NO IMAGE

TensorFlow是谷歌基於DistBelief進行研發的第二代人工智慧學習系統,其命名來源於本身的執行原理。Tensor(張量)意味著N維陣列,Flow(流)意味著基於資料流圖的計算,TensorFlow為張量從流圖的一端流動到另一端計算過程。TensorFlow是將複雜的資料結構傳輸至人工智慧神經網中進行分析和處理過程的系統。

TensorFlow可被用於語音識別影象識別等多項機器深度學習領域,對2011年開發的深度學習基礎架構DistBelief進行了各方面的改進,它可在小到一部智慧手機、大到數千臺資料中心伺服器的各種裝置上執行。TensorFlow將完全開源,任何人都可以用。

原生介面文章

  1. 【Tensorflow】tf.placeholder函式
  2. 【TensorFlow】tf.nn.conv2d是怎樣實現卷積的
  3. 【TensorFlow】tf.nn.max_pool實現池化操作
  4. 【Tensorflow】tf.nn.relu函式
  5. 【Tensorflow】tf.reshape
    函式
  6. 【Tensorflow】tf.nn.dropout函式
  7. 【Tensorflow】tf.argmax函式
  8. 【Tensorflow】tf.cast
    型別轉換 函式
  9. 【Tensorflow】tf.train.AdamOptimizer函式
  10. 【Tensorflow】tf.Graph()函式
  11. 【TensorFlow】tf.nn.softmax_cross_entropy_with_logits的用法
  12. 【Tensorflow】tf.dynamic_partition
    函式 分拆陣列

     原生介面例項

  1. 【Tensorflow】實現簡單的卷積神經網路CNN實際程式碼
  2. 【Tensorflow
    實戰】實現歐式距離

        slim介面文章

  1. 【Tensorflow】tensorflow.contrib.slim
  2. 【Tensorflow
    slim】 slim.arg_scope的用法
  3. 【Tensorflow
    slim】slim.data包
  4. 【Tensorflow
    slim】slim evaluation 函式
  5. 【Tensorflow
    slim】slim layers包
  6. 【Tensorflow
    slim】slim learning包
  7. 【Tensorflow
    slim】slim losses包
  8. 【Tensorflow
    slim】slim nets包
  9. 【Tensorflow
    slim】slim variables包
  10. 【Tensorflow
    slim】slim metrics包

       slim
例項

  1. 【Tensorflow
    slim 實戰】寫MobileNet
  2. 【Tensorflow
    slim 實戰】寫Inception-V4 Inception-ResNet-v2結構

        kera
介面文章

  1. 【Tensorflow
    keras】Keras:基於Theano和TensorFlow的深度學習庫
  2. 【Tensorflow
    keras】輕量級深度學習框架 Keras簡介

        tensorflow使用過程中的輔助介面或通過tensorflow實現的批量操作介面

  1. 將非RGB圖片轉換為RGB圖片
  2. 【opencv】python3
    將圖片生成視訊檔案
  3. 【opencv】selective_search函式

=========================================================================

slim.data包下面有很多對資料的操作方法;在slim.__init__種有如下幾種:

from tensorflow.contrib.slim.python.slim.data import data_decoder
from tensorflow.contrib.slim.python.slim.data import data_provider
from tensorflow.contrib.slim.python.slim.data import dataset
from tensorflow.contrib.slim.python.slim.data import dataset_data_provider
from tensorflow.contrib.slim.python.slim.data import parallel_reader
from tensorflow.contrib.slim.python.slim.data import prefetch_queue
from tensorflow.contrib.slim.python.slim.data import tfexample_decoder

Data Decoder

# Load the data
my_encoded_data = ...
data_decoder = slim.DataDecoder()
# 解析輸入和標籤:
decoded_input, decoded_labels = data_decoder.Decode(data, ['input', 'labels'])
# 只解析輸入:
decoded_input = data_decoder.Decode(data, ['input'])
# Check which items a data decoder knows how to decode:
for item in data_decoder.list_items():
print(item)

Data Provider

provider = slim.DataProvider(...)
image, sentence, clazz = provider.get(['image', 'sentence', 'class'])

DataSet

dataset = slim.dataset.Dataset(
data_sources='./pascal_train_*.tfrecord',
reader=tf.TFRecordReader,
num_samples = 3, # 手動生成了三個樣本集
decoder=decoder,
items_to_descriptions = {},
num_classes=21)

Data Data Provider

shuffle=Flase,主要的話,每一次取的資料是一樣的

pascal_voc_data_provider = slim.DatasetDataProvider(
slim.datasets.pascal_voc.get_split('train'),
shuffle=False)
images, labels = pascal_voc_data_provider.get(['images', 'labels'])

shuffle=True,每一次取的資料會進行洗牌,取的結果和上傳會不一樣的

pascal_voc_data_provider = slim.DatasetDataProvider(
slim.datasets.pascal_voc.Dataset(),
num_readers=10,
shuffle=True)
images, labels = pascal_voc_data_provider.get(['images', 'labels'])

分開取元素

[images] = pascal_voc_data_provider.get(['images'])
[labels] = pascal_voc_data_provider.get(['labels'])

Parallel Reader

通過佇列和可選洗牌實現並行資料讀取器
common_queue = tf.RandomShuffleQueue(
capacity=256,
min_after_dequeue=128,
dtypes=[tf.string, tf.string])
p_reader = slim.ParallelReader(tf.TFRecordReader, common_queue)
common_queue = tf.FIFOQueue(
capacity=256,
dtypes=[tf.string, tf.string])
p_reader = slim.ParallelReader(readers, common_queue, num_readers=2)

Prefetch Queue

預取佇列

images, labels = tf.train.batch([image, label], batch_size=32, num_threads=4)
batch_queue = slim.prefetch_queue([images, labels])
images, labels = batch_queue.dequeue()
logits = Net(images)
loss = Loss(logits, labels)