标签：通过 字符串转换 min SQ 字符串 字符 lag flags 步骤
https://blog.csdn.net/chaipp0607/article/details/75577305
https://blog.csdn.net/leastsq/article/details/54374909
tf.logging.set_verbosity(tf.logging.INFO) 现在运行代码时,将看到如下的附加日志输出: INFO:tensorflow:loss = 1.18812, step = 1INFO:
tf.app.run() ~进入main ~elif FLAGS.num_gpus == 1:自动找到gpu
# 残差网络模型参数
hps = resnet_model.HParams(batch_size=batch_size,
num_classes=num_classes,
min_lrn_rate=0.0001,
lrn_rate=0.1,
num_residual_units=5,
use_bottleneck=False,
weight_decay_rate=0.0002,
relu_leakiness=0.1,
optimizer=‘mom‘)
bottleneck：
通过已经训练好的模型，把bottleneck特征抽取出来，然后滚到下一个“小”模型里面，也就是全连接层。
实施步骤为：
1、把训练好的模型的权重拿来,model；
2、运行，提取bottleneck feature（网络在全连接之前的最后一层激活的feature map,卷积-全连接层之间），单独拿出来，并保存
3、bottleneck层数据，之后 + dense全连接层，进行fine-tuning
提取图片的bottleneck特征需要步骤：
1、载入图片；
2、灌入pre-model的权重；
3、得到bottleneck feature
--》使用哪种残差单元（带bottleneck还是不带bottleneck）
对于文件名队列,我们使用tf.train.string_input_producer函数。这个函数需要传入一个文件名list,系统会自动将它转为一个文件名队列。
我们必须要把数据先读入后才能进行计算，假设读入用时0.1s，计算用时0.9s，那么就意味着每过1s，GPU都会有0.1s无事可做，这就大大降低了运算的效率。。而使用tf.train.start_queue_runners之后，才会启动填充队列的线程，这时系统就不再“停滞”。此后计算单元就可以拿到数据并进行计算，整个程序也就跑起来了
tf.FixedLengthRecordReader是读取固定长度字节数信息(针对bin文件使用FixedLengthRecordReader读取比较合适)，结果表明下次调用时会接着上次读取的位置继续读取文件，而不会从头开始读取。
例如：
import tensorflow as tf
filenames = [‘D:/Tensorflow/test/txt1.txt‘]
filename_queue = tf.train.string_input_producer(filenames)
reader = tf.FixedLengthRecordReader(record_bytes=4)
key, value = reader.read(filename_queue)
b = value
sess = tf.InteractiveSession()
tf.train.start_queue_runners(sess=sess)
print(sess.run(b))
print(‘\n‘)
print(sess.run(b))
--》txt1.txt文件中就有4字节的内容
https://zhuanlan.zhihu.com/p/27238630 tf读取机制~队列
decode_raw操作可以讲一个字符串转换为一个uint8的张量
tf.cast(x, dtype, name=None) 将x的数据格式转化成dtype.例如,原来x的数据格式是bool, 那么将其转化成float以后,就能够将其转化成0和1的序列。
tf.slice() 从返回值上去理解，现在假设input的shape是[a1, a2, a3], begin的值是[b1, b2, b3],size的值是[s1, s2, s3],那么tf.slice()返回的值就是 input[b1:b1+s1, b2:b2+s2, b3:b3+s3]。
如果 si=?1 ，那么 返回值就是 input[b1:b1+s1,..., bi: ,...]
tf.contrib.framework.get_or_create_global_step()得到目前模型训练到达全局步数。
bottleneck残差模块让残差网络可以向更深的方向上走，原因就是因为同一通道数的情况下，bottleneck残差模块要比朴素残差模块节省大量的参数，一个单元内的参数少了，对应的就可以做出更深的结构。
产生一个滑动平均计算对象，MOVING_AVERAGE_DECAY = 0.999，则每一代中的decay值更新如下
min(decay, (1 + num_updates) / (10 + num_updates))
采用这个计算得到的decay值对上面梯度法更新得到的所有参数进行平滑处理如下：
shadow_variable = decay * shadow_variable + (1 - decay) * variable
标签：通过 字符串转换 min SQ 字符串 字符 lag flags 步骤
原文地址：https://www.cnblogs.com/rosyYY/p/8876025.html
