密码保护：实验数据备份2020-6-14
这是一篇受密码保护的文章，您需要提供访问密码：
密码：
Openpose连踩6坑记录
记得上次配置openpose是一次难忘的记忆，但由于一直才试错所以没有记录，这一次在一台全新的电脑上配置ope…
KITTI标定数据解读
KITTI的标定数据是这样的 一个相机有三个标定文件组成： calib_cam_to_cam [crayon-…
机器视觉-测量和拟合
今天测量一个摄像头的宽度： 测量的原理是： 计算一条直线上的灰度值，做成一条曲线， 对这个曲线的每一点都计算该…
机器视觉-镜头、相机、光源、打光
一般来说项目分为四类： 识别定位 缺陷检测 OCR字符识别 测量类项目 方案设计： 光源 相机 支架 概要设计…
TensorFlow Faster-Rcnn运行配置记录
第一步 下载模型 链接：https://pan.baidu.com/s/1r9L76SOoZOJxoKya5b…
深度学习-15-循环神经网络理论+实战情感分类
情感分类实战 比较高层一点的实现 [crayon-5f91832ed7314260…
深度学习-14-卷积理论+实战CIFAR100与VGG13
VGG13实战CIFAR100： 网络长成这个样子 [crayon-5f91832…
深度学习-提升训练质量的技巧合集
在深度学习中经常出现一些问题导致训练出来的效果不佳，这篇文章就说一说如何提升网络训练的质量 欠拟…
深度学习-10-前向传播(张量)
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 |
import tensorflow as tf from tensorflow import keras from tensorflow.keras import datasets import os os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # x: [60k, 28, 28], # y: [60k] (x, y), _ = datasets.mnist.load_data() # 读取数据 # x: [0~255] => [0~1.] x = tf.convert_to_tensor(x, dtype=tf.float32) / 255. y = tf.convert_to_tensor(y, dtype=tf.int32) print(x.shape, y.shape, x.dtype, y.dtype) print(tf.reduce_min(x), tf.reduce_max(x)) print(tf.reduce_min(y), tf.reduce_max(y)) train_db = tf.data.Dataset.from_tensor_slices((x, y)).batch(128) # 切分成batch 相当于每128张图片是一个batch train_iter = iter(train_db) sample = next(train_iter) print('batch:', sample[0].shape, sample[1].shape) # [b, 784] => [b, 256] => [b, 128] => [b, 10] # [dim_in, dim_out], [dim_out] w1 = tf.Variable(tf.random.truncated_normal([784, 256], stddev=0.1)) b1 = tf.Variable(tf.zeros([256])) w2 = tf.Variable(tf.random.truncated_normal([256, 128], stddev=0.1)) b2 = tf.Variable(tf.zeros([128])) w3 = tf.Variable(tf.random.truncated_normal([128, 10], stddev=0.1)) b3 = tf.Variable(tf.zeros([10])) lr = 1e-3 for epoch in range(10): # iterate db for 10 对整个数据集迭代10次 for step, (x, y) in enumerate(train_db): # for every batch # 对每个batch迭代 # x:[128, 28, 28] # y: [128] # [b, 28, 28] => [b, 28*28] x = tf.reshape(x, [-1, 28*28]) with tf.GradientTape() as tape: # tf.Variable # x: [b, 28*28] # h1 = x@w1 + b1 # [b, 784]@[784, 256] + [256] => [b, 256] + [256] => [b, 256] + [b, 256] h1 = x@w1 + tf.broadcast_to(b1, [x.shape[0], 256]) h1 = tf.nn.relu(h1) # [b, 256] => [b, 128] h2 = h1@w2 + b2 h2 = tf.nn.relu(h2) # [b, 128] => [b, 10] out = h2@w3 + b3 # compute loss # out: [b, 10] # y: [b] => [b, 10] y_onehot = tf.one_hot(y, depth=10) # mse = mean(sum(y-out)^2) # [b, 10] loss = tf.square(y_onehot - out) # mean: scalar loss = tf.reduce_mean(loss) # compute gradients grads = tape.gradient(loss, [w1, b1, w2, b2, w3, b3]) # print(grads) # w1 = w1 - lr * w1_grad w1.assign_sub(lr * grads[0]) b1.assign_sub(lr * grads[1]) w2.assign_sub(lr * grads[2]) b2.assign_sub(lr * grads[3]) w3.assign_sub(lr * grads[4]) b3.assign_sub(lr * grads[5]) if step % 100 == 0: print(epoch, step, 'loss:', float(loss)) |