分类：TensorFlow

2020
09-29

将keras的h5模型转换为tensorflow的pb模型操作

将keras的h5模型转换为tensorflow的pb模型操作 背景：目前keras框架使用简单，很容易上手，深得广大算法工程师的喜爱，但是当部署到客户端时，可能会出现各种各样的bug，甚至不支持使用keras，本文来解决的是将keras的h5模型转换为客户端常用的tensorflow的pb模型并使用tensorflow加载pb模型。h5_to_pb.pyfromkeras.modelsimportload_modelimporttensorflowastfimportosimportos.pathasospfromkerasimportbackendasK#路径参数input_path='inputpath'weight_... 继续阅读 >
2020
09-29

tensorflow转换ckpt为savermodel模型的实现

ckpt转换成SavedModelconvert_ckpt_to_savermodel.pyimporttensorflowastfimportsystrained_checkpoint_prefix=sys.argv[1]export_dir=sys.argv[2]graph=tf.Graph()config=tf.ConfigProto(allow_soft_placement=True,log_device_placement=True)withtf.compat.v1.Session(graph=graph,config=config)assess:#Restorefromcheckpointloader=tf.compat.v1.train.import_meta_graph(trained_checkpoint_prefi... 继续阅读 >
2020
09-29

使用keras和tensorflow保存为可部署的pb格式

Keras保存为可部署的pb格式加载已训练好的.h5格式的keras模型传入如下定义好的export_savedmodel()方法内即可成功保存importkerasimportosimporttensorflowastffromtensorflow.python.utilimportcompatfromkerasimportbackendasKdefexport_savedmodel(model):'''传入kerasmodel会自动保存为pb格式'''model_path="model/"#模型保存的路径model_version=0#模型保存的版本#从网络的输入输出创建预测... 继续阅读 >
2020
09-29

浅谈tensorflow模型保存为pb的各种姿势

浅谈tensorflow模型保存为pb的各种姿势 一，直接保存pb1,首先我们当然可以直接在tensorflow训练中直接保存为pb为格式，保存pb的好处就是使用场景是实现创建模型与使用模型的解耦，使得创建模型与使用模型的解耦，使得前向推导inference代码统一。另外的好处就是保存为pb的时候，模型的变量会变成固定的，导致模型的大小会大大减小。这里稍稍解释下pb：是MetaGraph的protocolbuffer格式的文件，MetaGraph包括计算图，数据流，以及相关的变量和输入输出主要使用tf.SavedM... 继续阅读 >
2020
09-29

keras模型保存为tensorflow的二进制模型方式

最近需要将使用keras训练的模型移植到手机上使用，因此需要转换到tensorflow的二进制模型。折腾一下午，终于找到一个合适的方法，废话不多说，直接上代码：#coding=utf-8importsysfromkeras.modelsimportload_modelimporttensorflowastfimportosimportos.pathasospfromkerasimportbackendasKdeffreeze_session(session,keep_var_names=None,output_names=None,clear_devices=True):"""Freezesthestateo... 继续阅读 >
2020
09-29

tensorflow使用L2 regularization正则化修正overfitting过拟合方式

tensorflow使用L2 regularization正则化修正overfitting过拟合方式 L2正则化原理：过拟合的原理：在loss下降，进行拟合的过程中（斜线），不同的batch数据样本造成红色曲线的波动大，图中低点也就是过拟合，得到的红线点低于真实的黑线，也就是泛化更差。可见，要想减小过拟合，减小这个波动，减少w的数值就能办到。L2正则化训练的原理：在Loss中加入（乘以系数λ的）参数w的平方和，这样训练过程中就会抑制w的值，w的（绝对）值小，模型复杂度低，曲线平滑，过拟合程度低（奥卡姆剃刀），参考公式... 继续阅读 >
2020
09-29

在TensorFlow中实现矩阵维度扩展

一般TensorFlow中扩展维度可以使用tf.expand_dims()。近来发现另一种可以直接运用取数据操作符[]就能扩展维度的方法。用法很简单，在要扩展的维度上加上tf.newaxis就行了。foo=tf.constant([[1,2,3],[4,5,6],[7,8,9]])print(foo[tf.newaxis,:,:].eval())#=>[[[1,2,3],[4,5,6],[7,8,9]]]print(foo[:,tf.newaxis,:].eval())#=>[[[1,2,3]],[[4,5,6]],[[7,8,9]]]print(foo[:,:,tf.newaxis].eval())#=>[[[1],[2]... 继续阅读 >
2020
09-29

Tensorflow tf.tile()的用法实例分析

Tensorflow tf.tile()的用法实例分析 tf.tile()应用于需要张量扩展的场景，具体说来就是：如果现有一个形状如[width,height]的张量，需要得到一个基于原张量的，形状如[batch_size,width,height]的张量，其中每一个batch的内容都和原张量一模一样。tf.tile使用方法如：tile(input,multiples,name=None)importtensorflowastfa=tf.constant([7,19])a1=tf.tile(a,multiples=[3])#第一个维度扩充3遍b=tf.constant([[4,5],[3,5]])b1=tf.tile(b,multiples... 继续阅读 >
2020
09-29

Tensorflow卷积实现原理+手写python代码实现卷积教程

Tensorflow卷积实现原理+手写python代码实现卷积教程 从一个通道的图片进行卷积生成新的单通道图的过程很容易理解，对于多个通道卷积后生成多个通道的图理解起来有点抽象。本文以通俗易懂的方式讲述卷积，并辅以图片解释，能快速理解卷积的实现原理。最后手写python代码实现卷积过程，让Tensorflow卷积在我们面前不再是黑箱子！注意：本文只针对batch_size=1,padding='SAME'，stride=[1,1,1,1]进行实验和解释，其他如果不是这个参数设置，原理也是一样。1Tensorflow卷积实现原理先看... 继续阅读 >
2020
09-29

基于Tensorflow一维卷积用法详解

基于Tensorflow一维卷积用法详解 我就废话不多说了，大家还是直接看代码吧！importtensorflowastfimportnumpyasnpinput=tf.constant(1,shape=(64,10,1),dtype=tf.float32,name='input')#shape=(batch,in_width,in_channels)w=tf.constant(3,shape=(3,1,32),dtype=tf.float32,name='w')#shape=(filter_width,in_channels,out_channels)conv1=tf.nn.conv1d(input,w,2,'VALID')#2为步长print(conv1.shape)#宽度计算(width-kernel_size+1)/strides,(10-3... 继续阅读 >
2020
09-29

TensorFlow keras卷积神经网络 添加L2正则化方式

TensorFlow keras卷积神经网络 添加L2正则化方式 我就废话不多说了，大家还是直接看代码吧！model=keras.models.Sequential([#卷积层1keras.layers.Conv2D(32,kernel_size=5,strides=1,padding="same",data_format="channels_last",activation=tf.nn.relu,kernel_regularizer=keras.regularizers.l2(0.01)),#池化层1keras.layers.MaxPool2D(pool_size=2,strides=2,padding="same"),#卷积层2keras.layers.Conv2D(64,kernel_size=5,strides=1,padding="same",data_format="c... 继续阅读 >
2020
09-27

使用tensorflow框架在Colab上跑通猫狗识别代码

使用tensorflow框架在Colab上跑通猫狗识别代码 一、前提：有Google账号（具体怎么注册账号这里不详述，大家都懂的，自行百度）在你的Google邮箱中关联好colab（怎样在Google邮箱中使用colab在此不详述，自行百度）二、现在开始：因为我们使用的是colab，所以就不必为安装版本对应的anaconda、python以及tensorflow尔苦恼了，经过以下配置就可以直接开始使用了。在colab中新建代码块，运行以下代码来下载需要的数据集#InthisexerciseyouwilltrainaCNNontheFULLCats... 继续阅读 >
2020
09-27

Tensorflow中的图（tf.Graph）和会话（tf.Session）的实现

Tensorflow中的图（tf.Graph）和会话（tf.Session）的实现 Tensorflow编程系统Tensorflow工具或者说深度学习本身就是一个连贯紧密的系统。一般的系统是一个自治独立的、能实现复杂功能的整体。系统的主要任务是对输入进行处理，以得到想要的输出结果。我们之前见过的很多系统都是线性的，就像汽车生产工厂的流水线一样，输入->系统处理->输出。系统内部由很多单一的基本部件构成，这些单一部件具有特定的功能，且需要稳定的特性；系统设计者通过特殊的连接方式，让这些简单部件进行连接，以... 继续阅读 >
2020
09-27

TensorFlow使用Graph的基本操作的实现

TensorFlow使用Graph的基本操作的实现 1.创建图在tensorflow中，一个程序默认是建立一个图的，除了系统自动建立图以外，我们还可以手动建立图，并做一些其他的操作。下面我们使用tf.Graph函数建立图，使用tf.get_default_graph函数来获取图，使用reset_default_graph对图进行重置。importtensorflowastfimportnumpyasnpc=tf.constant(1.5)g=tf.Graph()withg.as_default():c1=tf.constant(2.0)print(c1.graph)print(g)print(c.graph)g2=tf.get_de... 继续阅读 >
2020
09-27

TensorFlow实现批量归一化操作的示例

批量归一化在对神经网络的优化方法中，有一种使用十分广泛的方法——批量归一化，使得神经网络的识别准确度得到了极大的提升。在网络的前向计算过程中，当输出的数据不再同一分布时，可能会使得loss的值非常大，使得网络无法进行计算。产生梯度爆炸的原因是因为网络的内部协变量转移，即正向传播的不同层参数会将反向训练计算时参照的数据样本分布改变。批量归一化的目的，就是要最大限度地保证每次的正向传播输出在同一分布上，这... 继续阅读 >