python+tensorflow,python用tensorflow训练标准模型

　　这篇文章主要为大家介绍了大蟒深度学习张量流1.0参数和特征提取，有需要的朋友可以借鉴参考下，希望能够有所帮助，祝大家多多进步，早日升职加薪

目录

tf.trainable_variables()提取训练参数

　　在法国南部(法国南部领地的缩写)中，参与训练的参数可用tf.trainable _ variables()提取出来，如：

　　#取出所有参与训练的参数

　　params=tf.trainable _ variables()

　　打印(可训练变量： -)

　　#循环列出参数

　　对于idx，枚举中的v(参数):

　　print( param { :3 } : { :15 } { } .format(idx，str(v.get_shape())，v.name))

　　这里只能查看参数的形状和姓名，并没有具体的值。如果要查看参数具体的值的话，必须先初始化，即：

　　sess=tf .会话()

　　sess。运行(TF。global _ variables _ initializer()

　　同理，我们也可以提取图片经过训练后的值。图片经过卷积后变成了特征，要提取这些特征，必须先把图片饲料进去。

具体实例

　　# -*-编码： utf-8 -*-

　　创建于2017年6月3日星期六12:07:59

　　@author:管理员

　　将张量流作为法国南部（French Southern Territories的缩写）导入

　　从撇除导入木卫一，转换

　　将数组作为铭牌导入

　　# - 构建网络-

　　#占位符

　　x=tf.placeholder(tf.float32，shape=[None，100，100，3]，name=x )

　　y_=tf.placeholder(tf.int32，shape=[None，]，name=y_ )

　　#第一个卷积层(100——gt50)

　　conv1=tf.layers.conv2d(

　　输入=x，

　　过滤器=32,

　　kernel_size=[5，5]，

　　填充=相同,

　　激活=tf.nn.relu，

　　内核初始化器=TF。truncated _ normal _ initializer(stddev=0.01))

　　pool1=tf.layers.max_pooling2d(输入=conv1，pool_size=[2，2]，步幅=2)

　　#第二个卷积层(50-gt；25)

　　conv2=tf.layers.conv2d(

　　输入=池1,

　　过滤器=64,

　　kernel_size=[5，5]，

　　填充=相同,

　　激活=tf.nn.relu，

　　内核初始化器=TF。truncated _ normal _ initializer(stddev=0.01))

　　pool2=tf.layers.max_pooling2d(输入=conv2，pool_size=[2，2]，跨距=2)

　　#第三个卷积层(25-gt；12)

　　conv3=tf.layers.conv2d(

　　输入=池2,

　　过滤器=128,

　　内核大小=[3，3]，

　　填充=相同,

　　激活=tf.nn.relu，

　　内核初始化器=TF。truncated _ normal _ initializer(stddev=0.01))

　　pool3=tf.layers.max_pooling2d(输入=conv3，pool_size=[2，2]，跨距=2)

　　#第四个卷积层(12-gt；6)

　　conv4=tf.layers.conv2d(

　　输入=池3,

　　过滤器=128,

　　内核大小=[3，3]，

　　填充=相同,

　　激活=tf.nn.relu，

　　内核初始化器=TF。truncated _ normal _ initializer(stddev=0.01))

　　pool4=tf.layers.max_pooling2d(输入=conv4，pool_size=[2，2]，跨距=2)

　　re1=TF。形状(池4，[-1，6 * 6 * 128])

　　#全连接层

　　dense1=tf.layers.dense(输入=re1，

　　单位=1024,

　　激活=tf.nn.relu，

　　内核初始化器=TF。truncated _ normal _ initializer(stddev=0.01)，

　　内核_调节器=TF。nn。L2 _损失)

　　dense2=tf.layers.dense(输入=dense1，

　　单位=512,

　　激活=tf.nn.relu，

　　内核初始化器=TF。truncated _ normal _ initializer(stddev=0.01)，

　　内核_调节器=TF。nn。L2 _损失)

　　logits=TF。层次。密集(输入=密集2，

　　单位=5,

　　激活=无，

　　内核初始化器=TF。truncated _ normal _ initializer(stddev=0.01)，

　　内核_调节器=TF。nn。L2 _损失)

　　# - 网络结束-

　　#%%

　　#取出所有参与训练的参数

　　params=tf.trainable _ variables()

　　打印(可训练变量： -)

　　#循环列出参数

　　对于idx，枚举中的v(参数):

　　print( param { :3 } : { :15 } { } .format(idx，str(v.get_shape())，v.name))

　　#%%

　　#读取图片

　　img=io.imread(d:/cat.jpg )

　　#调整大小成100*100

　　img=transform.resize(img，(100，100))

　　#把三维变四维(100，100，3)-gt；(1,100,100,3)

　　img=img[np.newaxis，]

　　img=np.asarray(img，np.float32)

　　sess=tf。会话()

　　sess . run(TF . global _ variables _ initializer())

　　#提取最后一个全连接层的参数W和B

　　W=sess.run(params[26])

　　b=sess.run(params[27])

　　#提取第二个完全连接的图层的输出值作为特征

　　fea=sess.run(dense2，feed_dict={x:img})

　　最后一种说法是提取某一层的数据输出作为特征。

　　注意：这个程序没有经过训练，所以提取的参数只是初始化参数。

　　以上是python深度学习tensorflow1.0参数和特征提取的细节。更多关于python tensorflow参数特征提取的信息，请关注盛行IT软件开发工作室的其他相关文章！

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。