labels_test = cifar10_input.inputs(eval_data=True,
                                                data_dir=data_dir,
                                                batch_size=batch_size)                                                  
    #images_train, labels_train = cifar10.distorted_inputs()
    #images_test, labels_test = cifar10.inputs(eval_data=True)
    image_holder = tf.placeholder(tf.float32, [batch_size, 24, 24, 3])
    label_holder = tf.placeholder(tf.int32, [batch_size])
    #logits = inference(image_holder)
    weight1 = variable_with_weight_loss(shape=[5, 5, 3, 64], stddev=5e-2, wl=0.0)
    kernel1 = tf.nn.conv2d(image_holder, weight1, [1, 1, 1, 1], padding='SAME')
    bias1 = tf.Variable(tf.constant(0.0, shape=[64]))
    conv1 = tf.nn.relu(tf.nn.bias_add(kernel1, bias1))
    pool1 = tf.nn.max_pool(conv1, ksize=[1, 3, 3, 1], strides=[1, 2, 2, 1],
                       padding='SAME')
    norm1 = tf.nn.lrn(pool1, 4, bias=1.0, alpha=0.001 / 9.0, beta=0.75)
    weight2 = variable_with_weight_loss(shape=[5, 5, 64, 64], stddev=5e-2, wl=0.0)
    kernel2 = tf.nn.conv2d(norm1, weight2, [1, 1, 1, 1], padding='SAME')
    bias2 = tf.Variable(tf.constant(0.1, shape=[64]))
    conv2 = tf.nn.relu(tf.nn.bias_add(kernel2, bias2))
    norm2 = tf.nn.lrn(conv2, 4, bias=1.0, alpha=0.001 / 9.0, beta=0.75)
    pool2 = tf.nn.max_pool(norm2, ksize=[1, 3, 3, 1], strides=[1, 2, 2, 1],
                       padding='SAME')
    reshape = tf.reshape(pool2, [batch_size, -1])
    dim = reshape.get_shape()[1].value
    weight3 = variable_with_weight_loss(shape=[dim, 384], stddev=0.04, wl=0.004)
    bias3 = tf.Variable(tf.constant(0.1, shape=[384]))
    local3 = tf.nn.relu(tf.matmul(reshape, weight3) + bias3)
    weight4 = variable_with_weight_loss(shape=[384, 192], stddev=0.04, wl=0.004)
    bias4 = tf.Variable(tf.constant(0.1, shape=[192]))                                      
    local4 = tf.nn.relu(tf.matmul(local3, weight4) + bias4)
    weight5 = variable_with_weight_loss(shape=[192, 10], stddev=1/192.0, wl=0.0)
    bias5 = tf.Variable(tf.constant(0.0, shape=[10]))
    logits = tf.add(tf.matmul(local4, weight5), bias5)
    loss = loss(logits, label_holder)
    train_op = tf.train.AdamOptimizer(1e-3).minimize(loss) #0.72
    top_k_op = tf.nn.in_top_k(logits, label_holder, 1)
    sess = tf.InteractiveSession()
    tf.global_variables_initializer().run()
    tf.train.start_queue_runners()
    ###
    for step in range(max_steps):
        start_time = time.time()
        image_batch,label_batch = sess.run([images_train,labels_train])
        _, loss_value = sess.run([train_op, loss],feed_dict={image_holder: image_batch, 
                                                         label_holder:label_batch})
        duration = time.time() - start_time
        if step % 10 == 0:
            examples_per_sec = batch_size / duration
            sec_per_batch = float(duration)

            format_str = ('step %d, loss = %.2f (%.1f examples/sec; %.3f sec/batch)')
            print(format_str % (step, loss_value, examples_per_sec, sec_per_batch))

    ###
    num_examples = 10000
    import math
    num_iter = int(math.ceil(num_examples / batch_size))
    true_count = 0  
    total_sample_count = num_iter * batch_size
    step = 0
    while step < num_iter:
        image_batch,label_batch = sess.run([images_test,labels_test])
        predictions = sess.run([top_k_op],feed_dict={image_holder: image_batch,
                                                 label_holder:label_batch})
        true_count += np.sum(predictions)
        step += 1
    precision = true_count / total_sample_count
    print('precision @ 1 = %.3f' % precision)
    import cifar10,cifar10_input    import tensorflow as tf    import numpy as np    import time    max_steps = 3000    batch_size = 128    data_dir = '/tmp/cifar10_data/cifar-10-batches-bin'    def variable_with_weight_loss(shape, stddev, wl):        var = tf.Variable(tf.truncated_normal(shape, stddev=stddev))        if wl is not None:            weight_loss = tf.multiply(tf.nn.l2_loss, wl, name='weight_loss')            tf.add_to_collection('losses', weight_loss)        return var    def loss(logits, labels):        labels = tf.cast(labels, tf.int64)        cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(            logits=logits, labels=labels, name='cross_entropy_per_example')        cross_entropy_mean = tf.reduce_mean(cross_entropy, name='cross_entropy')        tf.add_to_collection('losses', cross_entropy_mean)        return tf.add_n(tf.get_collection('losses'), name='total_loss')      ###    cifar10.maybe_download_and_extract()    images_train, labels_train = cifar10_input.distorted_inputs(data_dir=data_dir,                                                            batch_size=batch_size)    images_test, labels_test = cifar10_input.inputs(eval_data=True,                                                data_dir=data_dir,                                                batch_size=batch_size)                                                      #images_train, labels_train = cifar10.distorted_inputs()    #images_test, labels_test = cifar10.inputs(eval_data=True)    image_holder = tf.placeholder(tf.float32, [batch_size, 24, 24, 3])    label_holder = tf.placeholder(tf.int32, [batch_size])    #logits = inference(image_holder)    weight1 = variable_with_weight_loss(shape=[5, 5, 3, 64], stddev=5e-2, wl=0.0)    kernel1 = tf.nn.conv2d(image_holder, weight1, [1, 1, 1, 1], padding='SAME')    bias1 = tf.Variable(tf.constant(0.0, shape=[64]))    conv1 = tf.nn.relu(tf.nn.bias_add(kernel1, bias1))    pool1 = tf.nn.max_pool(conv1, ksize=[1, 3, 3, 1], strides=[1, 2, 2, 1],                       padding='SAME')    norm1 = tf.nn.lrn(pool1, 4, bias=1.0, alpha=0.001 / 9.0, beta=0.75)    weight2 = variable_with_weight_loss(shape=[5, 5, 64, 64], stddev=5e-2, wl=0.0)    kernel2 = tf.nn.conv2d(norm1, weight2, [1, 1, 1, 1], padding='SAME')    bias2 = tf.Variable(tf.constant(0.1, shape=[64]))    conv2 = tf.nn.relu(tf.nn.bias_add(kernel2, bias2))    norm2 = tf.nn.lrn(conv2, 4, bias=1.0, alpha=0.001 / 9.0, beta=0.75)    pool2 = tf.nn.max_pool(norm2, ksize=[1, 3, 3, 1], strides=[1, 2, 2, 1],                       padding='SAME')    reshape = tf.reshape(pool2, [batch_size, -1])    dim = reshape.get_shape()[1].value    weight3 = variable_with_weight_loss(shape=[dim, 384], stddev=0.04, wl=0.004)    bias3 = tf.Variable(tf.constant(0.1, shape=[384]))    local3 = tf.nn.relu(tf.matmul(reshape, weight3) + bias3)    weight4 = variable_with_weight_loss(shape=[384, 192], stddev=0.04, wl=0.004)    bias4 = tf.Variable(tf.constant(0.1, shape=[192]))                                          local4 = tf.nn.relu(tf.matmul(local3, weight4) + bias4)    weight5 = variable_with_weight_loss(shape=[192, 10], stddev=1/192.0, wl=0.0)    bias5 = tf.Variable(tf.constant(0.0, shape=[10]))    logits = tf.add(tf.matmul(local4, weight5), bias5)    loss = loss(logits, label_holder)    train_op = tf.train.AdamOptimizer.minimize #0.72    top_k_op = tf.nn.in_top_k(logits, label_holder, 1)    sess = tf.InteractiveSession()    tf.global_variables_initializer    tf.train.start_queue_runners()    ###    for step in range(max_steps):        start_time = time.time()        image_batch,label_batch = sess.run([images_train,labels_train])        _, loss_value = sess.run([train_op, loss],feed_dict={image_holder: image_batch,                                                          label_holder:label_batch})        duration = time.time() - start_time        if step % 10 == 0:            examples_per_sec = batch_size / duration            sec_per_batch = float                format_str = ('step %d, loss = %.2f (%.1f examples/sec; %.3f sec/batch)')            print(format_str % (step, loss_value, examples_per_sec, sec_per_batch))        ###    num_examples = 10000    import math    num_iter = int(math.ceil(num_examples / batch_size))    true_count = 0      total_sample_count = num_iter * batch_size    step = 0    while step < num_iter:        image_batch,label_batch = sess.run([images_test,labels_test])        predictions = sess.run([top_k_op],feed_dict={image_holder: image_batch,                                                 label_holder:label_batch})        true_count += np.sum(predictions)        step += 1    precision = true_count / total_sample_count    print('precision @ 1 = %.3f' % precision)

 

参考资料:
《TensorFlow实战》

参考资料:
《TensorFlow实战》

欢迎付费咨询,笔者的微信:qingxingfengzi

欢迎付费咨询(150元每小时),笔者的微信:qingxingfengzi