快捷導(dǎo)航

python深度學(xué)習(xí)tensorflow1.0參數(shù)和特征提取

更新時(shí)間：2022年06月29日 16:41:01 作者：denny402

這篇文章主要為大家介紹了python深度學(xué)習(xí)tensorflow1.0參數(shù)和特征提取，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進(jìn)步，早日升職加薪

tf.trainable_variables()提取訓(xùn)練參數(shù)

在tf中，參與訓(xùn)練的參數(shù)可用 tf.trainable_variables()提取出來，如：

#取出所有參與訓(xùn)練的參數(shù)
params=tf.trainable_variables()
print("Trainable variables:------------------------")
#循環(huán)列出參數(shù)
for idx, v in enumerate(params):
     print("  param {:3}: {:15}   {}".format(idx, str(v.get_shape()), v.name))

這里只能查看參數(shù)的shape和name,并沒有具體的值。如果要查看參數(shù)具體的值的話，必須先初始化，即：

sess=tf.Session()
sess.run(tf.global_variables_initializer())

同理，我們也可以提取圖片經(jīng)過訓(xùn)練后的值。圖片經(jīng)過卷積后變成了特征，要提取這些特征，必須先把圖片feed進(jìn)去。

具體實(shí)例

# -*- coding: utf-8 -*-
"""
Created on Sat Jun  3 12:07:59 2017
@author: Administrator
"""
import tensorflow as tf
from skimage import io,transform
import numpy as np
#-----------------構(gòu)建網(wǎng)絡(luò)----------------------
#占位符
x=tf.placeholder(tf.float32,shape=[None,100,100,3],name='x')
y_=tf.placeholder(tf.int32,shape=[None,],name='y_')
#第一個(gè)卷積層（100——&gt;50)
conv1=tf.layers.conv2d(
      inputs=x,
      filters=32,
      kernel_size=[5, 5],
      padding="same",
      activation=tf.nn.relu,
      kernel_initializer=tf.truncated_normal_initializer(stddev=0.01))
pool1=tf.layers.max_pooling2d(inputs=conv1, pool_size=[2, 2], strides=2)
#第二個(gè)卷積層(50-&gt;25)
conv2=tf.layers.conv2d(
      inputs=pool1,
      filters=64,
      kernel_size=[5, 5],
      padding="same",
      activation=tf.nn.relu,
      kernel_initializer=tf.truncated_normal_initializer(stddev=0.01))
pool2=tf.layers.max_pooling2d(inputs=conv2, pool_size=[2, 2], strides=2)
#第三個(gè)卷積層(25-&gt;12)
conv3=tf.layers.conv2d(
      inputs=pool2,
      filters=128,
      kernel_size=[3, 3],
      padding="same",
      activation=tf.nn.relu,
      kernel_initializer=tf.truncated_normal_initializer(stddev=0.01))
pool3=tf.layers.max_pooling2d(inputs=conv3, pool_size=[2, 2], strides=2)
#第四個(gè)卷積層(12-&gt;6)
conv4=tf.layers.conv2d(
      inputs=pool3,
      filters=128,
      kernel_size=[3, 3],
      padding="same",
      activation=tf.nn.relu,
      kernel_initializer=tf.truncated_normal_initializer(stddev=0.01))
pool4=tf.layers.max_pooling2d(inputs=conv4, pool_size=[2, 2], strides=2)
re1 = tf.reshape(pool4, [-1, 6 * 6 * 128])
#全連接層
dense1 = tf.layers.dense(inputs=re1, 
                      units=1024, 
                      activation=tf.nn.relu,
                      kernel_initializer=tf.truncated_normal_initializer(stddev=0.01),
                      kernel_regularizer=tf.nn.l2_loss)
dense2= tf.layers.dense(inputs=dense1, 
                      units=512, 
                      activation=tf.nn.relu,
                      kernel_initializer=tf.truncated_normal_initializer(stddev=0.01),
                      kernel_regularizer=tf.nn.l2_loss)
logits= tf.layers.dense(inputs=dense2, 
                        units=5, 
                        activation=None,
                        kernel_initializer=tf.truncated_normal_initializer(stddev=0.01),
                        kernel_regularizer=tf.nn.l2_loss)
#---------------------------網(wǎng)絡(luò)結(jié)束---------------------------
#%%
#取出所有參與訓(xùn)練的參數(shù)
params=tf.trainable_variables()
print("Trainable variables:------------------------")
#循環(huán)列出參數(shù)
for idx, v in enumerate(params):
     print("  param {:3}: {:15}   {}".format(idx, str(v.get_shape()), v.name))
#%%
#讀取圖片
img=io.imread('d:/cat.jpg')
#resize成100*100
img=transform.resize(img,(100,100))
#三維變四維（100，100，3）--&gt;(1,100,100,3)
img=img[np.newaxis,:,:,:]
img=np.asarray(img,np.float32)
sess=tf.Session()
sess.run(tf.global_variables_initializer()) 
#提取最后一個(gè)全連接層的參數(shù) W和b
W=sess.run(params[26])
b=sess.run(params[27])
#提取第二個(gè)全連接層的輸出值作為特征    
fea=sess.run(dense2,feed_dict={x:img})

最后一條語句就是提取某層的數(shù)據(jù)輸出作為特征。

注意：這個(gè)程序并沒有經(jīng)過訓(xùn)練，因此提取出的參數(shù)只是初始化的參數(shù)。

以上就是python深度學(xué)習(xí)tensorflow1.0參數(shù)和特征提取的詳細(xì)內(nèi)容，更多關(guān)于python tensorflow參數(shù)特征提取的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！

您可能感興趣的文章: