tensorflow兩個網路連接

㈠ 如何在tensorflow的卷積神經網路中使用自定義的矩陣運算

你這個問題好深奧的樣子

㈡ 如何用tensorflow搭建卷積神經網路

在MNIST數據集上，搭建一個簡單神經網路結構，一個包含ReLU單元的非線性化處理的兩層神經網路。在訓練神經網路的時候，使用帶指數衰減的學習率設置、使用正則化來避免過擬合、使用滑動平均模型來使得最終的模型更加健壯。
程序將計算神經網路前向傳播的部分單獨定義一個函數inference，訓練部分定義一個train函數，再定義一個主函數main。

二、分析與改進設計
1. 程序分析改進
第一，計算前向傳播的函數inference中需要將所有的變數以參數的形式傳入函數，當神經網路結構變得更加復雜、參數更多的時候，程序的可讀性將變得非常差。
第二，在程序退出時，訓練好的模型就無法再利用，且大型神經網路的訓練時間都比較長，在訓練過程中需要每隔一段時間保存一次模型訓練的中間結果，這樣如果在訓練過程中程序死機，死機前的最新的模型參數仍能保留，杜絕了時間和資源的浪費。
第三，將訓練和測試分成兩個獨立的程序，將訓練和測試都會用到的前向傳播的過程抽象成單獨的庫函數。這樣就保證了在訓練和預測兩個過程中所調用的前向傳播計算程序是一致的。
2. 改進後程序設計
mnist_inference.py
該文件中定義了神經網路的前向傳播過程，其中的多次用到的weights定義過程又單獨定義成函數。
通過tf.get_variable函數來獲取變數，在神經網路訓練時創建這些變數，在測試時會通過保存的模型載入這些變數的取值，而且可以在變數載入時將滑動平均值重命名。所以可以直接通過同樣的名字在訓練時使用變數自身，在測試時使用變數的滑動平均值。
mnist_train.py
該程序給出了神經網路的完整訓練過程。
mnist_eval.py
在滑動平均模型上做測試。
通過tf.train.get_checkpoint_state(mnist_train.MODEL_SAVE_PATH)獲取最新模型的文件名，實際是獲取checkpoint文件的所有內容。

㈢ python .tensorflow 問題。

兩個輸出結果扁平展開[n*1024] [m*1024]
權重weight_n=[n*1024,2]
權重weight_m=[m*1024,2]
結果=weight_n * 第一個CNN的扁平輸出結果＋weight_m* 第二個CNN的扁平輸出結果
最後加一個softmax就可以了，如果是兩類的話，也可以加個邏輯回歸

㈣ 怎麼用python寫tensorflow

開始使用

TensorFlow並不是一個純粹的神經網路框架, 而是使用數據流圖進行數值分析的框架.

TensorFlow使用有向圖(graph)表示一個計算任務.圖的節點稱為ops(operations)表示對數據的處理,圖的邊flow 描述數據的流向.

該框架計算過程就是處理tensor組成的流. 這也是TensorFlow名稱的來源.

TensorFlow使用tensor表示數據. tensor意為張量即高維數組,在python中使用numpy.ndarray表示.

TensorFlow使用Session執行圖, 使用Variable維護狀態.tf.constant是只能輸出的ops, 常用作數據源.

下面我們構建一個只有兩個constant做輸入, 然後進行矩陣乘的簡單圖:

from tensorflow import Session, device, constant, matmul'''構建一個只有兩個constant做輸入, 然後進行矩陣乘的簡單圖:'''#如果不使用with session()語句, 需要手動執行session.close().
#with device設備指定了執行計算的設備:
# "/cpu:0": 機器的 CPU.
# "/gpu:0": 機器的第一個 GPU, 如果有的話.
# "/gpu:1": 機器的第二個 GPU, 以此類推.

with Session() as session: # 創建執行圖的上下文
with device('/cpu:0'): # 指定運算設備
mat1 = constant([[3, 3]]) # 創建源節點
mat2 = constant([[2], [2]])
proct = matmul(mat1, mat2) # 指定節點的前置節點, 創建圖
result = session.run(proct) # 執行計算 print(result)123456789101112131415161718

㈤ tensorflow 如何將兩個網路融合

具體描述一下可以么。。。
比如，數據-〉網路1-〉網路2-〉輸出，同時訓練兩個網路，還是說，兩個網路都是訓練好的，調用一下就好？？

㈥ 如何高效的學習 TensorFlow 代碼

1.穩定的網路：Tensorflow畢竟出自Google，官方文檔訪問不是很穩定。而且一般來說，對於英文的文檔，資料和疑問，Google搜索的結果要比Bai好很多。（不是偏見，是各有所長，天氣地圖電影啥的，網路還是做的很好的）

2.Github：這是個開源程序的網站，Linux內核就在這個網站託管。Github的核心是Git，一種版本控制系統，已經逐漸取代SVN。這個網站託管了很多高質量的或者說世界頂尖的開源項目，比如Tensorflow。學習一下這個網站如何使用，注冊個賬號，學習一下Git的使用方法。這個網站有自己的tutorial和guide。

3.Linux: Tensorflow的主要運行平台就是Linux，目前在Windows上運行的方案是虛擬機，但是深度學習對計算要求還是比較高的，虛擬機效率不是太高，因此還是推薦在原生Linux中運行。新手推薦發行版是Ubuntu 或者Linux mint。這個可以自行搜索。學習Linux也有很多好處，因為很多開源軟體都only linux的。

4.Python：這是一種非常流行的腳本語言，龐大的第三方庫可以快速寫出短小容易理解的代碼，而且也是Tensorflow的推薦開發語言。教程太多了，這里給幾個優秀的教程：官網教程，Learn Python the Hard Way，Python2.7教程

5.深度學習（Deep Learning，DL）：雖然Tensorflow已經封裝好了大部分DL的細節，但是如果不了解DL的相關核心概念，就會很難著手分析問題。首先強烈推薦這個教程，通讀一遍，然後還有這個，可以快速瀏覽或者只看自己不太明白的地方，還有這個分塊介紹的，還有幾篇blog，這個和這個講的是卷積神經網路。圖像識別用的比較多的就是卷積神經網路，這兩篇可以看看。

6.Tensorflow：前面都是鋪墊，是為了更好地使用Tensorflow。官方的文檔不錯，可以從get started然後tutorial看起，有個中文的翻譯版，但是更新不及時（官方已經v0.11，這個可能是v0.8或者v0.7），可能有坑，可以和英文對照著看，還有個Tensorflow的教程，也不錯。有篇FIRST CONTACT WITH TENSORFLOW也不錯。

㈦ 卷積神經網路tensorflow怎麼讀取圖像

卷積神經網路（convolutionalneuralnetwork,CNN），最早是19世紀60年代，生物學家對貓視覺皮層研究發現：每個視覺神經元只會處理一小塊區域是視覺圖像，即感受野。後來到了80年代，日本科學家提出了神經認知機（Neocognitron）的概念，也可以算作是卷積神經網路最初的實現原型，在CS231n的課上說過，卷積神經網路不是一夜產生的，從這個發展過程中我們就可以看出，確實是這樣的。卷積神經網路的要點就是局部連接（LocalConnection）、權值共享（Weightsharing）和池化層（Pooling）中的降采樣（Down-Sampling）。比如下面是tensorflow卷積定義relu(W*X+B)W矩陣*X矩陣+B矩陣=W權重variable變數*X(placeholder佔位符外部輸入)variable變數+B偏重變數，因為深度學習會自動不斷地計算loss損失BP來調整wb所以wb初始化可以隨便全部都是0都行，所以其實就是X以及Y對於X來說其實我們知道就是我們圖像數據Y是圖像的標簽，但是Y需要轉為數學可以計算的值，所以採用one-hot數組記錄標簽的索引就行，比如xx1xx2xx3相應的y1=[1,0,0]y2=[010]y3=[001]那麼其實就是X圖像的像素通過外部輸入placeholder佔位符Y值外部輸入通過placeholder佔位符我們知道W*X矩陣相乘必須符合MXNNXM=MXM也就是說W的列必須與X的行數目相同這是要注意的，所以上一張shape來規范維度計算，下面是一個卷積層定義relu(wx+b)下面是tensorflow來表示relu(wx+b)的公式其中要注意參數strides是卷積滑動的步長你可以配置的系數，下面繼續講X[None,w*h]對於每一個w*h是一個矩陣每一層的w也是一個矩陣每一層的b也是一個矩陣，每一層的輸出y1也是一個矩陣y=[w*h]*w+b為了減少系數，我們使用卷積，把它轉換成MXN的值，這里就是跟全連接層的不同，使用了卷積轉換成了一個MXN的卷積特徵而全連接層就是y=wx+b(這里省略了那些relu(wx+b)tanh(wx+b))所以我們現在來看看每一層的w定義因為卷積層的w是需要與w*h提取的MXK來做矩陣相乘所以他是跟卷積核相關以及輸入輸出相關，對於每一張圖像

㈧ 如何使用TensorFlow實現卷積神經網路

調整cnn網路結構需要增加或者減少layer的層數，並且更改layer的類型，比如在現有的conv層和pooling層後面繼續增加conv層和pooling層，目的是為了提取更高層次的特徵。當然你也可以增加全連接層數目（那麼做訓練會變慢--、），修改激活函數和填充器類型。建議你還是使用caffe中自帶的cifar10_quick和caffenet進行訓練，然後針對你的數據修改相應的網路參數和solver參數。

㈨ TensorFlow神經網路調優

訓練集73%應該不夠吧（笑）
先進一步擬合數據，讓網路變得更深及更寬，具體可以的話128個節點可以繼續加大，兩層網路可以繼續加深，以及選取更小的學習率（0.01或者1e-4，1太可怕了）
等到可以擬合數據了以後，再調節過擬合的問題，具體來說使用dropout、正則化參數、提前終止等