2020-12-10 17:27:59

b49363cb · wizardforcel · f4b76692 · b49363cb · b49363cb · b49363cb
30 changed file
--- a/new/gan-proj/1.md
+++ b/new/gan-proj/1.md
@@ -561,7 +561,7 @@ The benefits of batch normalization are as follows:



-# 概要
+# 总结




--- a/new/gan-proj/2.md
+++ b/new/gan-proj/2.md
@@ -830,7 +830,7 @@ TensorBoard 的 GRAPHS 部分包含两个网络的图形 。 如果网络性能



-# 概要
+# 总结




--- a/new/gan-proj/3.md
+++ b/new/gan-proj/3.md
@@ -1391,7 +1391,7 @@ TensorBoard 的`GRAPHS`部分包含两个网络的图形。 如果网络性能



-# 概要
+# 总结




--- a/new/gan-proj/4.md
+++ b/new/gan-proj/4.md
@@ -991,7 +991,7 @@ Tensorboard 的`GRAPHS`部分包含两个网络的图形。 如果网络性能



-# 概要
+# 总结




--- a/new/gan-proj/5.md
+++ b/new/gan-proj/5.md
@@ -1196,7 +1196,7 @@ TensorBoard 的 GRAPHS 部分包含两个网络的图形。 如果网络性能



-# 概要
+# 总结




--- a/new/gan-proj/6.md
+++ b/new/gan-proj/6.md
@@ -2002,7 +2002,7 @@ StackGAN 的行业应用包括：



-# 概要
+# 总结




--- a/new/gan-proj/7.md
+++ b/new/gan-proj/7.md
@@ -1094,7 +1094,7 @@ CycleGAN 有许多应用。 在本章中，我们使用了 CycleGAN 将画作转



-# 概要
+# 总结




--- a/new/gan-proj/8.md
+++ b/new/gan-proj/8.md
@@ -1411,7 +1411,7 @@ pix2pix 网络有很多应用。 其中包括：



-# 概要
+# 总结




--- a/new/gan-proj/9.md
+++ b/new/gan-proj/9.md
@@ -176,7 +176,7 @@ GAN 已被证明对图像生成任务很有用。 GAN 中的大部分研究目



-# 概要
+# 总结




--- a/new/handson-unsup-learn-py/01.md
+++ b/new/handson-unsup-learn-py/01.md
@@ -519,7 +519,7 @@ syn = poisson.rvs(mu, size=2000)



-# 概要
+# 总结




--- a/new/handson-unsup-learn-py/02.md
+++ b/new/handson-unsup-learn-py/02.md
@@ -941,7 +941,7 @@ Original entropy: 7.726 bits - Quantized entropy: 5.752 bits



-# 概要
+# 总结




--- a/new/handson-unsup-learn-py/03.md
+++ b/new/handson-unsup-learn-py/03.md
@@ -764,7 +764,7 @@ Incremental adjusted Rand scores as functions of the batches (number of samples)



-# 概要
+# 总结




--- a/new/handson-unsup-learn-py/04.md
+++ b/new/handson-unsup-learn-py/04.md
@@ -556,7 +556,7 @@ Dataset clustered using the Euclidean distance and average linkage using connect



-# 概要
+# 总结




--- a/new/handson-unsup-learn-py/05.md
+++ b/new/handson-unsup-learn-py/05.md
@@ -709,7 +709,7 @@ Final configuration, after 10 iterations



-# 概要
+# 总结




--- a/new/handson-unsup-learn-py/06.md
+++ b/new/handson-unsup-learn-py/06.md
@@ -867,7 +867,7 @@ t-SNE plot for the novelty detection with the wine dataset



-# 概要
+# 总结




--- a/new/handson-unsup-learn-py/07.md
+++ b/new/handson-unsup-learn-py/07.md
@@ -765,7 +765,7 @@ Topic-mixtures for comp.sys.mac.hardware (left) and rec.autos (right)



-# 概要
+# 总结




--- a/new/handson-unsup-learn-py/08.md
+++ b/new/handson-unsup-learn-py/08.md
@@ -1123,7 +1123,7 @@ t-SNE plot of the unsupervised DBN output representations



-# 概要
+# 总结




--- a/new/handson-unsup-learn-py/09.md
+++ b/new/handson-unsup-learn-py/09.md
@@ -907,7 +907,7 @@ Kohonen map weight matrix at the end of the training process



-# 概要
+# 总结




--- a/new/intel-mobi-proj-tf/01.md
+++ b/new/intel-mobi-proj-tf/01.md
@@ -299,7 +299,7 @@ open tf_benchmark_example.xcworkspace



-# 概要
+# 总结




--- a/new/intel-mobi-proj-tf/02.md
+++ b/new/intel-mobi-proj-tf/02.md
@@ -893,7 +893,7 @@ final List<Classifier.Recognition> results = classifier.recognizeImage(croppedBi



-# 概要
+# 总结




--- a/new/intel-mobi-proj-tf/03.md
+++ b/new/intel-mobi-proj-tf/03.md
@@ -732,7 +732,7 @@ YoloPostProcess(model, output->flat<float>(), &top_results);



-# 概要
+# 总结




--- a/new/intel-mobi-proj-tf/04.md
+++ b/new/intel-mobi-proj-tf/04.md
@@ -662,7 +662,7 @@ for (int i = 0; i < NUM_STYLES; ++i) {



-# 概要
+# 总结




--- a/new/intel-mobi-proj-tf/05.md
+++ b/new/intel-mobi-proj-tf/05.md
@@ -790,7 +790,7 @@ func audioRecorderDidFinishRecording(_ recorder: AVAudioRecorder, successfully f



-# 概要
+# 总结




--- a/new/intel-mobi-proj-tf/06.md
+++ b/new/intel-mobi-proj-tf/06.md
@@ -952,7 +952,7 @@ mHandler.sendMessage(msg);



-# 概要
+# 总结




--- a/new/intel-mobi-proj-tf/07.md
+++ b/new/intel-mobi-proj-tf/07.md
@@ -34,7 +34,7 @@

 ![](img/ef475044-6568-4e50-bc98-8ff0a0d6efbf.png)

-图 7.1：The drawing classification mode
+图 7.1：图纸分类模式

 与接受 2D 图像输入的 2D 卷积 API `tf.layers.conv2d` 不同，此处将 1D 卷积 API `tf.layers.conv1d`用于时间卷积（例如绘图）。 默认情况下，在图形分类模型中，使用三个 1D 卷积层，每个层具有 48、64 和 96 个过滤器，其长度分别为 5、5 和 3。 卷积层之后，将创建 3 个 LSTM 层，每层具有 128 个正向`BasicLSTMCell`节点和 128 个反向`BasicLSTMCell`节点，然后将其用于创建动态双向循环神经网络，该网络的输出将发送到最终的完全连接层以计算`logits`（非标准化的对数概率）。

@@ -87,7 +87,7 @@ drwxr-xr-x 2 jeff jeff 4096 Feb 12 00:11 eval

 ![](img/479a1d37-1775-459d-a616-c45f2f10f0f1.png)

-图 7.2：The accuracy and loss of the model after 300k training steps
+图 7.2：300k 训练步骤后模型的准确性和损失

 现在，我们可以像上一章一样运行`freeze_graph.py`工具，以生成用于移动设备的模型文件。 但是在执行此操作之前，我们首先来看一下如何在 Python 中使用该模型进行推断，例如上一章中的`run_inference.py`脚本。

@@ -195,7 +195,7 @@ def predict_input_fn():

 ![](img/d911bab2-cfc2-41d3-a352-d00db55b1f71.png)

-图 7.3：Showing possible output node names of the model
+图 7.3：显示模型的可能输出节点名称

 用您的`graph.pbtxt`文件的路径和最新的模型检查点前缀替换`--input_graph`和`--input_checkpoint`值后，在 TensorFlow 根目录中运行以下脚本以获取冻结的图：

@@ -209,14 +209,15 @@ python tensorflow/python/tools/freeze_graph.py  --input_graph=/tmp/graph.pbtxt -

 ![](img/a88ae370-8a39-4ee3-8ce0-ebaa5fd8a8ed.png)

-图 7.4：Finding out possible input node namesYou may wonder why we can't fix the `Not found: Op type not registered 'OneShotIterator'` error with a technique we used before, which is to first find out which source file contains the op using the command `grep 'REGISTER.*"OneShotIterator"' tensorflow/core/ops/*.cc`
-(and you'll see the output as `tensorflow/core/ops/dataset_ops.cc:REGISTER_OP("OneShotIterator")`) then add `tensorflow/core/ops/dataset_ops.cc` to `tf_op_files.txt` and rebuild the TensorFlow library. Even if this were feasible, it would complicate the solution as now we need to feed the model with some data related to `OneShotIterator`, instead of the direct user drawing in points.
+图 7.4：查找可能的输入节点名称
+
+您可能想知道为什么我们不能使用我们之前使用的技术来解决`Not found: Op type not registered 'OneShotIterator'`错误，即先使用命令`grep 'REGISTER.*"OneShotIterator"' tensorflow/core/ops/*.cc`（您将看到输出为`tensorflow/core/ops/dataset_ops.cc:REGISTER_OP("OneShotIterator")`），然后将`tensorflow/core/ops/dataset_ops.cc`添加到`tf_op_files.txt`并重建 TensorFlow 库。 即使这可行，也会使解决方案复杂化，因为现在我们需要向模型提供一些与`OneShotIterator`相关的数据，而不是以点为单位的直接用户绘图。

 此外，在右侧上方一层（图 7.5），还有另一种操作 `Squeeze` ，它是 `rnn_classification` 子图的输入：

 ![](img/6230229e-1c21-4280-b60a-cac640c1cb1f.png)

-图 7.5：Further research to find out input node names
+图 7.5：找出输入节点名称的进一步研究

 我们不必担心`Reshape`右侧的`Shape`运算，因为它实际上是`rnn_classification`子图的输出。 因此，所有这些研究背后的直觉是，我们可以使用`Reshape`和`Squeeze`作为两个输入节点，然后使用在上一章中看到的`transform_graph` 工具，我们应该能够删除 `Reshape`和`Squeeze`以下的节点，包括`OneShotIterator`。

@@ -237,7 +238,7 @@ strip_unused_nodes(name=Squeeze,type_for_name=int64,shape_for_name="8",name=Resh

 ![](img/6cc9946c-dfb2-41de-af95-a35e47d405a7.png)

-图 7.6：Finding out nodes causing model loading error but not related to model inference
+图 7.6：查找导致模型加载错误但与模型推断无关的节点

 那么，如何摆脱`global_step`以及其他相关的`cond`节点，由于它们的隔离性，它们不会被变换图工具剥离掉？ 幸运的是，`freeze_graph`脚本支持这一点 – [仅在其源代码中记录](https://github.com/tensorflow/tensorflow/blob/master/tensorflow/python/tools/freeze_graph.py)。 我们可以为脚本使用`variable_names_blacklist`参数来指定应在冻结模型中删除的节点：

@@ -333,7 +334,7 @@ tensorflow/core/kernels/random_op.cc

 ![](img/ee464972-a065-4400-aea9-72ce9306b901.png)

-图 7.7：Showing the QuickDraw Xcode project with initial content of ViewController.mm
+图 7.7：显示带有`ViewController`初始内容的`QuickDraw` Xcode 项目。

 我们现在准备单独处理`ViewController.mm`，以完成我们的任务。

@@ -625,7 +626,7 @@ void normalizeScreenCoordinates(NSMutableArray *allPoints, float *normalized) {

 ![](img/48678dd2-0490-4b97-a0a6-fa4ba52bc27b.png)

-图 7.8：Showing drawing and classification results on iOS
+图 7.8：在 iOS 上显示绘图和分类结果



@@ -693,7 +694,7 @@ When using a manually built native library in an Android app, you need to let th

 ![](img/0865ad60-dece-4349-9825-24ca46220d07.png)

-图 7.9：Showing the TensorFlow native library file
+图 7.9：显示 TensorFlow 本机库文件

 4.  通过运行以下命令构建 TensorFlow 本机库的 Java 接口：

@@ -705,7 +706,7 @@ bazel build //tensorflow/contrib/android:android_tensorflow_inference_java

 ![](img/51e4c597-7447-4623-8e07-396b56faddfa.png)

-图 7.10：Showing the Java interface file to the TensorFlow library
+图 7.10：将 Java 接口文件显示到 TensorFlow 库

 现在，我们准备在 Android 中编码和测试模型。

@@ -1031,7 +1032,7 @@ private double[] normalizeScreenCoordinates() {

 ![](img/560fa3a2-94a9-4f93-ae05-bd09921b8e0c.png)

-图 7.11：Showing drawing and classification results on Android
+图 7.11：在 Android 上显示绘图和分类结果

 既然您已经了解了训练 Quick Draw 模型的全过程，并在 iOS 和 Android 应用程序中使用了它，那么您当然可以微调训练方法，使其更加准确，并改善移动应用程序的乐趣。

@@ -1039,11 +1040,10 @@ private double[] normalizeScreenCoordinates() {

 ![](img/16494075-d42a-4b86-a48a-4cb0bc2ec865.png)

-图 7.12：Checking out the TensorFlow native library file with Device File Explorer
-
+图 7.12：使用设备文件资源管理器检出 TensorFlow 本机库文件


-# 概要
+# 总结




--- a/new/intel-mobi-proj-tf/08.md
+++ b/new/intel-mobi-proj-tf/08.md
@@ -868,7 +868,7 @@ public void run() {



-# 概要
+# 总结




--- a/new/intel-mobi-proj-tf/09.md
+++ b/new/intel-mobi-proj-tf/09.md
@@ -801,7 +801,7 @@ void runPix2PixBlurryModel() {



-# 概要
+# 总结




--- a/new/intel-mobi-proj-tf/10.md
+++ b/new/intel-mobi-proj-tf/10.md
@@ -1325,7 +1325,7 @@ void softmax(float vals[], int count) {



-# 概要
+# 总结




--- a/new/intel-mobi-proj-tf/11.md
+++ b/new/intel-mobi-proj-tf/11.md
@@ -720,7 +720,7 @@ class ViewController: UIViewController {



-# 概要
+# 总结




--- a/new/intel-mobi-proj-tf/12.md
+++ b/new/intel-mobi-proj-tf/12.md
@@ -1017,7 +1017,7 @@ pi@raspberrypi:~/mobiletf/ch12 $ python nn_pg.py



-# 概要
+# 总结