文档章节

tf.train.MonitoredTrainingSession()的使用案例

o
 osc_n6euf5h6
发布于 2019/03/19 22:39
字数 536
阅读 98
收藏 0

精选30+云产品,助力企业轻松上云!>>>

2019-03-19 22:07:22

本文主要介绍tf.train.MonitoredTrainingSession():在TensorFlow版本1.2.1中有12个参数,但本例中只用到了两个参数:

checkpoint_dir:用于指定检查点保存的路径和文件名
save_checkpoint_secs:用于指定保存检查点的时间间隔,以秒为单位

 

# -*- coding:utf-8 -*-
from cifar10_pro import cifar10_input import tensorflow as tf import numpy as np def weight_variable(shape): """According to the parameter 'shape' to generate weight""" initial = tf.truncated_normal(shape=shape, stddev=0.1) return tf.Variable(initial_value=initial) def bias_variable(shape): """According to the parameter 'shpae' to create bias""" initial = tf.constant(value=0.1, shape=shape) return tf.Variable(initial_value=initial) def conv2d(x, W): return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME') def max_pool_2x2(x): return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME') def avg_pool_6x6(x): return tf.nn.avg_pool(x, ksize=[1, 6, 6, 1], strides=[1, 6, 6, 1], padding='SAME') tf.reset_default_graph() batch_size = 128 data_dir = '/tmp/cifar10_data/cifar-10-batches-bin' # 读取训练集 images_train, labels_train = cifar10_input.inputs(eval_data=False, data_dir=data_dir, batch_size=batch_size) # 读取测试集 images_test, labels_test = cifar10_input.inputs(eval_data=True, data_dir=data_dir, batch_size=batch_size) x = tf.placeholder(shape=[None, 24, 24, 3], dtype=tf.float32) y = tf.placeholder(shape=[None, 10], dtype=tf.float32) x_image = tf.reshape(x, [-1, 24, 24, 3]) # 64个卷积核,输出64个通道 W_conv1 = weight_variable([5, 5, 3, 64]) b_conv1 = bias_variable([64]) h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1) h_pool_1 = max_pool_2x2(h_conv1) W_conv2 = weight_variable([5, 5, 64, 64]) b_conv2 = bias_variable([64]) h_conv2 = tf.nn.relu(conv2d(h_pool_1, W_conv2) + b_conv2) h_pool_2 = max_pool_2x2(h_conv2) # 降维 W_conv3 = weight_variable([5, 5, 64, 10]) b_conv3 = bias_variable([10]) h_conv3 = tf.nn.relu(conv2d(h_pool_2, W_conv3) + b_conv3) nt_hpool3 = avg_pool_6x6(h_conv3) nt_hpool3_flat = tf.reshape(nt_hpool3, [-1, 10]) y_conv = tf.nn.softmax(nt_hpool3_flat) cross_entropy = -tf.reduce_sum(y * tf.log(y_conv)) train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy) correct_prediction = tf.equal(tf.argmax(y_conv, 1), tf.argmax(y, 1)) accuracy = tf.reduce_mean(tf.cast(correct_prediction, 'float')) # 使用MonitoredTrainingSession()之前,必须定义global_step变量 global_step = tf.train.get_or_create_global_step() checkpoint_step = tf.assign_add(global_step, 1)
# 2秒保存一次检查点 save_filename
= 'log/checkpoints' sess = tf.train.MonitoredTrainingSession(checkpoint_dir=save_filename, save_checkpoint_secs=2) # MonitoredTrainingSession() 已经初始化了全局变量,所以不需要再初始化全局变量 # tf.global_variables_initializer().run(session=sess)   tf.train.start_queue_runners(sess=sess) print('Start Training...') max_epochs = 15000 # 读取上次最后一次训练的步数,i为当前迭代步数 i = sess.run(global_step) while i < max_epochs: image_batch, label_batch = sess.run([images_train, labels_train]) label_b = np.eye(10, dtype=float)[label_batch] train_step.run(feed_dict={x: image_batch, y: label_b}, session=sess) if i % 200 == 0: train_accuracy = accuracy.eval(feed_dict={x: image_batch, y: label_b}, session=sess) print('step: %d, training accuracy: %g' % (i, train_accuracy)) i = sess.run(checkpoint_step) # 训练结束,测试模型 image_batch_test, label_batch_test = sess.run([images_test, labels_test]) label_b_test = np.eye(10, dtype=float)[label_batch_test] print('Finished! test accuracy %g' % accuracy.eval(feed_dict={x: image_batch_test, y: label_b_test}, session=sess))

 

o
粉丝 0
博文 500
码字总数 0
作品 0
私信 提问
加载中
请先登录后再评论。
【转】tf.train.MonitoredTrainingSession()解析

原文地址:https://blog.csdn.net/mrr1ght/article/details/81006343。 本文有删减。 MonitoredTrainingSession定义 首先,tf.train.MonitorSession()从单词的字面意思理解是用于监控训练的回...

osc_584bgu77
2019/10/21
3
0
TensorFlow——Checkpoint为模型添加检查点

1.检查点 保存模型并不限于在训练模型后,在训练模型之中也需要保存,因为TensorFlow训练模型时难免会出现中断的情况,我们自然希望能够将训练得到的参数保存下来,否则下次又要重新训练。 ...

osc_pll3h24t
2019/05/27
3
0
TensorFlow Training 优化函数

tf.train 提供了一组帮助训练模型的类和函数。 优化器 优化器基类提供了计算渐变的方法,并将渐变应用于变量。子类的集合实现了经典的优化算法,如 GradientDescent和Adagrad。 您永远不会实...

osc_1h425qie
2019/02/20
0
0
【转】tf.SessionRunHook使用方法

原文地址:https://blog.csdn.net/mrr1ght/article/details/81011280 。本文有删减。 tf.train.SessionRunHook()是一个类;用来定义Hooks; Hooks是什么,官方文档中关于training hooks的定义...

osc_584bgu77
2019/10/21
2
0
TensorFlow Data模块

模块作用 tf.data api用于创建训练前导入数据和数据处理的pipeline,使得处理大规模数据,不同数据格式和复杂数据处理变的容易。 基本抽象 提供了两种基本抽象:Dataset和Iterator Dataset ...

osc_cw9m1qtk
2019/08/13
1
0

没有更多内容

加载失败,请刷新页面

加载更多

038. RocketMQ 高性能最佳实践

1. 最佳实践之 Producer 1. 一个应用尽可能用一个 Topic,消息子类型用 tags 来标识,tags 可以由应用自由设置。 只有发送消息设置了 tags,消费方在订阅消息时,才可以利用 tags 在 broker...

华夏紫穹
50分钟前
32
0
QQ音乐Android客户端Web页面通用性能优化实践

QQ音乐 Android 客户端的 Web 页面日均 PV 达到千万量级,然而页面的打开耗时与 Native 页面相距甚远,需要系统性优化。本文将介绍 QQ 音乐 Android 客户端在进行 Web 页面通用性能优化过程中...

腾讯云开发者社区
今天
26
0
rabbitmq+sleuth+zinkip 分布式链路追踪

我们都知道,微服务之间通过feign传递,在复杂的微服务架构系统中,几乎每一个前端请求都会形成一个复杂的分布式服务调用链路,在每条链路中任何一个依赖服务出现延迟超时或者错误都有可能引...

良许Linux
今天
16
0
5分钟搭建属于你的视频会议系统

前言 在疫情的推动下视频会议和线上办公大力发展,如果你也想了解视频会议,看看这篇文章吧 准备工作 一台Ubuntu18.04拥有公网IP的服务器 一个域名提前解析到这台服务器上 安全组设置规则tcp...

死磕音视频
今天
17
0
从文本JavaScript中删除HTML - Strip HTML from Text JavaScript

问题: 有没有一种简单的方法可以在JavaScript中获取html字符串并去除html? 解决方案: 参考一: https://stackoom.com/question/3RxM/从文本JavaScript中删除HTML 参考二: https://oldbug...

fyin1314
今天
19
0

没有更多内容

加载失败,请刷新页面

加载更多

返回顶部
顶部