2. 程式人生 > >Tensorflow深度學習之二十二：AlexNet的實現（CIFAR-10資料集）

Tensorflow深度學習之二十二：AlexNet的實現（CIFAR-10資料集）

阿新 • • 發佈：2019-01-23

二、工程結構
由於我自己訓練的機器記憶體視訊記憶體不足，不能一次性讀取10000張圖片，因此，在這之前我按照圖片的類別，將每一張圖片都提取了出來，儲存成了jpg格式。與此同時，在儲存圖片的過程中，儲存了一個python的dict結構，鍵為每一張圖片的相對地址，值為每一張圖片對應的類別，將這個dict結構儲存成npy檔案。每一張jpg圖片的大小為32*32，而AlexNet需要的輸入為224*224，所以在讀取圖片的時候需要使用cv2.resize進行圖片解析度的調整。

分別對訓練集和測試集做以上操作。得到的工程目錄如下所示：
這裡寫圖片描述
每個檔案和資料夾的作用顯示如下：

檔案 作用
AlexNet資料夾 儲存相關日誌的資料夾
cifar-10-python資料夾 儲存CIFAR-10資料集的原始檔
data\test 測試集資料
data\train 訓練集資料，按照標籤分成十類，分別儲存在0~9的資料夾內，test資料夾也是一樣
model資料夾 儲存模型的目錄
AlexNet.py 建立AlexNet網路結構和訓練
AlexNetPrediction.py 使用訓練好的模型進行預測
label.npy 儲存訓練集的檔名與標籤的檔案，是一個dict
test-label.npy 儲存測試集的檔名與標籤的檔案，是一個dict

三，訓練程式碼

import tensorflow as tf
import numpy as np
import random
import cv2

# 將傳入的label轉換成one hot的形式。
def getOneHotLabel(label, depth):
    m = np.zeros([len(label), depth])
    for i in range(len(label)):
        m[i][label[i]] = 1
    return m

# 建立神經網路。
def alexnet(image, keepprob=0.5):

    # 定義卷積層1，卷積核大小，偏置量等各項引數參考下面的程式程式碼，下同。
 

    with tf.name_scope("conv1") as scope:
        kernel = tf.Variable(tf.truncated_normal([11, 11, 3, 64], dtype=tf.float32, stddev=1e-1, name="weights"))
        conv = tf.nn.conv2d(image, kernel, [1, 4, 4, 1], padding="SAME")
        biases = tf.Variable(tf.constant(0.0, dtype=tf.float32, shape=[64]), trainable=True, name="biases")
        bias = tf.nn.bias_add(conv, biases)
        conv1 = tf.nn.relu(bias, name=scope)

        pass

    # LRN層
    lrn1 = tf.nn.lrn(conv1, 4, bias=1.0, alpha=0.001/9, beta=0.75, name="lrn1")

    # 最大池化層
    pool1 = tf.nn.max_pool(lrn1, ksize=[1,3,3,1], strides=[1,2,2,1],padding="VALID", name="pool1")

    # 定義卷積層2
    with tf.name_scope("conv2") as scope:
        kernel = tf.Variable(tf.truncated_normal([5,5,64,192], dtype=tf.float32, stddev=1e-1, name="weights"))
        conv = tf.nn.conv2d(pool1, kernel, [1, 1, 1, 1], padding="SAME")
        biases = tf.Variable(tf.constant(0.0, dtype=tf.float32, shape=[192]), trainable=True, name="biases")
        bias = tf.nn.bias_add(conv, biases)
        conv2 = tf.nn.relu(bias, name=scope)
        pass

    # LRN層
    lrn2 = tf.nn.lrn(conv2, 4, bias=1.0, alpha=0.001 / 9, beta=0.75, name="lrn2")

    # 最大池化層
    pool2 = tf.nn.max_pool(lrn2, ksize=[1, 3, 3, 1], strides=[1, 2, 2, 1], padding="VALID", name="pool2")

    # 定義卷積層3
    with tf.name_scope("conv3") as scope:
        kernel = tf.Variable(tf.truncated_normal([3,3,192,384], dtype=tf.float32, stddev=1e-1, name="weights"))
        conv = tf.nn.conv2d(pool2, kernel, [1, 1, 1, 1], padding="SAME")
        biases = tf.Variable(tf.constant(0.0, dtype=tf.float32, shape=[384]), trainable=True, name="biases")
        bias = tf.nn.bias_add(conv, biases)
        conv3 = tf.nn.relu(bias, name=scope)
        pass

    # 定義卷積層4
    with tf.name_scope("conv4") as scope:
        kernel = tf.Variable(tf.truncated_normal([3,3,384,256], dtype=tf.float32, stddev=1e-1, name="weights"))
        conv = tf.nn.conv2d(conv3, kernel, [1, 1, 1, 1], padding="SAME")
        biases = tf.Variable(tf.constant(0.0, dtype=tf.float32, shape=[256]), trainable=True, name="biases")
        bias = tf.nn.bias_add(conv, biases)
        conv4 = tf.nn.relu(bias, name=scope)
        pass

    # 定義卷積層5
    with tf.name_scope("conv5") as scope:
        kernel = tf.Variable(tf.truncated_normal([3,3,256,256], dtype=tf.float32, stddev=1e-1, name="weights"))
        conv = tf.nn.conv2d(conv4, kernel, [1, 1, 1, 1], padding="SAME")
        biases = tf.Variable(tf.constant(0.0, dtype=tf.float32, shape=[256]), trainable=True, name="biases")
        bias = tf.nn.bias_add(conv, biases)
        conv5 = tf.nn.relu(bias, name=scope)
        pass

    # 最大池化層
    pool5 = tf.nn.max_pool(conv5, ksize=[1,3,3,1], strides=[1,2,2,1], padding="VALID", name="pool5")

    # 全連線層
    flatten = tf.reshape(pool5, [-1, 6*6*256])

    weight1 = tf.Variable(tf.truncated_normal([6*6*256, 4096], mean=0, stddev=0.01))

    fc1 = tf.nn.sigmoid(tf.matmul(flatten, weight1))

    dropout1 = tf.nn.dropout(fc1, keepprob)

    weight2 = tf.Variable(tf.truncated_normal([4096, 4096], mean=0, stddev=0.01))

    fc2 = tf.nn.sigmoid(tf.matmul(dropout1, weight2))

    dropout2 = tf.nn.dropout(fc2, keepprob)

    weight3 = tf.Variable(tf.truncated_normal([4096, 10], mean=0, stddev=0.01))

    fc3 = tf.nn.sigmoid(tf.matmul(dropout2, weight3))

    return fc3


def alexnet_main():
    # 載入使用的訓練集檔名和標籤。
    files = np.load("label.npy", encoding='bytes')[()]

    # 提取檔名。
    keys = [i for i in files]

    print(len(keys))

    myinput = tf.placeholder(dtype=tf.float32, shape=[None, 224, 224, 3], name='input')
    mylabel = tf.placeholder(dtype=tf.float32, shape=[None, 10], name='label')

    # 建立網路，keepprob為0.6。
    myoutput = alexnet(myinput, 0.6)

    # 定義訓練的loss函式。
    loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=myoutput, labels=mylabel))

    # 定義優化器，學習率設定為0.09，學習率可以設定為其他的數值。
    optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.09).minimize(loss)

    # 定義準確率
    valaccuracy = tf.reduce_mean(
        tf.cast(
            tf.equal(
                tf.argmax(myoutput, 1),
                tf.argmax(mylabel, 1)),
            tf.float32))

    # tensorflow的saver，可以用於儲存模型。
    saver = tf.train.Saver()
    init = tf.global_variables_initializer()
    with tf.Session() as sess:
        sess.run(init)
        # 40個epoch
        for loop in range(40):

            # 生成並打亂訓練集的順序。
            indices = np.arange(50000)
            random.shuffle(indices)

            # batch size此處定義為200。
            # 訓練集一共50000張圖片，前40000張用於訓練，後10000張用於驗證集。
            for i in range(0, 0+40000, 200):
                photo = []
                label = []
                for j in range(0, 200):
                    # print(keys[indices[i + j]])
                    photo.append(cv2.resize(cv2.imread(keys[indices[i + j]]), (224, 224))/225)
                    label.append(files[keys[indices[i + j]]])
                m = getOneHotLabel(label, depth=10)
                a, b = sess.run([optimizer, loss], feed_dict={myinput: photo, mylabel: m})
                print("\r%lf"%b, end='')

            acc = 0
            # 每次取驗證集的200張圖片進行驗證，返回這200張圖片的正確率。
            for i in range(40000, 40000+10000, 200):
                photo = []
                label = []
                for j in range(i, i + 200):
                    photo.append(cv2.resize(cv2.imread(keys[indices[j]]), (224, 224))/225)
                    label.append(files[keys[indices[j]]])
                m = getOneHotLabel(label, depth=10)
                acc += sess.run(valaccuracy, feed_dict={myinput: photo, mylabel: m})
            # 輸出，一共有50次驗證集資料相加，所以需要除以50。
            print("Epoch ", loop, ': validation rate: ', acc/50)
        # 儲存模型。
        saver.save(sess, "model/model.ckpt")

if __name__ == '__main__':
    alexnet_main()

以下為結果的部分輸出：

50000
1.781297Epoch  0 : validation rate:  0.562699974775
1.775934Epoch  1 : validation rate:  0.547099971175
1.768913Epoch  2 : validation rate:  0.52679997623
1.719084Epoch  3 : validation rate:  0.548099977374
1.721695Epoch  4 : validation rate:  0.562299972177
1.745009Epoch  5 : validation rate:  0.56409997642
1.746290Epoch  6 : validation rate:  0.612299977541
1.726248Epoch  7 : validation rate:  0.574799978137
1.735083Epoch  8 : validation rate:  0.617399973869
1.722523Epoch  9 : validation rate:  0.61839998126
1.712282Epoch  10 : validation rate:  0.643999977112
1.697912Epoch  11 : validation rate:  0.63789998889
1.708088Epoch  12 : validation rate:  0.641699975729
1.716783Epoch  13 : validation rate:  0.64499997735
1.718689Epoch  14 : validation rate:  0.664099971056
1.712452Epoch  15 : validation rate:  0.659299976826
1.699410Epoch  16 : validation rate:  0.666799970865
1.682442Epoch  17 : validation rate:  0.660699977875
1.650028Epoch  18 : validation rate:  0.673199976683
1.662869Epoch  19 : validation rate:  0.692699990273
1.652857Epoch  20 : validation rate:  0.687699975967
1.672175Epoch  21 : validation rate:  0.710799975395
1.662848Epoch  22 : validation rate:  0.707699980736
1.653844Epoch  23 : validation rate:  0.708999979496
1.636483Epoch  24 : validation rate:  0.736199990511
1.658812Epoch  25 : validation rate:  0.688499983549
1.658808Epoch  26 : validation rate:  0.748899987936
1.642705Epoch  27 : validation rate:  0.751199992895
1.609915Epoch  28 : validation rate:  0.742099983692
1.610037Epoch  29 : validation rate:  0.757699984312
1.647516Epoch  30 : validation rate:  0.771899987459
1.615854Epoch  31 : validation rate:  0.762699997425
1.598617Epoch  32 : validation rate:  0.785299996138
1.579349Epoch  33 : validation rate:  0.791699982882
1.615915Epoch  34 : validation rate:  0.780799984932
1.586894Epoch  35 : validation rate:  0.790699990988
1.573043Epoch  36 : validation rate:  0.799299983978
1.580690Epoch  37 : validation rate:  0.812399986982
1.598764Epoch  38 : validation rate:  0.824699985981
1.566866Epoch  39 : validation rate:  0.821999987364

在實際的訓練過程中，我進行了多次訓練，每次在前一模型的基礎上調整學習率繼續進行訓練。最後的loss值可以下降到1.3~1.4，驗證集的正確率可以到0.96~0.97。

四、預測程式碼
預測程式碼：

import tensorflow as tf
import numpy as np
import random
import cv2

def getOneHotLabel(label, depth):
    m = np.zeros([len(label), depth])
    for i in range(len(label)):
        m[i][label[i]] = 1
    return m

# 建立神經網路
def alexnet(image, keepprob=0.5):

    # 定義卷積層1，卷積核大小，偏置量等各項引數參考下面的程式程式碼，下同
    with tf.name_scope("conv1") as scope:
        kernel = tf.Variable(tf.truncated_normal([11, 11, 3, 64], dtype=tf.float32, stddev=1e-1, name="weights"))
        conv = tf.nn.conv2d(image, kernel, [1, 4, 4, 1], padding="SAME")
        biases = tf.Variable(tf.constant(0.0, dtype=tf.float32, shape=[64]), trainable=True, name="biases")
        bias = tf.nn.bias_add(conv, biases)
        conv1 = tf.nn.relu(bias, name=scope)

        pass

    # LRN層
    lrn1 = tf.nn.lrn(conv1, 4, bias=1.0, alpha=0.001/9, beta=0.75, name="lrn1")

    # 最大池化層
    pool1 = tf.nn.max_pool(lrn1, ksize=[1,3,3,1], strides=[1,2,2,1],padding="VALID", name="pool1")

    # 定義卷積層2
    with tf.name_scope("conv2") as scope:
        kernel = tf.Variable(tf.truncated_normal([5,5,64,192], dtype=tf.float32, stddev=1e-1, name="weights"))
        conv = tf.nn.conv2d(pool1, kernel, [1, 1, 1, 1], padding="SAME")
        biases = tf.Variable(tf.constant(0.0, dtype=tf.float32, shape=[192]), trainable=True, name="biases")
        bias = tf.nn.bias_add(conv, biases)
        conv2 = tf.nn.relu(bias, name=scope)
        pass

    # LRN層
    lrn2 = tf.nn.lrn(conv2, 4, bias=1.0, alpha=0.001 / 9, beta=0.75, name="lrn2")

    # 最大池化層
    pool2 = tf.nn.max_pool(lrn2, ksize=[1, 3, 3, 1], strides=[1, 2, 2, 1], padding="VALID", name="pool2")

    # 定義卷積層3
    with tf.name_scope("conv3") as scope:
        kernel = tf.Variable(tf.truncated_normal([3,3,192,384], dtype=tf.float32, stddev=1e-1, name="weights"))
        conv = tf.nn.conv2d(pool2, kernel, [1, 1, 1, 1], padding="SAME")
        biases = tf.Variable(tf.constant(0.0, dtype=tf.float32, shape=[384]), trainable=True, name="biases")
        bias = tf.nn.bias_add(conv, biases)
        conv3 = tf.nn.relu(bias, name=scope)
        pass

    # 定義卷積層4
    with tf.name_scope("conv4") as scope:
        kernel = tf.Variable(tf.truncated_normal([3,3,384,256], dtype=tf.float32, stddev=1e-1, name="weights"))
        conv = tf.nn.conv2d(conv3, kernel, [1, 1, 1, 1], padding="SAME")
        biases = tf.Variable(tf.constant(0.0, dtype=tf.float32, shape=[256]), trainable=True, name="biases")
        bias = tf.nn.bias_add(conv, biases)
        conv4 = tf.nn.relu(bias, name=scope)
        pass

    # 定義卷積層5
    with tf.name_scope("conv5") as scope:
        kernel = tf.Variable(tf.truncated_normal([3,3,256,256], dtype=tf.float32, stddev=1e-1, name="weights"))
        conv = tf.nn.conv2d(conv4, kernel, [1, 1, 1, 1], padding="SAME")
        biases = tf.Variable(tf.constant(0.0, dtype=tf.float32, shape=[256]), trainable=True, name="biases")
        bias = tf.nn.bias_add(conv, biases)
        conv5 = tf.nn.relu(bias, name=scope)
        pass

    # 最大池化層
    pool5 = tf.nn.max_pool(conv5, ksize=[1,3,3,1], strides=[1,2,2,1], padding="VALID", name="pool5")

    # 全連線層
    flatten = tf.reshape(pool5, [-1, 6*6*256])

    weight1 = tf.Variable(tf.truncated_normal([6*6*256, 4096], mean=0, stddev=0.01))

    fc1 = tf.nn.sigmoid(tf.matmul(flatten, weight1))

    dropout1 = tf.nn.dropout(fc1, keepprob)

    weight2 = tf.Variable(tf.truncated_normal([4096, 4096], mean=0, stddev=0.01))

    fc2 = tf.nn.sigmoid(tf.matmul(dropout1, weight2))

    dropout2 = tf.nn.dropout(fc2, keepprob)

    weight3 = tf.Variable(tf.truncated_normal([4096, 10], mean=0, stddev=0.01))

    fc3 = tf.nn.sigmoid(tf.matmul(dropout2, weight3))

    return fc3


def alexnet_main():
    # 載入測試集的檔名和標籤。
    files = np.load("test-label.npy", encoding='bytes')[()]
    keys = [i for i in files]
    print(len(keys))

    myinput = tf.placeholder(dtype=tf.float32, shape=[None, 224, 224, 3], name='input')
    mylabel = tf.placeholder(dtype=tf.float32, shape=[None, 10], name='label')
    myoutput = alexnet(myinput, 0.6)

    prediction = tf.argmax(myoutput, 1)
    truth = tf.argmax(mylabel, 1)
    valaccuracy = tf.reduce_mean(
        tf.cast(
            tf.equal(
                prediction,
                truth),
            tf.float32))

    saver = tf.train.Saver()

    with tf.Session() as sess:
        # 載入訓練好的模型，路徑根據自己的實際情況調整
        saver.restore(sess, r"model/model.ckpt")

        cnt = 0
        for i in range(10000):
            photo = []
            label = []

            photo.append(cv2.resize(cv2.imread(keys[i]), (224, 224))/225)
            label.append(files[keys[i]])
            m = getOneHotLabel(label, depth=10)
            a, b= sess.run([prediction, truth], feed_dict={myinput: photo, mylabel: m})
            print(a, ' ', b)
            if a[0] == b[0]:
                cnt += 1

        print("Epoch ", 1, ': prediction rate: ', cnt / 10000)

if __name__ == '__main__':
    alexnet_main()

預測結果：（這裡只顯示部分輸出結果）

10000
[3]   [3]
[8]   [8]
[6]   [6]
[4]   [4]
[5]   [9]
[2]   [3]
[9]   [9]
[5]   [5]
[1]   [7]
[3]   [4]
[4]   [4]
[4]   [3]
[9]   [9]
[5]   [5]
[8]   [8]
[3]   [8]
[0]   [0]
[8]   [8]
[7]   [7]
[7]   [4]
[7]   [7]
[5]   [5]
[6]   [5]
...
[7]   [7]
[3]   [3]
[0]   [0]
[7]   [4]
[6]   [2]
[0]   [0]
[7]   [7]
[2]   [5]
[8]   [8]
[5]   [3]
[5]   [5]
[1]   [1]
[7]   [7]
Epoch  1 : prediction rate:  0.7685

五、結果分析
在測試集的表現上，自己訓練的AlexNet網路的預測結果達到了0.7685，即76.85%的正確率。相比較LeNet，這個結果好很多，這是因為在網路結構中，使用了更多的卷積操作，可以提取更多的潛在特徵。足以證明AlexNet在CIFAR-10資料集上表現比LeNet好。

但是0.7685的正確率還是不是很讓人滿意，所以後面可以選擇繼續調整網路的引數，調整網路的結構等手段繼續進行網路的訓練，或者可以選擇使用預訓練好的模型進行自己網路的訓練，或者可以嘗試使用其他更加優秀的網路結構。

接下來的任務是嘗試使用GoogleNet模型進行CIFAR-10資料集的求解。

2018年6月13日更新
   很多朋友在評論區問我兩個npy檔案怎麼生成的，其實我就是把所有的圖片都儲存下來，然後把資訊提取出來，儲存了一下而已。下面是提取資訊和儲存的程式碼，非常簡單。

import numpy as np
import os


train_label = {}

for i in range(10):
    search_path = './data/train/{}'.format(i)
    file_list = os.listdir(search_path)
    for file in file_list:
        train_label[os.path.join(search_path, file)] = i

np.save('label.npy', train_label)

test_label = {}

for i in range(10):
    search_path = './data/test/{}'.format(i)
    file_list = os.listdir(search_path)
    for file in file_list:
        test_label[os.path.join(search_path, file)] = i

np.save('test-label.npy', test_label)

   如果目錄結構和上面的是一樣的話，把這些程式碼檔案放在工程的根目錄下面就可以執行，也可以根據自己需要調整，目的可以達到就可以了。

相關推薦

Tensorflow深度學習之二十一：LeNet的實現（CIFAR-10資料集）

一、LeNet的簡介 LeNet是一個用來識別手寫數字的最經典的卷積神經網路，是Yann LeCun在1998年設計並提出的。Lenet的網路結構規模較小，但包含了卷積層、池化層、全連線層，他們都構成了現代CNN的基本元件。 LeNet包含輸入層在內共有

Tensorflow深度學習之二十二：AlexNet的實現（CIFAR-10資料集）

二、工程結構 由於我自己訓練的機器記憶體視訊記憶體不足，不能一次性讀取10000張圖片，因此，在這之前我按照圖片的類別，將每一張圖片都提取了出來，儲存成了jpg格式。與此同時，在儲存圖片的過程中，儲存了一個python的dict結構，鍵為每一張圖片的相對地

Tensorflow深度學習之三十二： tf.scatter_nd_update

一、tf.scatter_nd_update    函式定義： tf.scatter_nd_update( ref, indices, updates, use_locking=True, name=None )   

[TensorFlow深度學習入門]實戰十二·使用DNN網路實現自動編碼器

[TensorFlow深度學習入門]實戰十二·使用DNN網路實現自動編碼器 測試程式碼 import os os.environ["KMP_DUPLICATE_LIB_OK"]="TRUE" import tensorflow as tf from tensorflow

深度學習之卷積神經網路程式設計實現（二）

void conv_bprop(Layer *layer, Layer *prev_layer, bool *pconnection) { int index = 0; int size = prev_layer->map_w * prev_layer->map_h; // delta

AI - 深度學習之美十四章-概念摘要（8~14）

另一個 基本上 ram sam 稀疏 ESS 自動 vat ras 原文鏈接：https://yq.aliyun.com/topic/111 08 反向傳播(Back Propagation，簡稱BP) 算法 在神經網絡（甚至深度學習）參數訓練中，BP算法占據舉足輕重的地

機器學習學習筆記：用MiniVGGNet處理Cifar-10資料集

0. 引言 VGGNet，由Simonyan和Zisserman在2014年提出，論文名字是《Very Deep Learning Convolutional Neural Networks for Large-Scale Image Recognition》。他們做出的貢

計算機視覺（六）：使用Softmax分類Cifar-10資料集

1 - 引言 這次，我們將使用Softmax來分類Cifar-10，過程其實很之前使用的SVM過程差不多，主要區別是在於損失函式的不同，而且Softmax分類器輸出的結果是輸入樣本在不同類別上的概率值大小,Softmax分類器也叫多項Logistic迴歸 線性模型:

計算機視覺（五）：使用SVM分類Cifar-10資料集

1 - 引言 之前我們使用了K-NN對Cifar-10資料集進行了圖片分類，正確率只有不到30%，但是還是比10%高的[手動滑稽]，這次我們將學習使用SVM分類器來對Cafi-10資料集實現分類，但是正確率應該也不會很高 要想繼續提高正確率，就要對影象進行預處理和特徵的選取工作，而不

Tensorflow深度學習之十二：基礎圖像處理之二

fcm 數字 ssi port con tty .net term file Tensorflow深度學習之十二：基礎圖像處理之二 from：https://blog.csdn.net/davincil/article/details/76598474 首先放出

Tensorflow深度學習之十二：基礎影象處理之二

首先放出原始影象： 1、影象的翻轉 import tensorflow as tf import cv2 # 這裡定義一個tensorflow讀取的圖片格式轉換為opencv讀取的圖片格式的函式 # 請注意： # 在tensorflow中，一個畫素

Tensorflow深度學習之二十七：tf.nn.conv1d

一、conv1d   在NLP領域，甚至影象處理的時候，我們可能會用到一維卷積（conv1d）。所謂的一維卷積可以看作是二維卷積（conv2d）的簡化，二維卷積是將一個特徵圖在width和height兩個方向上進行滑窗操作，對應位置進行相乘並求和；而一維卷積則

Tensorflow深度學習之十一：基礎影象處理

OpenCV是一個十分強大的視覺庫，tensorflow也提供了十分強大的圖片處理函式，下面是一個簡單的例子來說明使用tensorflow和opencv兩個工具進行深度學習程式的設計。 首先是使用的原始圖片： import tensorflow as

Tensorflow深度學習之十九：矩陣切片與連結

1、TensorFlow矩陣切片操作：tf.slice函式 函式原型：slice(input_, begin, size, name=None) 引數： input：待切片的矩陣tensor。 begin：起始位置，表示從哪一個資料開始進行切片。這個起始

Tensorflow深度學習之十四：Tensorflow變數管理

宣告：本篇文章參考《Tensorflow實戰Google深度學習框架》一書 Tensorflow提供了通過變數名稱來建立或者獲取一個變數的機制。通過這個機制，在不同的函式中可以直接通過變數的名字來使用變數，而不需要將變數通過引數的形式到處傳遞。 Tensor

Linux學習之CentOS(十二)----認識ext文件系統（轉）

rect code .cn 留言 cto 這也 文件創建 limit roo 認識ext文件系統 硬盤組成與分割 文件系統特性 Linux 的 EXT2 文件系統(inode) 與目錄樹的關系 EXT2/EXT3 文件的存取與日誌式文件系統的功能 Linux 文件系統的運行

Linux學習之CentOS(十二)------磁盤的分區、格式化、掛載(轉)

為什麽 特定 fst gid ber back charset linux 系統 網絡文件系統 磁盤分區、格式化、掛載磁盤分區 新增分區 查詢分區 刪除分區磁盤格式化 mkfs mke2fs磁盤掛載與卸載 mount umount

Kotlin 全面學習之路 (十二) --列舉類

在對 密封類 的學習過程中我們知道兩者之間有所相同，那就具體學習一下 Kotlin 中的列舉類。 1. 基本實現 enum class Direction { NORTH, SOUTH, WEST, EAST } 每一個列舉常量都是一個物件，列舉常量間使用逗

ESP8266學習之路 十二 (讀寫檔案)

通過串列埠傳送指令控制繼電器, 掉電記憶繼電器狀態,再次上電恢復繼電器狀態。 init.lua檔案 RELAY_Stat = "" RELAY_Pin = 1 gpio.mode(RELAY_Pin, gpio.OUTPUT) if file.open("mode.lua"

Tensorflow深度學習之三十三：tf.scatter_update

一、tf.scatter_update tf.scatter_update( ref, indices, updates, use_locking=True, name=None )    Applies sparse