tensorflow项目学习路径

2017 年 11 月 19 日 数据挖掘入门与实战 要学习更多点这→

 向AI转型的程序员都关注了这个号👇👇👇


大数据挖掘DT数据分析  公众号: datadw



本文代码较多,建议阅读原文

http://blog.csdn.net/hjimce/article/details/51899683

一、构建路线
个人感觉对于任何一个深度学习库,如mxnettensorflowtheanocaffe等,基本上
我都采用同样的一个学习流程,大体流程如下:
(1)训练阶段:数据打包 -》网络构建、训练 -》模型保存 -》可视化查看损失函数、验证精度
(2)测试阶段:模型加载 -》测试图片读取 -》预测显示结果
(3)移植阶段:量化、压缩加速 -》微调 -C + +移植打包 -》上线

这边我就以tensorflow为例子,讲解整个流程的大体架构,完成一个深度学习项目所需要熟悉
的过程代码。


二、训练、测试阶段
1tensorflow打包数据
这一步对于tensorflow来说,也可以直接自己在线读取:.jpg图片、标签文件等,然后通过
phaceholder变量,把数据送入网络中,进行计算。
不过这种效率比较低,对于大规模训练数据来说,我们需要一个比较高效的方式,tensorflow

建议我们采用tfrecoder进行高效数据读取。学习tensorflow一定要学会tfrecoder文件写
入、读取,具体示例代码如下:

# coding=utf-8  
# tensorflow高效数据读取训练  
import tensorflow as tf
import cv2


# train.txt文件格式,每一行:图片路径名   类别标签  

# 奖数据打包,转换成tfrecords格式,以便后续高效读取  
def encode_to_tfrecords(lable_file, data_root, new_name='data.tfrecords',
resize=None):
   writer = tf.python_io.TFRecordWriter(data_root + '/' + new_name)
   num_example = 0
   with open(lable_file, 'r') as f:
       for l in f.readlines():
           l = l.split()
           image = cv2.imread(data_root + "/" + l[0])
           if resize is not None:
               image = cv2.resize(image, resize)  # 为了  
           height, width, nchannel = image.shape

           label = int(l[1])

           example = tf.train.Example(features=tf.train.Features(feature={
               'height': tf.train.Feature(int64_list=tf.train.Int64List(value=

[height])),
               'width': tf.train.Feature(int64_list=tf.train.Int64List(value

=[width])),
               'nchannel': tf.train.Feature(int64_list=tf.train.Int64List(value

=[nchannel])),
               'image': tf.train.Feature(bytes_list=tf.train.BytesList(value=

[image.tobytes()])),
               'label': tf.train.Feature(int64_list=tf.train.Int64List(value=

[label]))
           }))
           serialized = example.SerializeToString()
           writer.write(serialized)
           num_example += 1
   print lable_file, "样本数据量:", num_example
   writer.close()


# 读取tfrecords文件  
def decode_from_tfrecords(filename, num_epoch=None):
   filename_queue = tf.train.string_input_producer([filename],
                                                   num_epochs=num_epoch)  

# 因为有的训练数据过于庞大,被分成了很多个文件,所以第一个参数就是文件列表名参数  
   reader = tf.TFRecordReader()
   _, serialized = reader.read(filename_queue)
   example = tf.parse_single_example(serialized, features={
       'height': tf.FixedLenFeature([], tf.int64),
       'width': tf.FixedLenFeature([], tf.int64),
       'nchannel': tf.FixedLenFeature([], tf.int64),
       'image': tf.FixedLenFeature([], tf.string),
       'label': tf.FixedLenFeature([], tf.int64)
   })
   label = tf.cast(example['label'], tf.int32)
   image = tf.decode_raw(example['image'], tf.uint8)
   image = tf.reshape(image, tf.pack([
       tf.cast(example['height'], tf.int32),
       tf.cast(example['width'], tf.int32),
       tf.cast(example['nchannel'], tf.int32)]))
   # label=example['label']  
   return image, label


# 根据队列流数据格式,解压出一张图片后,输入一张图片,对其做预处理、及样本随机扩充  
def get_batch(image, label, batch_size, crop_size):
   # 数据扩充变换  
   distorted_image = tf.random_crop(image, [crop_size, crop_size, 3])
 
# 随机裁剪  
   distorted_image = tf.image.random_flip_up_down(distorted_image)  

# 上下随机翻转  
   # distorted_image = tf.image.random_brightness(distorted_image,max_delta=63)
#
亮度变化  
   # distorted_image = tf.image.random_contrast(distorted_image,lower=0.2, upper
=1.8)#
对比度变化  

   # 生成batch  
   # shuffle_batch的参数:capacity用于定义shuttle的范围,如果是对整个训练数据集,
获取
batch,那么capacity就应该够大  
   # 保证数据打的足够乱  
   images, label_batch = tf.train.shuffle_batch([distorted_image, label],

batch_size=batch_size,
                                             
num_threads=16, capacity=50000, min_after_dequeue=10000)
   # images, label_batch=tf.train.batch([distorted_image, label],
batch_size=batch_size)  


   # 调试显示  
   # tf.image_summary('images', images)  
   return images, tf.reshape(label_batch, [batch_size])


# 这个是用于测试阶段,使用的get_batch函数  
def get_test_batch(image, label, batch_size, crop_size):
   # 数据扩充变换  
   distorted_image = tf.image.central_crop(image, 39. / 45.)
   distorted_image = tf.random_crop(distorted_image, [crop_size, crop_size, 3])  # 随机裁剪  
   images, label_batch = tf.train.batch([distorted_image, label],
batch_size=batch_size)
   return images, tf.reshape(label_batch, [batch_size])


# 测试上面的压缩、解压代码  
def test():
   encode_to_tfrecords("data/train.txt", "data", (100, 100))
   image, label = decode_from_tfrecords('data/data.tfrecords')
   batch_image, batch_label = get_batch(image, label, 3)  # batch 生成测试  
   init = tf.initialize_all_variables()
   with tf.Session() as session:
       session.run(init)
       coord = tf.train.Coordinator()
       threads = tf.train.start_queue_runners(coord=coord)
       for l in range(100000):  # run一次,就会指向下一个样本,一直循环  
           # image_np,label_np=session.run([image,label])#每调用run一次,那么  
           '''''cv2.imshow("temp",image_np)
           cv2.waitKey()'''
           # print label_np  
           # print image_np.shape  


           batch_image_np, batch_label_np = session.run([batch_image, batch_label])
           print batch_image_np.shape
           print batch_label_np.shape

       coord.request_stop()  # queue需要关闭,否则报错  
       coord.join(threads)
       # test()  


2、网络架构与训练
经过上面的数据格式处理,接着我们只要写一写网络结构、网络优化方法,把数据搞进网络中就可以了,
具体示例代码如下:

# coding=utf-8  
import tensorflow as tf
from  data_encoder_decoeder import encode_to_tfrecords, decode_from_tfrecords,
get_batch, get_test_batch
import cv2
import os


class network(object):
   def __init__(self):
       with tf.variable_scope("weights"):
           self.weights = {
               # 39*39*3->36*36*20->18*18*20  
               'conv1': tf.get_variable('conv1', [4, 4, 3, 20],
                                        initializer=tf.contrib.layers.xavier_initializer_conv2d()),
               # 18*18*20->16*16*40->8*8*40  
               'conv2': tf.get_variable('conv2', [3, 3, 20, 40],
                                        initializer=tf.contrib.layers.xavier_initializer_conv2d()),
               # 8*8*40->6*6*60->3*3*60  
               'conv3': tf.get_variable('conv3', [3, 3, 40, 60],
                                        initializer=tf.contrib.layers.xavier_initializer_conv2d()),
               # 3*3*60->120  
               'fc1': tf.get_variable('fc1', [3 * 3 * 60, 120], initializer=tf.contrib.layers.xavier_initializer()),
               # 120->6  
               'fc2': tf.get_variable('fc2', [120, 6], initializer=tf.contrib.layers.xavier_initializer()),
           }
       with tf.variable_scope("biases"):
           self.biases = {
               'conv1': tf.get_variable('conv1', [20, ],
                                        initializer=tf.constant_initializer(value=0.0, dtype=tf.float32)),
               'conv2': tf.get_variable('conv2', [40, ],
                                        initializer=tf.constant_initializer(value=0.0, dtype=tf.float32)),
               'conv3': tf.get_variable('conv3', [60, ],
                                        initializer=tf.constant_initializer(value=0.0, dtype=tf.float32)),
               'fc1': tf.get_variable('fc1', [120, ],
                                      initializer=tf.constant_initializer(value=0.0, dtype=tf.float32)),
               'fc2': tf.get_variable('fc2', [6, ], initializer=tf.constant_initializer(value=0.0, dtype=tf.float32))

           }

   def inference(self, images):
       # 向量转为矩阵  
       images = tf.reshape(images, shape=[-1, 39, 39, 3])  # [batch, in_height, in_width, in_channels]  
       images = (tf.cast(images, tf.float32) / 255. - 0.5) * 2  # 归一化处理  

       # 第一层  
       conv1 = tf.nn.bias_add(tf.nn.conv2d(images, self.weights['conv1'], strides=[1, 1, 1, 1], padding='VALID'),
                              self.biases['conv1'])

       relu1 = tf.nn.relu(conv1)
       pool1 = tf.nn.max_pool(relu1, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='VALID')

       # 第二层  
       conv2 = tf.nn.bias_add(tf.nn.conv2d(pool1, self.weights['conv2'], strides=[1, 1, 1, 1], padding='VALID'),
                              self.biases['conv2'])
       relu2 = tf.nn.relu(conv2)
       pool2 = tf.nn.max_pool(relu2, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='VALID')

       # 第三层  
       conv3 = tf.nn.bias_add(tf.nn.conv2d(pool2, self.weights['conv3'], strides=[1, 1, 1, 1], padding='VALID'),
                              self.biases['conv3'])
       relu3 = tf.nn.relu(conv3)
       pool3 = tf.nn.max_pool(relu3, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='VALID')

       # 全连接层1,先把特征图转为向量  
       flatten = tf.reshape(pool3, [-1, self.weights['fc1'].get_shape().as_list()[0]])

       drop1 = tf.nn.dropout(flatten, 0.5)
       fc1 = tf.matmul(drop1, self.weights['fc1']) + self.biases['fc1']

       fc_relu1 = tf.nn.relu(fc1)

       fc2 = tf.matmul(fc_relu1, self.weights['fc2']) + self.biases['fc2']

       return fc2

   def inference_test(self, images):
       # 向量转为矩阵  
       images = tf.reshape(images, shape=[-1, 39, 39, 3])  # [batch, in_height, in_width, in_channels]  
       images = (tf.cast(images, tf.float32) / 255. - 0.5) * 2  # 归一化处理  

       # 第一层  
       conv1 = tf.nn.bias_add(tf.nn.conv2d(images, self.weights['conv1'], strides=[1, 1, 1, 1], padding='VALID'),
                              self.biases['conv1'])

       relu1 = tf.nn.relu(conv1)
       pool1 = tf.nn.max_pool(relu1, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='VALID')

       # 第二层  
       conv2 = tf.nn.bias_add(tf.nn.conv2d(pool1, self.weights['conv2'], strides=[1, 1, 1, 1], padding='VALID'),
                              self.biases['conv2'])
       relu2 = tf.nn.relu(conv2)
       pool2 = tf.nn.max_pool(relu2, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='VALID')

       # 第三层  
       conv3 = tf.nn.bias_add(tf.nn.conv2d(pool2, self.weights['conv3'], strides=[1, 1, 1, 1], padding='VALID'),
                              self.biases['conv3'])
       relu3 = tf.nn.relu(conv3)
       pool3 = tf.nn.max_pool(relu3, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='VALID')

       # 全连接层1,先把特征图转为向量  
       flatten = tf.reshape(pool3, [-1, self.weights['fc1'].get_shape().as_list()[0]])

       fc1 = tf.matmul(flatten, self.weights['fc1']) + self.biases['fc1']
       fc_relu1 = tf.nn.relu(fc1)

       fc2 = tf.matmul(fc_relu1, self.weights['fc2']) + self.biases['fc2']

       return fc2

       # 计算softmax交叉熵损失函数  

   def sorfmax_loss(self, predicts, labels):
       predicts = tf.nn.softmax(predicts)
       labels = tf.one_hot(labels, self.weights['fc2'].get_shape().as_list()[1])
       loss = -tf.reduce_mean(labels * tf.log(predicts))  # tf.nn.softmax_cross_entropy_with_logits(predicts, labels)  
       self.cost = loss
       return self.cost
       # 梯度下降  

   def optimer(self, loss, lr=0.001):
       train_optimizer = tf.train.GradientDescentOptimizer(lr).minimize(loss)

       return train_optimizer


def train():
   encode_to_tfrecords("data/train.txt", "data", 'train.tfrecords', (45, 45))
   image, label = decode_from_tfrecords('data/train.tfrecords')
   batch_image, batch_label = get_batch(image, label, batch_size=50, crop_size=39)  # batch 生成测试  

   # 网络链接,训练所用  
   net = network()
   inf = net.inference(batch_image)
   loss = net.sorfmax_loss(inf, batch_label)
   opti = net.optimer(loss)

   # 验证集所用  
   encode_to_tfrecords("data/val.txt", "data", 'val.tfrecords', (45, 45))
   test_image, test_label = decode_from_tfrecords('data/val.tfrecords', num_epoch=None)
   test_images, test_labels = get_test_batch(test_image, test_label, batch_size=120, crop_size=39)  # batch 生成测试  
   test_inf = net.inference_test(test_images)
   correct_prediction = tf.equal(tf.cast(tf.argmax(test_inf, 1), tf.int32), test_labels)
   accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

   init = tf.initialize_all_variables()
   with tf.Session() as session:
       session.run(init)
       coord = tf.train.Coordinator()
       threads = tf.train.start_queue_runners(coord=coord)
       max_iter = 100000
       iter = 0
       if os.path.exists(os.path.join("model", 'model.ckpt')) is True:
           tf.train.Saver(max_to_keep=None).restore(session, os.path.join("model", 'model.ckpt'))
       while iter < max_iter:
           loss_np, _, label_np, image_np, inf_np = session.run([loss, opti, batch_label, batch_image, inf])
           # print image_np.shape  
           # cv2.imshow(str(label_np[0]),image_np[0])  
           # print label_np[0]  
           # cv2.waitKey()  
           # print label_np  
           if iter % 50 == 0:
               print 'trainloss:', loss_np
           if iter % 500 == 0:
               accuracy_np = session.run([accuracy])
               print '***************test accruacy:', accuracy_np, '*******************'
               tf.train.Saver(max_to_keep=None).save(session, os.path.join('model', 'model.ckpt'))
           iter += 1

       coord.request_stop()  # queue需要关闭,否则报错  
       coord.join(threads)


train()

3、可视化显示
(1)
首先再源码中加入需要跟踪的变量:

style = "font-size:18px;" > tf.scalar_summary("cost_function", loss)  # 损失函数值</span>  
(2)
然后定义执行操作:

style = "font-size:18px;" > merged_summary_op = tf.merge_all_summaries() < / span >
(3)
session中定义保存路径:

style = "font-size:18px;" > summary_writer = tf.train.SummaryWriter('log', session.graph) < / span >
(4)
然后再session执行的时候,保存:
[python]
view
plain
copy
summary_str, loss_np, _ = session.run([merged_summary_op, loss, opti])
summary_writer.add_summary(summary_str, iter)

(5)
最后只要训练完毕后,直接再终端输入命令:

python / usr / local / lib / python2
.7 / dist - packages / tensorflow / tensorboard / tensorboard.py - -logdir = log
然后打开浏览器网址:
[python]
view
plain
copy
< span
style = "font-size:18px;" > http: // 0.0
.0
.0:6006 < / span >
即可观训练曲线。

4、测试阶段
测试阶段主要是直接通过加载图模型、读取参数等,然后直接通过tensorflow的相关函数,进行调用,而不需要网络架构相关的代码;通过内存feed_dict的方式,对相关的输入节点赋予相关的数据,进行前向传导,并获取相关的节点数值。

# coding=utf-8  
import tensorflow  as tf
import os
import cv2


def load_model(session, netmodel_path, param_path):
   new_saver = tf.train.import_meta_graph(netmodel_path)
   new_saver.restore(session, param_path)
   x = tf.get_collection('test_images')[0]  # 在训练阶段需要调用tf.add_to_collection('test_images',test_images),保存之  
   y = tf.get_collection("test_inf")[0]
   batch_size = tf.get_collection("batch_size")[0]
   return x, y, batch_size


def load_images(data_root):
   filename_queue = tf.train.string_input_producer(data_root)
   image_reader = tf.WholeFileReader()
   key, image_file = image_reader.read(filename_queue)
   image = tf.image.decode_jpeg(image_file)
   return image, key


def test(data_root="data/race/cropbrown"):
   image_filenames = os.listdir(data_root)
   image_filenames = [(data_root + '/' + i) for i in image_filenames]

   # print cv2.imread(image_filenames[0]).shape  
   # image,key=load_images(image_filenames)  
   race_listsrc = ['black', 'brown', 'white', 'yellow']
   with tf.Session() as session:
       coord = tf.train.Coordinator()
       threads = tf.train.start_queue_runners(coord=coord)

       x, y, batch_size = load_model(session, os.path.join("model", 'model_ori_race.ckpt.meta'),
                                     os.path.join("model", 'model_ori_race.ckpt'))
       predict_label = tf.cast(tf.argmax(y, 1), tf.int32)
       print x.get_shape()
       for imgf in image_filenames:
           image = cv2.imread(imgf)
           image = cv2.resize(image, (76, 76)).reshape((1, 76, 76, 3))
           print "cv shape:", image.shape

           # cv2.imshow("t",image_np[:,:,::-1])  
           y_np = session.run(predict_label, feed_dict={x: image, batch_size: 1})
           print race_listsrc[y_np]

       coord.request_stop()  # queue需要关闭,否则报错  
       coord.join(threads)


4、移植阶段
(1)
一个算法经过实验阶段后,接着就要进入移植商用,因此接着需要采用tensorflowc
api函数,直接进行预测推理,首先我们先把tensorflow编译成链接库,然后编写cmake,调用tensorflow链接库:

style = "font-size:18px;" > bazel
build - c
opt // tensorflow:libtensorflow.so

bazel - bin / tensorflow目录下会生成libtensorflow.so文件
5C + + API调用、cmake
编写:
三、熟悉常用API
1LSTM使用

import tensorflow.nn.rnn_cell

lstm = rnn_cell.BasicLSTMCell(lstm_size)  # 创建一个lstm cell单元类,隐藏层神经元个数为lstm_size  

state = tf.zeros([batch_size, lstm.state_size])  # 一个序列隐藏层的状态值  

loss = 0.0
for current_batch_of_words in words_in_dataset:
   output, state = lstm(current_batch_of_words, state)  # 返回值为隐藏层神经元的输出  
   logits = tf.matmul(output, softmax_w) + softmax_b  # matmul矩阵点乘  
   probabilities = tf.nn.softmax(logits)  # softmax输出  
   loss += loss_function(probabilities, target_words) < / span >

1one - hot函数:
[python]
view
plain
copy
< span
style = "font-size:18px;" >  # ont hot 可以把训练数据的标签,直接转换成one_hot向量,用于交叉熵损失函数  
import tensorflow as tf

a = tf.convert_to_tensor([[1], [2], [4]])
b = tf.one_hot(a, 5) < / span >

>> b的值为
[python]
view
plain
copy
< span
style = "font-size:18px;" > [[[0.  1.  0.  0.  0.]]

                            [[0.  0.  1.  0.  0.]]

                            [[0.  0.  0.  0.  1.]]] < / span >
2assign_sub
[python]
view
plain
copy
< span
style = "font-size:18px;" >
import tensorflow as tf

x = tf.Variable(10, name="x")
sub = x.assign_sub(3)  # 如果直接采用x.assign_sub,那么可以看到x的值也会发生变化  
init_op = tf.initialize_all_variables()
with tf.Session() as sess:
   sess.run(init_op)
   print sub.eval()
   print x.eval() < / span >
可以看到输入sub = x = 7

采用state_opsassign_sub也是同样sub = x = 7
也就是说assign函数返回结果值的同时,变量本身的值也会被改变
3、变量查看
 # 查看所有的变量  
for l in tf.all_variables():
   print l.name < / span >
4slice函数:

import cv2
import tensorflow as tf

# slice 函数可以用于切割子矩形图片,参数矩形框的rect,begin=(minx,miny),size=(width,height)  
minx = 20
miny = 30
height = 100
width = 200

image = tf.placeholder(dtype=tf.uint8, shape=(386, 386, 3))
rect_image = tf.slice(image, (miny, minx, 0), (height, width, -1))

cvimage = cv2.imread("1.jpg")
cv2.imshow("cv2", cvimage[miny:(miny + height), minx:(minx + width), :])

with tf.Session() as sess:
   tfimage = sess.run([rect_image], {image: cvimage})
   cv2.imshow('tf', tfimage[0])
cv2.waitKey() < / span >

5、正太分布随机初始化
[python]
view
plain
copy
tf.truncated_normal

6、打印操作运算在硬件设备信息
[python]
view
plain
copy
tf.ConfigProto(log_device_placement=True)
7、变量域名的reuse
[python]
view
plain
copy
import tensorflow as tf

with tf.variable_scope('foo'):  # 在没有启用reuse的情况下,如果该变量还未被创建,那么就创建该变量,如果已经创建过了,那么就获取该共享变量  
   v = tf.get_variable('v', [1])
with tf.variable_scope('foo', reuse=True):  # 如果启用了reuse,那么编译的时候,如果get_variable没有遇到一个已经创建的变量,是会出错的  
   v1 = tf.get_variable('v1', [1])
8allow_soft_placement的使用:allow_soft_placement = True,允许当在代码中指定tf.device设备,如果设备找不到,那么就采用默认的设备。如果该参数设置为false,当设备找不到的时候,会直接编译不通过。
9batch
normalize调用:
[python]
view
plain
copy
tf.contrib.layers.batch_norm(x, decay=0.9, updates_collections=None,

epsilon=self.epsilon, scale=True, scope=self.name)  

人工智能大数据与深度学习

搜索添加微信公众号:weic2c

长按图片,识别二维码,点关注



大数据挖掘DT数据分析

搜索添加微信公众号:datadw


教你机器学习,教你数据挖掘

长按图片,识别二维码,点关注



登录查看更多
22

相关内容

Sklearn 与 TensorFlow 机器学习实用指南,385页pdf
专知会员服务
129+阅读 · 2020年3月15日
《强化学习—使用 Open AI、TensorFlow和Keras实现》174页pdf
专知会员服务
136+阅读 · 2020年3月1日
TensorFlow Lite指南实战《TensorFlow Lite A primer》,附48页PPT
专知会员服务
69+阅读 · 2020年1月17日
TensorFlow 2.0 学习资源汇总
专知会员服务
66+阅读 · 2019年10月9日
PyTorch 学习笔记(一):让PyTorch读取你的数据集
极市平台
16+阅读 · 2019年4月24日
手把手丨用TensorFlow开发问答系统
大数据文摘
21+阅读 · 2017年11月29日
用TensorFlow开发问答系统
机器学习研究会
7+阅读 · 2017年11月27日
tensorflow LSTM + CTC实现端到端OCR
数据挖掘入门与实战
8+阅读 · 2017年11月15日
TensorFlow实例: 手写汉字识别
机器学习研究会
8+阅读 · 2017年11月10日
深度学习入门篇--手把手教你用 TensorFlow 训练模型
全球人工智能
4+阅读 · 2017年10月21日
TensorFlow学习笔记2:构建CNN模型
黑龙江大学自然语言处理实验室
3+阅读 · 2016年6月14日
Exploring Visual Relationship for Image Captioning
Arxiv
14+阅读 · 2018年9月19日
Arxiv
12+阅读 · 2018年9月5日
Arxiv
5+阅读 · 2018年5月1日
VIP会员
相关VIP内容
Sklearn 与 TensorFlow 机器学习实用指南,385页pdf
专知会员服务
129+阅读 · 2020年3月15日
《强化学习—使用 Open AI、TensorFlow和Keras实现》174页pdf
专知会员服务
136+阅读 · 2020年3月1日
TensorFlow Lite指南实战《TensorFlow Lite A primer》,附48页PPT
专知会员服务
69+阅读 · 2020年1月17日
TensorFlow 2.0 学习资源汇总
专知会员服务
66+阅读 · 2019年10月9日
相关资讯
PyTorch 学习笔记(一):让PyTorch读取你的数据集
极市平台
16+阅读 · 2019年4月24日
手把手丨用TensorFlow开发问答系统
大数据文摘
21+阅读 · 2017年11月29日
用TensorFlow开发问答系统
机器学习研究会
7+阅读 · 2017年11月27日
tensorflow LSTM + CTC实现端到端OCR
数据挖掘入门与实战
8+阅读 · 2017年11月15日
TensorFlow实例: 手写汉字识别
机器学习研究会
8+阅读 · 2017年11月10日
深度学习入门篇--手把手教你用 TensorFlow 训练模型
全球人工智能
4+阅读 · 2017年10月21日
TensorFlow学习笔记2:构建CNN模型
黑龙江大学自然语言处理实验室
3+阅读 · 2016年6月14日
Top
微信扫码咨询专知VIP会员