0

TensorFlow修炼手册(2)——模型的保存和恢复

TensorFlow中,利用TensorFlow训练好了模型之后,我们需要保存模型参数,然后加入到产品当中,这样,当有新的数据来了之后,算法不用重新训练,而是利用训练好的模型的参数,这样,即使是浏览器也可以写JavaScript跑深度学习的应用了。总的来说,我们需要创建tf.train.Saver对象的实例来调用saverestore两个方法分别来保存和恢复模型。通过学习总结如下

模型的保存

调用tf.train.Saver() 创建一个Saver 来管理模型参数,代码如下

Continue Reading

0

卷积神经网络(1)——基本概念

这是我的第一篇介绍卷积网络的博客,卷积神经网络(Convolutional Neural Networks)不单单比人工神经网络有更多的层数,而且它的每一层有不同的设计,相比人工神经网络每一层是对每个像素点进行描述,CNN的每一层对图片的作用是不同的,有些层“看”图片的轮廓,有些层“看”图片的颜色,有些层“看”图片的形状等等。CNN在图像处理方面具有非常强大的分类和识别能力。下面介绍CNN的基本的概念,主要内容如下

  • 卷积层
    • Local receptive fields
      • Patch/Kernel/Filter
      • Width
      • Depth
      • Padding
      • Stride
      • Shared weights(共享权重)
    • Feature map
    • ReLU
  • 池化层
    • Pooling(池化/下采样)
  • 全连接层(Full Connected Layer)

继续写这篇文章,我忽然发现我有点心虚,因为毕竟自己所学尚浅,天资愚笨,而且笨嘴拙舌,怕不能把所学的内容将清除,误人子弟,因此如果读者发现有错,请及时在评论区提出。

基本的卷积神经网络一般有卷积层,ReLU层,池化层以及全连接层这几个部分,在很多时候,ReLU层都是和卷积层合并统称为卷积层。如下图所示

convnet

图片来自:http://cs231n.github.io/assets/cnn/convnet.jpeg

Continue Reading