标签：ima 子线程 ESS 数字化 width 黑白 值类型 red 输入
深度学习：tensorflow框架
tensor（张量）就是数据的意思
operation（op）专门运算的操作节点，所有操作都是一个op
graph（图）：整个程序的结构
Session（会话）运行程序的图，就是输出
变量和张量不一样
计算密集型：tensorflow cpu计算
IO密集型：web,scrapy http请求 磁盘操作等等
一、会话：tf.Session()
运行图的结构，分配资源计算，掌握资源（变量的资源，队列，多线程）
run就是运行图的结构，运行op
二、张量
张量的阶和数据类型
数据类型 float32 32位浮点数 float64 64位浮点数 代表的精度不一样
张量的属性
三、变量
变量也是一种op,是一种特殊的张量，能够进行存储持久化（可以保存在文件中，保存系数），它的值就是张量，默认被训练
四、线性回归（预测值）
权重+偏置
变量作用域能够更加清楚的看到程序的部分，模型代码更加清晰，代码分明
五、提高IO读取速度
可以通过多线程，子线程来读取数据，主线程来进行训练模式
队列：从一端进从另一端出，先进先出
线程协调器：
tf.train.Coordinator() 线程协调员，实现一个简单的机制来协调一个组线程的终止
六、图片的读取
每个图片由像素组成，图片数字化三要素：长度 宽度 通道数
黑白图片为单通道图片，灰度值[0-255]，一个像素点只有一个值 200*200=40000
彩色图片是三通道图片，RGB一个像素点由三个值组成 200*200*3=120000
如何用张量表达图片的数据？3D张量 [height,width,channels]
每个样本必须保持特征值数量一样，所有图片统一特征的数量，像素值一样，就是让他们的长宽一样，减少数据量
tf.image.resize_images(images,size)缩小图片
[100,200,200,1]一百张长宽是200的黑白图片单通道就是黑白图片
图片用uint8进行存储。用float32进行计算
七、感知机
定义：有n个输入数据，通过权重与各数据之间的计算和，比较激活函数结果，得出输出。
softmax计算属于哪个类别的概率，交叉熵损失公式来计算
tf.placeholder(
dtype,
shape=None,
name=None
)
dtype：数据类型。常用的是tf.float32,tf.float64等数值类型
shape：数据形状。默认是None，就是一维值，也可以是多维（比如[2,3], [None, 3]表示列是3，行不定）
name：名称
# 随机初始化权重和偏置
weight = tf.Variable(tf.random_normal([784, 10], mean=0.0, steedv=1.0,name="w"))
bias = tf.Variable(tf.constant(0.0, shape=[10]))
# 预测None个样本的输出结matrix=[None,784]*[784,10]+[10]=[None,10]
y_predict = tf.matmul(x, weight) + bias
标签：ima 子线程 ESS 数字化 width 黑白 值类型 red 输入
原文地址：https://www.cnblogs.com/zhang12345/p/12995735.html
