텐서플로우 예제 모음

tf.train.Saver()에 아무 것도 지정하지 않으면 모든 변수가 저장됩니다. 만약 에, 우리는 모든 변수와 그들 중 일부를 저장 하지 않으려는. 저장하려는 변수/컬렉션을 지정할 수 있습니다. tf.train.Saver 인스턴스를 만드는 동안 저장하려는 변수의 목록이나 사전을 전달합니다. 예를 들어, 이제 텐서플로우 모델의 모양을 알아보았으니 모델을 저장하는 방법을 알아보겠습니다. 다음 줄은 두 가지 작업을 실행하는 위치입니다. sess.run은 첫 번째 인수로 실행하기 위해 작업 목록을 작성할 수 있습니다. 이 경우 [최적화자, cross_entropy]를 목록으로 공급하면 이러한 작업이 모두 수행됩니다. 따라서 변수 _와 c에 할당된 두 개의 출력을 얻습니다. 우리는 정말 최적화 작업에서 출력에 대해 너무 많이 신경 쓰지 않지만 우리는 우리가 변수 c에 할당 한 cross_entropy 작업의 출력을 알고 싶어요.

다음 줄에서는 c를 사용하여 에포크의 평균 비용을 계산합니다. 신경망을 학습한 후에는 나중에 사용하고 프로덕션에 배포할 수 있도록 신경망을 저장해야 합니다. 그렇다면 텐서플로우 모델은 무엇일까요? Tensorflow 모델에는 주로 학습한 네트워크 매개 변수의 네트워크 설계 또는 그래프 및 값이 포함됩니다. 따라서 Tensorflow 모델에는 두 가지 주요 파일이 있습니다. 먼저 W1과 b1에 대한 몇 가지 변수, 입력 과 숨겨진 레이어 사이의 연결에 대한 가중치 및 바이어스를 선언합니다. 이 신경망은 숨겨진 레이어에 300개의 노드를 가지므로 무게 텐서 W1의 크기는 [784, 300]입니다. 평균이 0이고 표준 편차가 0.03인 임의 정규 분포를 사용하여 가중치 값을 초기화합니다. TensorFlow에는 numpy 임의 법선 함수의 복제 된 버전이 있으므로 지정된 분포에서 가져온 임의의 샘플로 채워진 지정된 크기의 행렬을 만들 수 있습니다. 마찬가지로 W2 및 b2 변수를 만들어 숨겨진 레이어를 신경망의 출력 계층에 연결합니다. 다른 이미지 크기를 해결하기 위해 이미지의 크기를 조정합니다.

이미지 처리를 위한 알고리즘 모음인 skimage 또는 Scikit-Image 라이브러리를 사용하면 쉽게 이 작업을 수행할 수 있습니다. 이제 텐서플로우 모델에서 저장 및 가져오기가 어떻게 작동하는지 이해했습니다. 다음 섹션에서는 미리 학습된 모델을 로드하기 위해 위의 실제 적인 사용을 설명했습니다. 위의 선을 통해 첫 번째 부부는 문 작성 및 초기화 작업 실행과 관련이 있습니다. 세 번째 줄은 이 신경망에 대해 실행하려는 미니 배치 교육 계획과 관련이 있습니다. 미니 배치 그라데이션 하강에 대해 알고 싶다면이 게시물을 확인하십시오. 세 번째 줄에서는 각 교육 시대에 실행할 일괄 처리 수를 계산합니다. 그 후, 우리는 각 교육 시대를 통해 루프와 각 시대에 대한 평균 크로스 엔트로피 비용을 추적하기 위해 avg_cost 변수를 초기화. 다음 줄은 MNIST 학습 데이터 집합에서 샘플, batch_x 및 batch_y의 무작위 배치를 추출하는 곳입니다. TensorFlow제공 MNIST 데이터 집합에는 학습을 위한 데이터 일괄 처리를 쉽게 추출할 수 있는 편리한 유틸리티 기능next_batch가 있습니다.

추정기는 프로덕션 환경에서 여러 컴퓨터에서 대형 모델을 학습할 수 있습니다. TensorFlow는 일반적인 ML 알고리즘을 구현하기 위해 미리 만들어진 추정기 컬렉션을 제공합니다. 추정기 가이드를 참조하십시오. 평면 벡터로 이동하기 전에 곧 “벡터”의 개념을 수정하는 것이 좋습니다. 벡터는 숫자의 직사각형 배열인 행렬의 특별한 유형입니다. 벡터는 숫자 의 정렬 된 컬렉션 이기 때문에 열 행렬로 볼 수 있습니다: 그들은 단지 하나의 열 및 행의 특정 수. 다른 용어로, 방향을 부여 된 스칼라 크기로 벡터를 고려할 수도 있습니다. 이것은 전체 텐서플로우 그래프를 저장하는 프로토콜 버퍼입니다. 즉.

Tento obsah bol zaradený v Nezaradené. Zálohujte si trvalý odkaz.