国产片侵犯亲女视频播放_亚洲精品二区_在线免费国产视频_欧美精品一区二区三区在线_少妇久久久_在线观看av不卡

腳本之家,腳本語言編程技術(shù)及教程分享平臺(tái)!
分類導(dǎo)航

Python|VBS|Ruby|Lua|perl|VBA|Golang|PowerShell|Erlang|autoit|Dos|bat|

服務(wù)器之家 - 腳本之家 - Python - tensorflow模型繼續(xù)訓(xùn)練 fineturn實(shí)例

tensorflow模型繼續(xù)訓(xùn)練 fineturn實(shí)例

2020-04-03 19:35-牧野- Python

今天小編就為大家分享一篇tensorflow模型繼續(xù)訓(xùn)練 fineturn實(shí)例,具有很好的參考價(jià)值,希望對大家有所幫助。一起跟隨小編過來看看吧

解決tensoflow如何在已訓(xùn)練模型上繼續(xù)訓(xùn)練fineturn的問題。

訓(xùn)練代碼

任務(wù)描述: x = 3.0, y = 100.0, 運(yùn)算公式 x×W+b = y,求 W和b的最優(yōu)解。

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
# -*- coding: utf-8 -*-)
import tensorflow as tf
 
 
# 聲明占位變量x、y
x = tf.placeholder("float", shape=[None, 1])
y = tf.placeholder("float", [None, 1])
 
# 聲明變量
W = tf.Variable(tf.zeros([1, 1]),name='w')
b = tf.Variable(tf.zeros([1]),name='b')
 
# 操作
result = tf.matmul(x, W) + b
 
# 損失函數(shù)
lost = tf.reduce_sum(tf.pow((result - y), 2))
 
# 優(yōu)化
train_step = tf.train.GradientDescentOptimizer(0.0007).minimize(lost)
 
with tf.Session() as sess:
  # 初始化變量
  sess.run(tf.global_variables_initializer())
  saver = tf.train.Saver(max_to_keep=3)
 
  # 這里x、y給固定的值
  x_s = [[3.0]]
  y_s = [[100.0]]
 
  step = 0
  while (True):
    step += 1
    feed = {x: x_s, y: y_s}
    # 通過sess.run執(zhí)行優(yōu)化
    sess.run(train_step, feed_dict=feed)
 
    if step % 1000 == 0:
      print 'step: {0}, loss: {1}'.format(step, sess.run(lost, feed_dict=feed))
      if sess.run(lost, feed_dict=feed) < 1e-10 or step > 4e3:
        print ''
        # print 'final loss is: {}'.format(sess.run(lost, feed_dict=feed))
        print 'final result of {0} = {1}(目標(biāo)值是100.0)'.format('x×W+b', 3.0 * sess.run(W) + sess.run(b))
        print ''
        print("模型保存的W值 : %f" % sess.run(W))
        print("模型保存的b : %f" % sess.run(b))
        break
  saver.save(sess, "./save_model/re-train", global_step=step) # 保存模型

訓(xùn)練完成之后生成模型文件:

tensorflow模型繼續(xù)訓(xùn)練 fineturn實(shí)例

訓(xùn)練輸出:

?
1
2
3
4
5
6
7
8
9
10
11
step: 1000, loss: 4.89526428282e-08
step: 2000, loss: 4.89526428282e-08
step: 3000, loss: 4.89526428282e-08
step: 4000, loss: 4.89526428282e-08
step: 5000, loss: 4.89526428282e-08
 
 
final result of x×W+b = [[99.99978]](目標(biāo)值是100.0
 
模型保存的W值 : 29.999931
模型保存的b : 9.999982

保存在模型中的W值是 29.999931,b是 9.999982。

以下代碼從保存的模型中恢復(fù)出訓(xùn)練狀態(tài),繼續(xù)訓(xùn)練

任務(wù)描述: x = 3.0, y = 200.0, 運(yùn)算公式 x×W+b = y,從上次訓(xùn)練的模型中恢復(fù)出訓(xùn)練參數(shù),繼續(xù)訓(xùn)練,求 W和b的最優(yōu)解。

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
# -*- coding: utf-8 -*-)
import tensorflow as tf
 
 
# 聲明占位變量x、y
x = tf.placeholder("float", shape=[None, 1])
y = tf.placeholder("float", [None, 1])
 
with tf.Session() as sess:
 
  # 初始化變量
  sess.run(tf.global_variables_initializer())
 
  # saver = tf.train.Saver(max_to_keep=3)
  saver = tf.train.import_meta_graph(r'./save_model/re-train-5000.meta') # 加載模型圖結(jié)構(gòu)
  saver.restore(sess, tf.train.latest_checkpoint(r'./save_model')) # 恢復(fù)數(shù)據(jù)
 
  # 從保存模型中恢復(fù)變量
  graph = tf.get_default_graph()
  W = graph.get_tensor_by_name("w:0")
  b = graph.get_tensor_by_name("b:0")
 
  print("從保存的模型中恢復(fù)出來的W值 : %f" % sess.run("w:0"))
  print("從保存的模型中恢復(fù)出來的b值 : %f" % sess.run("b:0"))
 
  # 操作
  result = tf.matmul(x, W) + b
  # 損失函數(shù)
  lost = tf.reduce_sum(tf.pow((result - y), 2))
  # 優(yōu)化
  train_step = tf.train.GradientDescentOptimizer(0.0007).minimize(lost)
 
  # 這里x、y給固定的值
  x_s = [[3.0]]
  y_s = [[200.0]]
 
  step = 0
  while (True):
    step += 1
    feed = {x: x_s, y: y_s}
    # 通過sess.run執(zhí)行優(yōu)化
    sess.run(train_step, feed_dict=feed)
    if step % 1000 == 0:
      print 'step: {0}, loss: {1}'.format(step, sess.run(lost, feed_dict=feed))
      if sess.run(lost, feed_dict=feed) < 1e-10 or step > 4e3:
        print ''
        # print 'final loss is: {}'.format(sess.run(lost, feed_dict=feed))
        print 'final result of {0} = {1}(目標(biāo)值是200.0)'.format('x×W+b', 3.0 * sess.run(W) + sess.run(b))
        print("模型保存的W值 : %f" % sess.run(W))
        print("模型保存的b : %f" % sess.run(b))
        break
  saver.save(sess, "./save_mode/re-train", global_step=step) # 保存模型

訓(xùn)練輸出:

?
1
2
3
4
5
6
7
8
9
10
11
12
從保存的模型中恢復(fù)出來的W值 : 29.999931
從保存的模型中恢復(fù)出來的b值 : 9.999982
step: 1000, loss: 1.95810571313e-07
step: 2000, loss: 1.95810571313e-07
step: 3000, loss: 1.95810571313e-07
step: 4000, loss: 1.95810571313e-07
step: 5000, loss: 1.95810571313e-07
 
 
final result of x×W+b = [[199.99956]](目標(biāo)值是200.0
模型保存的W值 : 59.999866
模型保存的b : 19.999958

從保存的模型中恢復(fù)出來的W值是 29.999931,b是 9.999982,跟模型保存的值一致,說明加載成功。

總結(jié)

從頭開始訓(xùn)練一個(gè)模型,需要通過 tf.train.Saver創(chuàng)建一個(gè)保存器,完成之后使用save方法保存模型到本地:

?
1
2
3
saver = tf.train.Saver(max_to_keep=3)
……
saver.save(sess, "./save_model/re-train", global_step=step) # 保存模型

在訓(xùn)練好的模型上繼續(xù)訓(xùn)練,fineturn一個(gè)模型,可以使用tf.train.import_meta_graph方法加載圖結(jié)構(gòu),使用restore方法恢復(fù)訓(xùn)練數(shù)據(jù),最后使用同樣的save方法保存到本地:

?
1
2
3
saver = tf.train.import_meta_graph(r'./save_model/re-train-10050.meta') # 加載模型圖結(jié)構(gòu)
saver.restore(sess, tf.train.latest_checkpoint(r'./save_model')) # 恢復(fù)數(shù)據(jù)
saver.save(sess, "./save_mode/re-train", global_step=step) # 保存模型

注:特殊情況下(如本例)需要從恢復(fù)的模型中加載出數(shù)據(jù):

?
1
2
3
4
# 從保存模型中恢復(fù)變量
graph = tf.get_default_graph()
W = graph.get_tensor_by_name("w:0")
b = graph.get_tensor_by_name("b:0")

以上這篇tensorflow模型繼續(xù)訓(xùn)練 fineturn實(shí)例就是小編分享給大家的全部內(nèi)容了,希望能給大家一個(gè)參考,也希望大家多多支持服務(wù)器之家。

原文鏈接:https://blog.csdn.net/dcrmg/article/details/83031488

延伸 · 閱讀

精彩推薦
主站蜘蛛池模板: 欧美日韩三区 | 亚洲免费在线 | 精品久久久久久久久久久久久久 | 精品久久精品 | 久久波多野结衣 | 国产白虎 | 黄色网页大全 | 91在线中文 | 亚洲综合色视频在线观看 | 欧美一级黄色片网站 | 大毛片 | 国产精品久久久久久久久费观看 | 成人在线一区二区 | 成人免费毛片aaaaaa片 | 国产四区视频 | 国产亲子乱弄免费视频 | 欧美大片免费影院在线观看 | 秋霞av亚洲一区二区三 | 五月婷婷综合激情网 | 天天干女人网 | 一级毛片免费播放 | 欧美成人h版在线观看 | 精品国产乱码久久久久久丨区2区 | 久久夜色精品国产 | 精品久久久av | 国产欧美日韩在线观看 | 欧美精品影院 | 久久久精品视频免费观看 | 在线观看黄 | 午夜在线电影 | 最新天堂中文在线 | 国产在线中文字幕 | 午夜爱| 久久久日本 | 久久狠狠 | 国产精品欧美一区二区三区 | 日本在线观看一区 | 欧美午夜影院 | 精品国产一级毛片 | 久久国产精品一区二区三区 | 日韩视频在线观看 |