一、TensorFlow简介 TensorFlow是由谷歌开发的一套机器学习的工具，使用方法很简单，只需要输入训练数据位置，设定参数和优化方法等，TensorFlow就可以将优化结果显示出来，节省了很大量的编程时间，TensorFlow的功能很多很强大，这边挑选了一个比较简单实现的方法，就是利用TensorFlow的逻辑回归算法对数据库中的手写数字做识别，让机器找出规律，然后再导入新的数字让机器识别。 二、流程介绍 上图是TensorFlow的流程，可以看到一开始要先将参数初始化，然后导入训练数据，计算偏差，然后修正参数，再导入新的训练数据，不断重复，当数据量越大，理论上参数就会越准确，不过

很荣幸您能看到这篇文章，相信通过标题打开这篇文章的都是对tensorflow感兴趣的，特别是对卷积神经网络在mnist手写识别这个实例感兴趣。不管你是什么基础，我相信，你在看完这篇文章后，都能够完全理解这个实例。这对于神经网络入门的小白来说，简直是再好不过了。 通过这篇文章，你能够学习到 tensorflow一些方法的用法 mnist数据集的使用方法以及下载 CNN卷积神经网络具体python代码实现 CNN卷积神经网络原理 模型训练、模型的保存和载入 Tensorflow实战mnist手写数字识别 关于这个mnist手写数字识别实战，我是跟着某课网上的教学视频跟着写

注：阅读本博客之前，你需要先掌握：全连接神经网络，卷积神经网络的基本原理。 背景介绍 随着LeNet-5，AlexNet，VGG等神经网络结构的出现，卷积神经网络逐渐从单纯的只拥有卷积操作和下采样的神经网络发展为具有max pooling、dropout以及非线性函数的神经网络。在网络结构变得不断复杂的同时，人们发现，神经网络的效率并没有预期得到提升，反而容易出现梯度消失等情况，因而导致loss难以减少等现象。 对于出现梯度消失的原因，大家可以参考这篇： https://blog.csdn.net/jasonleesjtu/article/details/89185185 ResNet通过在两

数据集为sklearn提供的加利福利亚房价预测数据集 import matplotlib.pyplot as plt from tensorflow import keras import tensorflow as tf import matplotlib as mpl import pandas as pd import numpy as np import sklearn import time import sys import os # 加载数据 from sklearn.datasets import fetch_california_housing housing = fetch

1. 首先安装python3.7 官网下载地址 本人下载的是python3.7.3, 64位，如下图： 然后点击安装，在安装的时候记得将路径添加到环境变量中，按部就班安装即可。 2. 安装tensorflow 首先切到cmd.exe窗口； 在cmd窗口输入以下命令： pip install –index-url https://pypi.douban.com/simple tensorflow==1.15 回车，等待安装成功即可。 3. Pycharm python版本切换 另外如果使用的IDE是Pycharm，且安装了两个及以上版本的python版本，可以在 Pycharm里面一次点击：F

问题： 在使用mask_rcnn预测自己的数据集时，会出现下面错误： ResourceExhaustedError: OOM when allocating tensor with shape[1,512,1120,1120] and type float on /job:localhost/replica:0/task:0/device:GPU:0 by allocator GPU_0_bfc [[{{node rpn_model/rpn_conv_shared/convolution}} = Conv2D[T=DT_FLOAT, data_format="NCHW", dilation

说明 本例子利用TensorFlow搭建一个全连接神经网络，实现对MNIST手写数字的识别。 先上代码 from tensorflow.examples.tutorials.mnist import input_data import tensorflow as tf # prepare data mnist = input_data.read_data_sets('MNIST_data', one_hot=True) xs = tf.placeholder(tf.float32, [None, 784]) ys = tf.placeholder(tf.float32, [None, 10]

直接上代码： fig_loss = np.zeros([n_epoch]) fig_acc1 = np.zeros([n_epoch]) fig_acc2= np.zeros([n_epoch]) for epoch in range(n_epoch): start_time = time.time() #training train_loss, train_acc, n_batch = 0, 0, 0 for x_train_a, y_train_a in minibatches(x_train, y_train, batch_size, shuffle=True): _,er

网上关于tensorflow模型文件ckpt格式转pb文件的帖子很多，本人几乎尝试了所有方法，最后终于成功了，现总结如下。方法无外乎下面两种： 使用tensorflow.python.tools.freeze_graph.freeze_graph 使用graph_util.convert_variables_to_constants 1、tensorflow模型的文件解读 使用tensorflow训练好的模型会自动保存为四个文件，如下 checkpoint：记录近几次训练好的模型结果（名称）。 xxx.data-00000-of-00001: 模型的所有变量的值(weights, b

1. tensorflow模型文件打包成PB文件 import tensorflow as tf from tensorflow.python.tools import freeze_graph with tf.Graph().as_default(): with tf.device("/cpu:0"): config = tf.ConfigProto(allow_soft_placement=True) with tf.Session(config=config).as_default() as sess: model = Your_Model_Name()