TensorFlow学习笔记(一)
书籍学习
《深度学习:一起玩转Tensorlayer》
CDKI E-Study
基本模型
Nearest Neighbor(最近邻)
资料
数据集
MNIST
- mnist.train : 55k数据点
- mnist.test:10k测试数据
- mnist.validation:5k验证数据
- 每个数据包括“手写数字图像”和“对应的标签”
- 文件说明
- train-images-idx3-ubyte.gz: training set images (9912422 bytes)
- train-labels-idx1-ubyte.gz: training set labels (28881 bytes)
- t10k-images-idx3-ubyte.gz: test set images (1648877 bytes)
- t10k-labels-idx1-ubyte.gz: test set labels (4542 bytes)
- 资料
-
详解 MNIST 数据集
训练数据集包含 60,000 个样本, 测试数据集包含 10,000 样本. 在 MNIST 数据集中的每张图片由 28 x 28 个像素点构成, 每个像素点用一个灰度值表示. 在这里, 我们将 28 x 28 的像素展开为一个一维的行向量, 这些行向量就是图片数组里的行(每行 784 个值, 或者说每行就是代表了一张图片).
-
详解 MNIST 数据集
图像去模糊
基础资料
论文
- Deep Generative Filter for Motion Deblurring
- Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network
数学知识
概率论
几何
其他
指定GPU
import os os.environ["CUDA_VISIBLE_DEVICES"]="0,1"
动态分配内存
import tensorflow as tf from keras.backend.tensorflow_backend import set_session config = tf.ConfigProto() config.gpu_options.allow_growth = True set_session(tf.Session(config=config))
kill进程(Windows,taskkill,详细)
taskkill /pid PID /F
-
taskkill
:Windows使用的kill进程的方法 -
/pid
:按照pid方式查找 -
PID
:已知的要结束的pid -
/F
:表示强制结束 - 更多请点击这里
Tips
-
with
的使用
with tf.Session() as sess: result = sess.run([PRODUCT])
使用with
方便在代码结束后自动关闭session
-
epoch
:迭代次数 -
mse
:均方误差 -
tf.transpose(x)
:矩阵x
的转置 -
tf.gradient
:计算梯度 - 使用各种优化器简化代码,提高效率
optimizer = tf.train.GradientDescentOptimizer(learning_rate=learning_rate)
-
np.random.seed()
:- 如果使用相同的seed( )值,则每次生成的随即数都相同;
- 如果不设置这个值,则系统根据时间来自己选择这个值,此时每次生成的随机数因时间差异而不同。
- 设置的seed()值仅一次有效。
sess.run(op,feed_dict={x:x,y:y})
- sublime粘贴图片
-
Dropout
:伯努利概率分布 - tf.InteractiveSession()与tf.Session()的区别
- python调用shell的方法:
os.popen("nvidia-smi").read()
- epoch,batchsize和iteration的区别
模型的保存与创建
saver = tf.train.Saver()
ERROR分析
-
ResourceExhaustedError
:一般是内存不够