tensorflow两个网络连接

㈠ 如何在tensorflow的卷积神经网络中使用自定义的矩阵运算

你这个问题好深奥的样子

㈡ 如何用tensorflow搭建卷积神经网络

在MNIST数据集上，搭建一个简单神经网络结构，一个包含ReLU单元的非线性化处理的两层神经网络。在训练神经网络的时候，使用带指数衰减的学习率设置、使用正则化来避免过拟合、使用滑动平均模型来使得最终的模型更加健壮。
程序将计算神经网络前向传播的部分单独定义一个函数inference，训练部分定义一个train函数，再定义一个主函数main。

二、分析与改进设计
1. 程序分析改进
第一，计算前向传播的函数inference中需要将所有的变量以参数的形式传入函数，当神经网络结构变得更加复杂、参数更多的时候，程序的可读性将变得非常差。
第二，在程序退出时，训练好的模型就无法再利用，且大型神经网络的训练时间都比较长，在训练过程中需要每隔一段时间保存一次模型训练的中间结果，这样如果在训练过程中程序死机，死机前的最新的模型参数仍能保留，杜绝了时间和资源的浪费。
第三，将训练和测试分成两个独立的程序，将训练和测试都会用到的前向传播的过程抽象成单独的库函数。这样就保证了在训练和预测两个过程中所调用的前向传播计算程序是一致的。
2. 改进后程序设计
mnist_inference.py
该文件中定义了神经网络的前向传播过程，其中的多次用到的weights定义过程又单独定义成函数。
通过tf.get_variable函数来获取变量，在神经网络训练时创建这些变量，在测试时会通过保存的模型加载这些变量的取值，而且可以在变量加载时将滑动平均值重命名。所以可以直接通过同样的名字在训练时使用变量自身，在测试时使用变量的滑动平均值。
mnist_train.py
该程序给出了神经网络的完整训练过程。
mnist_eval.py
在滑动平均模型上做测试。
通过tf.train.get_checkpoint_state(mnist_train.MODEL_SAVE_PATH)获取最新模型的文件名，实际是获取checkpoint文件的所有内容。

㈢ python .tensorflow 问题。

两个输出结果扁平展开[n*1024] [m*1024]
权重weight_n=[n*1024,2]
权重weight_m=[m*1024,2]
结果=weight_n * 第一个CNN的扁平输出结果＋weight_m* 第二个CNN的扁平输出结果
最后加一个softmax就可以了，如果是两类的话，也可以加个逻辑回归

㈣ 怎么用python写tensorflow

开始使用

TensorFlow并不是一个纯粹的神经网络框架, 而是使用数据流图进行数值分析的框架.

TensorFlow使用有向图(graph)表示一个计算任务.图的节点称为ops(operations)表示对数据的处理,图的边flow 描述数据的流向.

该框架计算过程就是处理tensor组成的流. 这也是TensorFlow名称的来源.

TensorFlow使用tensor表示数据. tensor意为张量即高维数组,在python中使用numpy.ndarray表示.

TensorFlow使用Session执行图, 使用Variable维护状态.tf.constant是只能输出的ops, 常用作数据源.

下面我们构建一个只有两个constant做输入, 然后进行矩阵乘的简单图:

from tensorflow import Session, device, constant, matmul'''构建一个只有两个constant做输入, 然后进行矩阵乘的简单图:'''#如果不使用with session()语句, 需要手动执行session.close().
#with device设备指定了执行计算的设备:
# "/cpu:0": 机器的 CPU.
# "/gpu:0": 机器的第一个 GPU, 如果有的话.
# "/gpu:1": 机器的第二个 GPU, 以此类推.

with Session() as session: # 创建执行图的上下文
with device('/cpu:0'): # 指定运算设备
mat1 = constant([[3, 3]]) # 创建源节点
mat2 = constant([[2], [2]])
proct = matmul(mat1, mat2) # 指定节点的前置节点, 创建图
result = session.run(proct) # 执行计算 print(result)123456789101112131415161718

㈤ tensorflow 如何将两个网络融合

具体描述一下可以么。。。
比如，数据-〉网络1-〉网络2-〉输出，同时训练两个网络，还是说，两个网络都是训练好的，调用一下就好？？

㈥ 如何高效的学习 TensorFlow 代码

1.稳定的网络：Tensorflow毕竟出自Google，官方文档访问不是很稳定。而且一般来说，对于英文的文档，资料和疑问，Google搜索的结果要比Bai好很多。（不是偏见，是各有所长，天气地图电影啥的，网络还是做的很好的）

2.Github：这是个开源程序的网站，Linux内核就在这个网站托管。Github的核心是Git，一种版本控制系统，已经逐渐取代SVN。这个网站托管了很多高质量的或者说世界顶尖的开源项目，比如Tensorflow。学习一下这个网站如何使用，注册个账号，学习一下Git的使用方法。这个网站有自己的tutorial和guide。

3.Linux: Tensorflow的主要运行平台就是Linux，目前在Windows上运行的方案是虚拟机，但是深度学习对计算要求还是比较高的，虚拟机效率不是太高，因此还是推荐在原生Linux中运行。新手推荐发行版是Ubuntu 或者Linux mint。这个可以自行搜索。学习Linux也有很多好处，因为很多开源软件都only linux的。

4.Python：这是一种非常流行的脚本语言，庞大的第三方库可以快速写出短小容易理解的代码，而且也是Tensorflow的推荐开发语言。教程太多了，这里给几个优秀的教程：官网教程，Learn Python the Hard Way，Python2.7教程

5.深度学习（Deep Learning，DL）：虽然Tensorflow已经封装好了大部分DL的细节，但是如果不了解DL的相关核心概念，就会很难着手分析问题。首先强烈推荐这个教程，通读一遍，然后还有这个，可以快速浏览或者只看自己不太明白的地方，还有这个分块介绍的，还有几篇blog，这个和这个讲的是卷积神经网络。图像识别用的比较多的就是卷积神经网络，这两篇可以看看。

6.Tensorflow：前面都是铺垫，是为了更好地使用Tensorflow。官方的文档不错，可以从get started然后tutorial看起，有个中文的翻译版，但是更新不及时（官方已经v0.11，这个可能是v0.8或者v0.7），可能有坑，可以和英文对照着看，还有个Tensorflow的教程，也不错。有篇FIRST CONTACT WITH TENSORFLOW也不错。

㈦ 卷积神经网络tensorflow怎么读取图像

卷积神经网络（convolutionalneuralnetwork,CNN），最早是19世纪60年代，生物学家对猫视觉皮层研究发现：每个视觉神经元只会处理一小块区域是视觉图像，即感受野。后来到了80年代，日本科学家提出了神经认知机（Neocognitron）的概念，也可以算作是卷积神经网络最初的实现原型，在CS231n的课上说过，卷积神经网络不是一夜产生的，从这个发展过程中我们就可以看出，确实是这样的。卷积神经网络的要点就是局部连接（LocalConnection）、权值共享（Weightsharing）和池化层（Pooling）中的降采样（Down-Sampling）。比如下面是tensorflow卷积定义relu(W*X+B)W矩阵*X矩阵+B矩阵=W权重variable变量*X(placeholder占位符外部输入)variable变量+B偏重变量，因为深度学习会自动不断地计算loss损失BP来调整wb所以wb初始化可以随便全部都是0都行，所以其实就是X以及Y对于X来说其实我们知道就是我们图像数据Y是图像的标签，但是Y需要转为数学可以计算的值，所以采用one-hot数组记录标签的索引就行，比如xx1xx2xx3相应的y1=[1,0,0]y2=[010]y3=[001]那么其实就是X图像的像素通过外部输入placeholder占位符Y值外部输入通过placeholder占位符我们知道W*X矩阵相乘必须符合MXNNXM=MXM也就是说W的列必须与X的行数目相同这是要注意的，所以上一张shape来规范维度计算，下面是一个卷积层定义relu(wx+b)下面是tensorflow来表示relu(wx+b)的公式其中要注意参数strides是卷积滑动的步长你可以配置的系数，下面继续讲X[None,w*h]对于每一个w*h是一个矩阵每一层的w也是一个矩阵每一层的b也是一个矩阵，每一层的输出y1也是一个矩阵y=[w*h]*w+b为了减少系数，我们使用卷积，把它转换成MXN的值，这里就是跟全连接层的不同，使用了卷积转换成了一个MXN的卷积特征而全连接层就是y=wx+b(这里省略了那些relu(wx+b)tanh(wx+b))所以我们现在来看看每一层的w定义因为卷积层的w是需要与w*h提取的MXK来做矩阵相乘所以他是跟卷积核相关以及输入输出相关，对于每一张图像

㈧ 如何使用TensorFlow实现卷积神经网络

调整cnn网络结构需要增加或者减少layer的层数，并且更改layer的类型，比如在现有的conv层和pooling层后面继续增加conv层和pooling层，目的是为了提取更高层次的特征。当然你也可以增加全连接层数目（那么做训练会变慢--、），修改激活函数和填充器类型。建议你还是使用caffe中自带的cifar10_quick和caffenet进行训练，然后针对你的数据修改相应的网络参数和solver参数。

㈨ TensorFlow神经网络调优

训练集73%应该不够吧（笑）
先进一步拟合数据，让网络变得更深及更宽，具体可以的话128个节点可以继续加大，两层网络可以继续加深，以及选取更小的学习率（0.01或者1e-4，1太可怕了）
等到可以拟合数据了以后，再调节过拟合的问题，具体来说使用dropout、正则化参数、提前终止等