首页 / TENSORFLOW / TensorFlow2.0入门学习笔记(11)——自制数据集，并记录训练模型

TensorFlow2.0入门学习笔记(11)——自制数据集，并记录训练模型

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了TensorFlow2.0入门学习笔记(11)——自制数据集，并记录训练模型，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含10231字，纯文字阅读大概需要15分钟。

内容图文

以MNIST的sequential模型为base-line，通过读取自己的数据，训练模型并存储模型，最后达到绘图实物的运用。

自制数据集，解决本领域应用

观察数据结构

给x_train、y_train、x_test、y_test赋值

技术分享图片

def generateds(图片路径,标签文件)：

        def generateds(path, txt):
    f = open(txt, ‘r‘)  # 以只读形式打开txt文件
    contents = f.readlines()  # 读取文件中所有行
    f.close()  # 关闭txt文件
    x, y_ = [], []  # 建立空列表
    for content in contents:  # 逐行取出
        value = content.split()  # 以空格分开，图片路径为value[0] , 标签为value[1] , 存入列表
        img_path = path + value[0]  # 拼出图片路径和文件名
        img = Image.open(img_path)  # 读入图片
        img = np.array(img.convert(‘L‘))  # 图片变为8位宽灰度值的np.array格式
        img = img / 255.  # 数据归一化 （实现预处理）
        x.append(img)  # 归一化后的数据，贴到列表x
        y_.append(value[1])  # 标签贴到列表y_
        print(‘loading : ‘ + content)  # 打印状态提示

    x = np.array(x)  # 变为np.array格式
    y_ = np.array(y_)  # 变为np.array格式
    y_ = y_.astype(np.int64)  # 变为64位整型
    return x, y_  # 返回输入特征x，返回标签y_

数据增强，扩充数据集

数据增强（增大数据量），可以简单的扩展数据集，对图像的数据增强就是对图像的简单形变。

tensorflow2中的数据增强函数

        image_gen_train = tf.keras.preprocessing.image.ImageDataGenerator(
	rescale = 所有数据将乘以该数值
	rotation_range = 随机旋转角度数范围
	width_shift_range = 随机宽度偏移量
	height_shift_range = 随机高度偏移量
	水平翻转：horizontal_flip = 是否随机水平翻转
	随机缩放：zoom_range = 随机缩放的范围 [1-n，1+n] )
image_gen_train.fit(x_train)

### 例 ###
image_gen_train = ImageDataGenerator(
	rescale=1. / 1., # 如为图像，分母为255时，可归至0～1
	rotation_range=45, # 随机45度旋转
	width_shift_range=.15, # 宽度偏移
	height_shift_range=.15, # 高度偏移
	horizontal_flip=False, # 水平翻转
	zoom_range=0.5 # 将图像随机缩放阈量50％)
image_gen_train.fit(x_train)

其中image_gen_train.fit(x_train)中的fit需要一个四维数组
即：

        x_train = x_train.reshape(x_train[0], 28, 28, 1)

(60000, 28, 28) \(\Rightarrow\) (60000, 28, 28, 1)
将60000张28行28列的数据转换成60000张28行28列单通道的数据集，其中“1”是灰度值
model.fit()同步更新为model.fit(image_gen_train.flow(x_train, y_train,batch_size=32), ……)

model.fit(x_train, y_train,batch_size=32, ……)

\[\Downarrow \]

model.fit(image_gen_train.flow(x_train, y_train,batch_size=32), ……)

加入数据增强的的代码训练后

        import tensorflow as tf
from tensorflow.keras.preprocessing.image import ImageDataGenerator

mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0
x_train = x_train.reshape(x_train.shape[0], 28, 28, 1)  # 给数据增加一个维度,从(60000, 28, 28)reshape为(60000, 28, 28, 1)

image_gen_train = ImageDataGenerator(
    rescale=1. / 1.,  # 如为图像，分母为255时，可归至0～1
    rotation_range=45,  # 随机45度旋转
    width_shift_range=.15,  # 宽度偏移
    height_shift_range=.15,  # 高度偏移
    horizontal_flip=False,  # 水平翻转
    zoom_range=0.5  # 将图像随机缩放阈量50％
)
image_gen_train.fit(x_train)

model = tf.keras.models.Sequential([
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(128, activation=‘relu‘),
    tf.keras.layers.Dense(10, activation=‘softmax‘)
])

model.compile(optimizer=‘adam‘,
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
              metrics=[‘sparse_categorical_accuracy‘])

model.fit(image_gen_train.flow(x_train, y_train, batch_size=32), epochs=5, validation_data=(x_test, y_test),
          validation_freq=1)
model.summary()

技术分享图片

随着模型迭代轮数的增加，模型的准确率不断提高
数据在小数据量上可以增加模型的泛化性

断点续训，存取模型

读取保存模型

load_weights(路径文件名)

        checkpoint_save_path = "./checkpoint/fashion.ckpt"	#先定义出存放模型的路径和文件名，“.ckpt”文件在生成时会同步生成索引表
if os.path.exists(checkpoint_save_path + ‘.index‘):		#判断是否有索引表，就可以知道是否报存过模型，如果有索引表，就会调用load_weights()即模型
    print(‘-------------load the model-----------------‘)
    model.load_weights(checkpoint_save_path)

保存模型

使用tensorflow给出的回调函数直接保存训练的参数：

tf.keras.callbacks.ModelCheckpoint(filepath=路径文件名,save_weights_only=True/False,save_best_only=True/False)

history = model.fit（ callbacks=[cp_callback] ）

        cp_callback = tf.keras.callbacks.ModelCheckpoint(filepath=checkpoint_save_path,		# 文件存储路径
                                                 save_weights_only=True,			# 是否只保留模型参数
                                                 save_best_only=True)				# 是否只保留模型最优参数

history = model.fit(x_train, y_train, batch_size=32, epochs=5, 						# 加入callbacks选项，记录到history中
					validation_data=(x_test, y_test), validation_freq=1,
                    callbacks=[cp_callback])

加入断点续训的完整代码：

        import tensorflow as tf
import os		# 引入os模块，（文件处理）

mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

model = tf.keras.models.Sequential([
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(128, activation=‘relu‘),
    tf.keras.layers.Dense(10, activation=‘softmax‘)
])

model.compile(optimizer=‘adam‘,
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
              metrics=[‘sparse_categorical_accuracy‘])

checkpoint_save_path = "./checkpoint/fashion.ckpt"
if os.path.exists(checkpoint_save_path + ‘.index‘):
    print(‘-------------load the model-----------------‘)
    model.load_weights(checkpoint_save_path)

cp_callback = tf.keras.callbacks.ModelCheckpoint(filepath=checkpoint_save_path,
                                                 save_weights_only=True,
                                                 save_best_only=True)

history = model.fit(x_train, y_train, batch_size=32, epochs=5, validation_data=(x_test, y_test), validation_freq=1,
                    callbacks=[cp_callback])
model.summary()

第一次运行：

技术分享图片

第二次运行：

技术分享图片

加载了第一次保存的参数，准确率在第一次的基础上提高

参数提取，把参数存入文本

提取可训练参数
model.trainable_variables 返回模型中可训练的参数

设置print输出格式
np.set_printoptions(threshold=超过多少省略显示)

                np.set_printoptions(threshold=np.inf) # np.inf表示无限大

将可训练参数存入文本

                print(model.trainable_variables)
file = open(‘./weights.txt‘, ‘w‘)
for v in model.trainable_variables:
	file.write(str(v.name) + ‘\n‘)
	file.write(str(v.shape) + ‘\n‘)
	file.write(str(v.numpy()) + ‘\n‘)
file.close()

在断点续训的基础上加入参数提取

        import tensorflow as tf
import os
import numpy as np

np.set_printoptions(threshold=np.inf)

mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

model = tf.keras.models.Sequential([
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(128, activation=‘relu‘),
    tf.keras.layers.Dense(10, activation=‘softmax‘)
])

model.compile(optimizer=‘adam‘,
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
              metrics=[‘sparse_categorical_accuracy‘])

checkpoint_save_path = "./checkpoint/fashion.ckpt"
if os.path.exists(checkpoint_save_path + ‘.index‘):
    print(‘-------------load the model-----------------‘)
    model.load_weights(checkpoint_save_path)

cp_callback = tf.keras.callbacks.ModelCheckpoint(filepath=checkpoint_save_path,
                                                 save_weights_only=True,
                                                 save_best_only=True)

history = model.fit(x_train, y_train, batch_size=32, epochs=5, validation_data=(x_test, y_test), validation_freq=1,
                    callbacks=[cp_callback])
model.summary()

print(model.trainable_variables)
file = open(‘./weights.txt‘, ‘w‘)
for v in model.trainable_variables:
    file.write(str(v.name) + ‘\n‘)
    file.write(str(v.shape) + ‘\n‘)
    file.write(str(v.numpy()) + ‘\n‘)
file.close()

运行得到weights.txt文件

技术分享图片

acc/loss可视化，查看训练效果

将训练过程可视化出来
在history中同步记录了训练集loss、测试机loss、训练集准确率和测试集准确率
history=model.fit(训练集数据, 训练集标签, batch_size=, epochs=,validation_split=用作测试数据的比例,validation_data=测试集,validation_freq=测试频率)
history
训练集loss： loss
测试集loss： val_loss
训练集准确率： sparse_categorical_accuracy
测试集准确率： val_sparse_categorical_accuracy

        acc = history.history[‘sparse_categorical_accuracy‘]
val_acc = history.history[‘val_sparse_categorical_accuracy‘]
loss = history.history[‘loss‘]
val_loss = history.history[‘val_loss‘]	#使用history.histor[]提取

加入绘制图像的代码：

        import tensorflow as tf
import os
import numpy as np
from matplotlib import pyplot as plt		# 导入绘图模块

np.set_printoptions(threshold=np.inf)

mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

model = tf.keras.models.Sequential([
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(128, activation=‘relu‘),
    tf.keras.layers.Dense(10, activation=‘softmax‘)
])

model.compile(optimizer=‘adam‘,
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
              metrics=[‘sparse_categorical_accuracy‘])

checkpoint_save_path = "./checkpoint/fashion.ckpt"
if os.path.exists(checkpoint_save_path + ‘.index‘):
    print(‘-------------load the model-----------------‘)
    model.load_weights(checkpoint_save_path)

cp_callback = tf.keras.callbacks.ModelCheckpoint(filepath=checkpoint_save_path,
                                                 save_weights_only=True,
                                                 save_best_only=True)

history = model.fit(x_train, y_train, batch_size=32, epochs=5, validation_data=(x_test, y_test), validation_freq=1,
                    callbacks=[cp_callback])
model.summary()

print(model.trainable_variables)
file = open(‘./weights.txt‘, ‘w‘)
for v in model.trainable_variables:
    file.write(str(v.name) + ‘\n‘)
    file.write(str(v.shape) + ‘\n‘)
    file.write(str(v.numpy()) + ‘\n‘)
file.close()

###############################################    show   ###############################################

# 显示训练集和验证集的acc和loss曲线
acc = history.history[‘sparse_categorical_accuracy‘]
val_acc = history.history[‘val_sparse_categorical_accuracy‘]
loss = history.history[‘loss‘]
val_loss = history.history[‘val_loss‘]

plt.subplot(1, 2, 1)
plt.plot(acc, label=‘Training Accuracy‘)
plt.plot(val_acc, label=‘Validation Accuracy‘)
plt.title(‘Training and Validation Accuracy‘)
plt.legend()

plt.subplot(1, 2, 2)
plt.plot(loss, label=‘Training Loss‘)
plt.plot(val_loss, label=‘Validation Loss‘)
plt.title(‘Training and Validation Loss‘)
plt.legend()
plt.show()

可视化结果：

技术分享图片

应用程序，给图识物

前面已经将模型训练好了，下面将编写一套运用程序实现给图识物

技术分享图片

predict(输入特征，batch_size=整数)
返回前向传播计算结果

前向传播执行应用：

复现模型（前向传播）
加载参数：model.load_weights(model_save_path)
预测结果：result = model.predict(x_predict)

源码：

        from PIL import Image
import numpy as np
import tensorflow as tf

model_save_path = ‘./checkpoint/mnist.ckpt‘		

model = tf.keras.models.Sequential([						# 复现网络
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(128, activation=‘relu‘),
    tf.keras.layers.Dense(10, activation=‘softmax‘)])
    
model.load_weights(model_save_path) 						# 加载参数

preNum = int(input("input the number of test pictures:"))	# 准备预测多少个数

for i in range(preNum):										# 读入待识别的图片
    image_path = input("the path of test picture:")
    img = Image.open(image_path)							
    img = img.resize((28, 28), Image.ANTIALIAS)				# 转换成（28，28）的类型，与训练数据类型匹配
    img_arr = np.array(img.convert(‘L‘))					# 转换成灰度图

    img_arr = 255 - img_arr									# 将“白底黑字”反转成“黑底白字”

	#####or#####
#	for i in range(28):							# 转换成高对比度的图，过滤噪声
#		for j in range(28):
#			if img_arr[i][j] < 200:
#				img_arr[i][j] = 255
#            else:
#            	img_arr[i][j] = 0

   
    img_arr = img_arr / 255.0								# 归一化
    print("img_arr:",img_arr.shape)
    x_predict = img_arr[tf.newaxis, ...]					# 由于是按每个batch送入网络，故添加一个维度
    print("x_predict:",x_predict.shape)
    result = model.predict(x_predict)						#预测结果
    
    pred = tf.argmax(result, axis=1)
    
    print(‘\n‘)
    tf.print(pred)

原文：https://www.cnblogs.com/moonspace/p/13047502.html

内容总结

以上是互联网集市为您收集整理的TensorFlow2.0入门学习笔记(11)——自制数据集，并记录训练模型全部内容，希望文章能够帮你解决TensorFlow2.0入门学习笔记(11)——自制数据集，并记录训练模型所遇到的程序开发问题。如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容，请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端

扫描二维码推送至手机访问。

本文链接：https://qyyshop.com/info/1269907.html

来源：【匿名】

【下一篇】详解tensorflow载入数据的三种方式

更多 ►

【TensorFlow2.0入门学习笔记(11)——自制数据集，并记录训练模型】教程文章相关的互联网学习教程文章

TensorFlow2.0入门学习笔记(11)——自制数据集，并记录训练模型【代码】【图】

以MNIST的sequential模型为base-line，通过读取自己的数据，训练模型并存储模型，最后达到绘图实物的运用。自制数据集，解决本领域应用观察数据结构给x_train、y_train、x_test、y_test赋值def generateds(图片路径,标签文件)：def generateds(path, txt):f = open(txt, ‘r‘) # 以只读形式打开txt文件contents = f.readlines() # 读取文件中所有行f.close() # 关闭txt文件x, y_ = [], [] # 建立空列表for content in content...

TensorFlow学习笔记【代码】

TensorFlow学习笔记一、常量表示import tensorflow as tf m1=tf.constant([[3,3]]) m2=tf.constant([[2],[3]]) product=tf.matmul(m1,m2) print(product) sess=tf.Session() result=sess.run(product) print(result) sess.close()with tf.Session() as sess:result=sess.run(product)print(result) 输出结果：[[15]]二、变量import tensorflow as tf x=tf.Variable([1,2]) #Variable表示变量 a=tf.constant([3,3]) #constant表示常...

TensorFlow2.0入门学习笔记(10)——使用keras搭建神经网络(Mnist,Fashion)【代码】【图】

前面已经使用TensorFlow2的原生代码搭建神经网络，接下来将使用keras搭建神经网络，并改写鸢尾花分类问题的代码，将原本100多行的代码用不到20行代码实现。用TensorFlow API：tf.keras搭建网络使用Sequential六步法：import，相关模块train, test，指定训练集的输入特征，和训练集的标签model = tf.keras.models.Sequential，搭建网络结构,（顺序神经网络）model.compile，配置训练方法model.fit，执行训练model.summary，打印出网...

tensorflow学习笔记(3)前置数学知识【代码】【图】

tensorflow学习笔记(3)前置数学知识首先是神经元的模型接下来是激励函数神经网络的复杂度计算层数：隐藏层+输出层总参数=总的w+b下图为2层如下图w为3*4+4个 b为4*2+2接下来是损失函数主流的有均分误差，交叉熵，以及自定义这里贴上课程里面的代码# -*- coding: utf-8 -*-""" Created on Sat May 26 18:42:08 2018@author: Administrator """import tensorflow as tf import numpy as np BATCH_SIZE=8 seed=23455#基于seed产生随机...

tensorflow学习笔记——VGGNet【代码】【图】

2014年，牛津大学计算机视觉组（Visual Geometry Group）和 Google DeepMind 公司的研究员一起研发了新的深度卷积神经网络：VGGNet ，并取得了ILSVRC2014比赛分类项目的第二名（第一名是GoogLeNet，也是同年提出的）和定位项目的第一名。　　VGGNet探索了卷积神经网络的深度与其性能直接的关系，通过反复堆叠 3*3 的小型卷积核和 2*2 的最大池化层，VGGNet成功的构筑了16~19层深的卷积神经网络。VGGNet相比之前的 state-of-the-art...

斯坦福CS20SI TensorFlow学习笔记1——graph、session和op【代码】

graph即tf.Graph()，session即tf.Session()，很多人经常将两者混淆，其实二者完全不是同一个东西。graph定义了计算方式，是一些加减乘除等运算的组合，类似于一个函数。它本身不会进行任何计算，也不保存任何中间计算结果。session用来运行一个graph，或者运行graph的一部分。它类似于一个执行者，给graph灌入输入数据，得到输出，并保存中间的计算结果。同时它也给graph分配计算资源（如内存、显卡等）。TensorFlow是一种符号式编...

Tensorflow学习笔记3：TensorBoard可视化学习【代码】

TensorBoard简介Tensorflow发布包中提供了TensorBoard，用于展示Tensorflow任务在计算过程中的Graph、定量指标图以及附加数据。大致的效果如下所示， TensorBoard工作机制TensorBoard 通过读取 TensorFlow 的事件文件来运行。TensorFlow 的事件文件包括了你会在 TensorFlow 运行中涉及到的主要数据。关于TensorBoard的详细介绍请参考TensorBoard:可视化学习。下面做个简单介绍。Tensorflow的API中提供了一种叫做Summary的操作，用于...

TensorFlow2.0入门学习笔记(8)——欠拟合与过拟合(正则化)【代码】【图】

TensorFlow2.0入门学习笔记(8)——欠拟合与过拟合(正则化)欠拟合与过拟合欠拟合：模型不能有效拟合数据集对现有数据集学习的不够彻底过拟合：模型对训练集拟合的太好，而缺失了泛化力欠拟合的解决方法：增加输入特征项增加网络参数减少正则化参数过拟合的解决方法：数据清洗增大训练集采用正则化增大正则化参数正则化缓解过拟合正则化在损失函数中引入模型复杂度指标，利用给W加权值，弱化了训练数据的噪声（一般不正则化b...

神经网络 Python TensorFlow 设置学习率（学习笔记）【代码】

#学习率设为1 import tensorflow as tf training_steps=10 learning_rate=1x=tf.Variable(tf.constant(5,dtype=tf.float32),name='x') y=tf.square(x)train_op=tf.train.GradientDescentOptimizer(learning_rate).minimize(y)with tf.Session() as sess:init_op=tf.global_variables_initializer()sess.run(init_op)for i in range(training_steps):sess.run(train_op)x_value=sess.run(x)print("After %s iters:x%s is %f."%(i+1,...

TensorFlow2.0入门学习笔记(5)——构建第一个神经网络，鸢尾花分类问题（附源码）【代码】【图】

根据前面的基础知识，可以开始第一个神经网络的搭建，主要学习的资料西安科技大学：神经网络与深度学习——TensorFlow2.0实战，北京大学：人工智能实践Tensorflow笔记 TensorFlow2.0入门学习笔记(5)——构建第一个神经网络，鸢尾花分类问题（附源码） 1.问题背景问题描述人们通过经验总结出的规律：通过测量鸢尾花的花萼长、花萼宽、花瓣长、花瓣宽，可以得出鸢尾花的类别。（如：花萼长>花萼宽且花瓣长/花瓣宽>2 则为杂色鸢尾花...

学习笔记TF024:TensorFlow实现SoftmaxRegression(回归)识别手写数字

TensorFlow实现Softmax Regression(回归)识别手写数字。MNIST(Mixed National Institute of Standards and Technology database)，简单机器视觉数据集，28X28像素手写数字，只有灰度值信息，空白部分为0,笔迹根据颜色深浅取[0, 1], 784维，丢弃二维空间信息，目标分0~9共10类。数据加载，data.read_data_sets, 55000个样本，测试集10000样本，验证集5000样本。样本标注信息，label，10维向量，10种类one-hot编码。训练集训练模型，...

【TensorFlow学习笔记】目标识别篇（五）：基于Faster-rcnn-tensorflow-python3.5-master打造属于自己的物体检测模型【代码】【图】

一、环境配置 win10系统，显卡GeForce GTX 960M； TensorFlow-gpu 1.13.0-rc2，CUDA 10.0，Cudnn 7.4.2； python 3.6 Tensorflow-gpu是在windows PowerShell里用pip安装的，同时安装一些必要的库：cython、easydict、matplotlib、python-opencv等，可直接使用pip安装或者下载相应的.whl离线文件安装。 Faster RCNN下载下载地址https://github.com/dBeker/Faster-RCNN-TensorFlow-Python3.5 下载完成后，项目的根目录为：Faster-RC...

tensorflow2学习笔记---梯度和自动微分【代码】【图】

梯度和自动微分官网自动微分和梯度带 | TensorFlow Core1. Gradient tapes tf.GradientTape API可以进行自动微分，根据某个函数的输入变量来计算它的导数。它会将上下文的变量操作都记录在tape上，然后用反向微分法来计算这个函数的导数。 \(y=x^2\)的标量例子 x = tf.Variable(3.0)with tf.GradientTape() as tape:y = x**2# dy = 2x * dx dy_dx = tape.gradient(y, x) dy_dx.numpy()# ==>6.0使用tensor的例子，tape.gradient方...

干货|还怕Tensorflow学习没有资料吗？来看最新开的Tensorflow课程学习笔记【图】

绍深度学习后面的数学概念已经存在10多年，但是深度学习框架是最近几年才出来的。现在大量的框架在灵活性上和便于工业界使用上做了权衡，灵活性对于科研非常重要，但是对于工业界太慢了，但是换句话说，足够快，能够用于分布式的框架只适用于特别的网络结构，这对科研又不够灵活。这留给了使用者一个矛盾的境地：我们是否应该尝试用没有那么灵活的框架做科研，这样当应用于工业界的时候，我们不必再重新用另外一个框架复现代码；或...

tensorflow学习笔记——获取训练数据集和测试数据集【代码】

训练神经网络模型之前，需要先获取训练数据集和测试数据集，本文介绍的获取数据集（get_data_train_test）的方法包括以下步骤： 1 在数据集文件夹中，不同类别图像分别放在以各自类别名称命名的文件夹中； 2 获取所有图像路径以及分类； 3 将分类转为字典格式； 4 将所有图像路径打乱； 5 将所有图像路径切分为训练部分和测试部分； 6 获取x部分 6.1 获取图像； 6.2 图像尺寸调整； 6.3 图像降维； 6.4 图像像素值取反； 6.5 图像像...

首页 / TENSORFLOW / TensorFlow2.0入门学习笔记(11)——自制数据集，并记录训练模型

TensorFlow2.0入门学习笔记(11)——自制数据集，并记录训练模型

内容导读

内容图文

自制数据集，解决本领域应用

观察数据结构

def generateds(图片路径,标签文件)：

数据增强，扩充数据集

断点续训，存取模型

读取保存模型

保存模型

参数提取，把参数存入文本

acc/loss可视化，查看训练效果

应用程序，给图识物

内容总结

内容备注

内容手机端

【TensorFlow2.0入门学习笔记(11)——自制数据集，并记录训练模型】教程文章相关的互联网学习教程文章

TENSORFLOW - 相关标签

学习笔记 - 相关标签

数据集 - 相关标签

TENSORFLOW - 最新教程

TENSORFLOW - 最热教程