Skip to content
体验新版
项目
组织
正在加载...
登录
切换导航
打开侧边栏
D_ACMER
apachecn-dl-zh
提交
1c2673bc
A
apachecn-dl-zh
项目概览
D_ACMER
/
apachecn-dl-zh
与 Fork 源项目一致
Fork自
OpenDocCN / apachecn-dl-zh
通知
1
Star
0
Fork
0
代码
文件
提交
分支
Tags
贡献者
分支图
Diff
Issue
0
列表
看板
标记
里程碑
合并请求
0
Wiki
0
Wiki
分析
仓库
DevOps
项目成员
Pages
A
apachecn-dl-zh
项目概览
项目概览
详情
发布
仓库
仓库
文件
提交
分支
标签
贡献者
分支图
比较
Issue
0
Issue
0
列表
看板
标记
里程碑
合并请求
0
合并请求
0
Pages
分析
分析
仓库分析
DevOps
Wiki
0
Wiki
成员
成员
收起侧边栏
关闭侧边栏
动态
分支图
创建新Issue
提交
Issue看板
体验新版 GitCode,发现更多精彩内容 >>
提交
1c2673bc
编写于
8月 06, 2020
作者:
W
wizardforcel
浏览文件
操作
浏览文件
下载
电子邮件补丁
差异文件
2020-08-06 11:31:17
上级
cf7171c7
变更
5
隐藏空白更改
内联
并排
Showing
5 changed file
with
14 addition
and
14 deletion
+14
-14
docs/mastering-tf-1x-zh/ch12.md
docs/mastering-tf-1x-zh/ch12.md
+7
-7
docs/mastering-tf-1x-zh/ch13.md
docs/mastering-tf-1x-zh/ch13.md
+2
-2
docs/mastering-tf-1x-zh/ch14.md
docs/mastering-tf-1x-zh/ch14.md
+3
-3
docs/mastering-tf-1x-zh/ch15.md
docs/mastering-tf-1x-zh/ch15.md
+1
-1
docs/mastering-tf-1x-zh/ch18.md
docs/mastering-tf-1x-zh/ch18.md
+1
-1
未找到文件。
docs/mastering-tf-1x-zh/ch12.md
浏览文件 @
1c2673bc
...
...
@@ -419,7 +419,7 @@ image_height=vgg.vgg_16.default_image_size
image_width
=
vgg
.
vgg_16
.
default_image_size
```
#
使用 TensorFlow 中预训练的 VGG16 进行
图像分类
#
TensorFlow 中的预训练 VGG16 的
图像分类
现在让我们首先尝试预测测试图像的类别,而不进行再训练。首先,我们清除默认图并定义图像的占位符:
...
...
@@ -568,7 +568,7 @@ Probability 1.81% of [abaya]
从未见过我们数据集中的图像,并且对数据集中的类没有任何了解的预训练模型已正确识别斑马,马车,鸟和熊。它没能认出长颈鹿,因为它以前从未见过长颈鹿。我们将在我们的数据集上再训练这个模型,只需要更少的工作量和 800 个图像的较小数据集大小。但在我们这样做之前,让我们看看在 TensorFlow 中进行相同的图像预处理。
#
TensorFlow 中的图像预处理,用于预训练的 VGG16
#
为 TensorFlow 中的预训练 VGG16 预处理图像
我们为 TensorFlow 中的预处理步骤定义一个函数,如下所示:
...
...
@@ -615,7 +615,7 @@ init = slim.assign_from_checkpoint_fn(
我们建议您将预处理管道与 TensorFlow 模型训练和预测代码分开。 保持独立使其具有模块化并具有其他优势,例如您可以保存数据以便在多个模型中重复使用。
#
使用 TensorFlow 中的再训练的 VGG16 进行
图像分类
#
TensorFlow 中的再训练 VGG16 的
图像分类
现在,我们将为 COCO 动物数据集再训练 VGG16 模型。让我们从定义三个占位符开始:
...
...
@@ -836,7 +836,7 @@ Probability 3.65% of [giraffe]
现在让我们对 Keras 进行相同的分类和再训练。您将看到我们可以轻松地使用较少量的代码在 Keras 中使用 VGG16 预训练模型。
#
使用 Keras 中预训练的 VGG16 进行
图像分类
#
Keras 中的预训练 VGG16 的
图像分类
加载模型是一个单行操作:
...
...
@@ -959,7 +959,7 @@ Probability 2.05% of [bath towel]
它无法识别绵羊,长颈鹿以及狗的图像被裁剪出来的最后一张噪音图像。现在,让我们用我们的数据集再训练 Keras 中的模型。
#
使用 Keras 中的再训练 VGG16 进行
图像分类
#
Keras 中的再训练 VGG16 的
图像分类
让我们使用 COCO 图像数据集来再训练模型以微调分类任务。我们将删除 Keras 模型中的最后一层,并添加我们自己的完全连接层,其中`softmax`激活 8 个类。我们还将通过将前 15 层的`trainable`属性设置为`False`来演示冻结前几层。
...
...
@@ -1223,7 +1223,7 @@ image_height=inception.inception_v3.default_image_size
image_width
=
inception
.
inception_v3
.
default_image_size
```
#
使用 TensorFlow 中的 InceptionV3 进行
图像分类
#
TensorFlow 中的 InceptionV3 的
图像分类
图像分类与使用 VGG 16 模型的上一节中说明的相同。 InceptionV3 模型的完整代码如下:
...
...
@@ -1351,7 +1351,7 @@ Probability 1.55% of [pay-phone, pay-station]
虽然它在与 VGG 模型几乎相同的地方失败了,但并不算太糟糕。现在让我们用 COCO 动物图像和标签再训练这个模型。
#
使用 TensorFlow 中的再训练的 InceptionV3 进行
图像分类
#
TensorFlow 中的再训练 InceptionV3 的
图像分类
InceptionV3 的再训练与 VGG16 不同,因为我们使用 softmax 激活层作为输出,
`tf.losses.softmax_cross_entropy()`
作为损耗函数。
...
...
docs/mastering-tf-1x-zh/ch13.md
浏览文件 @
1c2673bc
...
...
@@ -669,7 +669,7 @@ s_bounds[1] = (-1.0,1.0)
s_bounds
[
3
]
=
(
-
1.0
,
1.0
)
```
# 使用 Q-Table
进行
Q-Learning
# 使用 Q-Table
的
Q-Learning
您可以在
`ch-13b.ipynb`
中按照本节的代码进行操作。 由于我们的离散空间的尺寸为
`[10,10,10,10]`
,因此我们的 Q 表的尺寸为
`[10,10,10,10,2]`
:
...
...
@@ -762,7 +762,7 @@ Policy:policy_q_table, Min reward:8.0, Max reward:180.0, Average reward:17.592
我们对算法的实现很容易解释。但是,您可以对代码进行修改以将探索率设置为最初,然后随着时间步长的过去而衰减。同样,您还可以实现学习和折扣率的衰减逻辑。让我们看看,由于我们的 Q 函数学得更快,我们是否可以用更少的剧集获得更高的奖励。
# Q-Network 或深度 Q 网络(DQN)的 Q-Learning
#
使用
Q-Network 或深度 Q 网络(DQN)的 Q-Learning
在 DQN 中,我们将 Q-Table 替换为神经网络(Q-Network),当我们使用探索状态及其 Q 值连续训练时,它将学会用最佳动作进行响应。因此,为了训练网络,我们需要一个存储游戏内存的地方:
...
...
docs/mastering-tf-1x-zh/ch14.md
浏览文件 @
1c2673bc
...
...
@@ -99,7 +99,7 @@ def display_images(images):
欢迎您探索并尝试其他最佳实践。
#
使用 TensorFlow
的简单的 GAN
#
TensorFlow 中
的简单的 GAN
您可以按照 Jupyter 笔记本中的代码
`ch-14a_SimpleGAN`
。
...
...
@@ -313,7 +313,7 @@ with tf.Session() as tfs:
正如我们所看到的那样,生成器在周期 0 中只产生噪声,但是在周期 350 中,它经过训练可以产生更好的手写数字形状。您可以尝试使用周期,正则化,网络架构和其他超参数进行试验,看看是否可以产生更快更好的结果。
#
使用 Keras
的简单的 GAN
#
Keras 中
的简单的 GAN
您可以按照 Jupyter 笔记本中的代码
`ch-14a_SimpleGAN`
。
...
...
@@ -546,7 +546,7 @@ for epoch in range(n_epochs+1):
GAN 有如此多的变化,它将需要另一本书来涵盖所有不同类型的 GAN。但是,实现技术几乎与我们在此处所示的相似。
#
使用 TensorFlow 和 Keras
的深度卷积 GAN
#
TensorFlow 和 Keras 中
的深度卷积 GAN
您可以按照 Jupyter 笔记本中的代码
`ch-14b_DCGAN`
。
...
...
docs/mastering-tf-1x-zh/ch15.md
浏览文件 @
1c2673bc
# 十五、
使用
TensorFlow 集群的分布式模型
# 十五、TensorFlow 集群的分布式模型
之前我们学习了如何使用 Kubernetes,Docker 和 TensorFlow 服务在生产中大规模运行 TensorFlow 模型。 TensorFlow 服务并不是大规模运行 TensorFlow 模型的唯一方法。 TensorFlow 提供了另一种机制,不仅可以运行,还可以在多个节点或同一节点上的不同节点和不同设备上训练模型。 在第 1 章,TensorFlow 101 中,我们还学习了如何在不同设备上放置变量和操作。在本章中,我们将学习如何分发 TensorFlow 模型以在多个节点上的多个设备上运行。
...
...
docs/mastering-tf-1x-zh/ch18.md
浏览文件 @
1c2673bc
...
...
@@ -161,7 +161,7 @@ InvalidArgumentError: assertion failed: [[-2 0 0]...]
assert_op
=
tf
.
assert_greater_equal
(
x
,
0
)
```
# 使用 TensorFlow 调试器(`tfdbg`)
进行
调试
# 使用 TensorFlow 调试器(`tfdbg`)
的
调试
TensorFlow 调试器(
`tfdbg`
)与其他常用调试器(如
`pdb`
和
`gdb`
)的工作方式相同。要使用调试器,该过程通常如下:
...
...
编辑
预览
Markdown
is supported
0%
请重试
或
添加新附件
.
添加附件
取消
You are about to add
0
people
to the discussion. Proceed with caution.
先完成此消息的编辑!
取消
想要评论请
注册
或
登录