第七色在线视频,2021少妇久久久久久久久久,亚洲欧洲精品成人久久av18,亚洲国产精品特色大片观看完整版,孙宇晨将参加特朗普的晚宴

1、輕量級

2、python語言進行編寫

訓(xùn)練步驟：

1、下載數(shù)據(jù)集

2、編寫訓(xùn)練程序

3、訓(xùn)練模型

4、驗證訓(xùn)練的模型

調(diào)用步驟

1、使用訓(xùn)練好的模型

2、定義參數(shù)

3、通過端進行傳參（web前端頁面、繪圖儀、手寫板）

4、數(shù)據(jù)驗證并返回

暴露接口

可以使用TensorFlow Serving部署成grpc模式的接口

flask

整合步驟

1、訓(xùn)練生成模型

2、暴露接口

3、前端調(diào)用

4、驗證并返回結(jié)果

完成了使用flask創(chuàng)建api接口，調(diào)用訓(xùn)練好的網(wǎng)絡(luò)

進行網(wǎng)頁端的手寫數(shù)字識別

通過鏈接前端的界面

實現(xiàn)了卷積神經(jīng)網(wǎng)絡(luò)實時分類輸入的手寫數(shù)字

使用(255-x)/255將0到255的值轉(zhuǎn)化到0到1之間

在flask中注冊api的url

來調(diào)用訓(xùn)練好的模型

@app.route('/api/mnist',?methods=['post'])
def?mnist():
????input?=?((255?-?np.array(request.json,?dtype=np.uint8))?/?255.0).reshape(1,?784)
????output1?=?regression(input)
????output2?=?convolutional(input)
????return?jsonify(results=[output1,?output2])


if?__name__?==?'__main__':
????app.run()

完成卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

with?tf.Session()?as?sess:
????merged_summary_op?=?tf.summary.merge_all()
????summary_writer?=?tf.summary.FileWriter('/tmp/mnist_log/1',?sess.graph)
????summary_writer.add_graph(sess.graph)

????sess.run(tf.global_variables_initializer())
????for?i?in?range(20000):
????????batch?=?data.train.next_batch(50)
????????if?i?%?100?==?0:
????????????train_accuracy?=?accuracy.eval(feed_dict={x:?batch[0],?_y:?batch[1],?keep_prob:?1.0})
????????????print("step?%d,?train?accuracy=%d"?%?(i,?train_accuracy))
????????sess.run(train_step,?feed_dict={x:?batch[0],?_y:?batch[1],?keep_prob:?0.5})
????????print(sess.run(accuracy,?feed_dict={x:?data.test.images,?_y:?data.test.labels,?keep_prob:?1.0}))
????????path?=?saver.save(sess,?os.path.join(os.path.dirname(__file__),?'data',?'convalution.ckpt'),
??????????????????????????write_meta_graph=False,?write_state=False)
????????print("Saved:",?path)

在卷積層中調(diào)用模型文件

from?mnist?import?model
data?=?read_data_sets('MNIST_data',?one_hot=True)
with?tf.variable_scope('convolutional'):
????x?=?tf.placeholder(tf.float32,?[None,?784])
????keep_prob?=?tf.placeholder(tf.float32)
????y,?variables?=?model.convolutional(x,keep_prob)

_y?=?tf.placeholder(tf.float32,?[None,?10])
cross_entropy?=?-tf.reduce_sum(_y?*?tf.log(y))
train_step?=?tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
correct_prediction?=?tf.equal(tf.argmax(y,?1),?tf.argmax(_y,?1))
accuracy?=?tf.reduce_mean(tf.cast(correct_prediction,?tf.float32))
saver=tf.train.Saver(variables)
with?tf.Session()?as?sess:
????merged_summary_op?=?tf.summary.merge_all()
????summary_writer?=?tf.summary.FileWriter('/tmp/mnist_log/1',?sess.graph)
????summary_writer.add_graph(sess.graph)

完成剩余的卷積神經(jīng)網(wǎng)絡(luò)模型

W_conv2?=?weight_variable([5,?5,?32,?64])
b_conv2?=?bias_variable([64])
h_conv2?=?tf.nn.relu(conv2d(h_pool1,?W_conv2)?+?b_conv2)
h_pool2?=?max_pool_2x2(h_conv2)

W_fc1?=?weight_variable([7?*?7?*?64,?1024])
b_fc1?=?bias_variable([1024])
h_pool2_flat?=?tf.reshape(h_pool2,?[-1,?7?*?7?*?64])
h_fc1?=?tf.nn.relu(tf.matmul(h_pool2_flat,?W_fc1)?+?b_fc1)
h_fc1_drop?=?tf.nn.dropout(h_fc1,?keep_prob)

W_fc2?=?weight_variable([1024,?10])
b_fc2?=?bias_variable([10])
y?=?tf.nn.softmax(tf.matmul(h_fc1_drop,?W_fc2)?+?b_fc2)

return?y,?[W_conv1,?b_conv1,?W_conv2,?b_conv2,?W_fc1,?b_fc1,?W_fc2,?b_fc2]

簡單構(gòu)建cnn的網(wǎng)絡(luò)

def?convolutional(x,?keep_prob):
????def?conv2d(x,?W):
????????return?tf.nn.conv2d([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?weight_variable(shape):
????????initial?=?tf.truncated_normal(shape,?stddev=0.1)
????????return?tf.Variable(initial)

????def?bias_variable(shape):
????????initial?=?tf.constant(0.1,?shape=shape)
????????return?tf.Variable(initial)

????x_image?=?tf.reshape(x,?[-1,?28,?28,?1])
????W_conb1?=?weight_variable([5,?5,?1,?32])
????b_conv1?=?bias_variable([32])
????h_conv1?=?tf.nn.relu(conv2d(x_image,?W_conb1)?+?b_conv1)
????h_pool1?=?max_pool_2x2(h_conv1)

完成線性模型的構(gòu)建

import?tensorflow?as?tf
import?os
from?tensorflow.contrib.learn.python.learn.datasets.mnist?import?read_data_sets

from?mnist?import?model

data?=?read_data_sets('MNIST_data',?one_hot=True)
with?tf.variable_scope('regression'):
????x?=?tf.placeholder(tf.float32,?[None,?784])
????y,?variables?=?model.regression(x)

_y?=?tf.placeholder('float',?[None,?10])
cross_entropy?=?-tf.reduce_sum(_y?*?tf.log(y))
train_step?=?tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
correct_prediction?=?tf.equal(tf.argmax(y,?1),?tf.argmax(_y,?1))
accuracy?=?tf.reduce_mean(tf.cast(correct_prediction,?tf.float32))
saver=tf.train.Saver(variables)
with?tf.Session()?as?sess:
????sess.run(tf.global_variables_initializer())
????for?_?in?range(1000):
????????batch_xs,batch_ys=data.train.next_batch(100)
????????sess.run(train_step,feed_dict={x:batch_xs,_y:batch_ys})
????print(sess.run(accuracy,feed_dict={x:data.test.images,_y:data.test.labels}))

????path=saver.save(sess,os.path.join(os.path.dirname(__file__),'data','regression.ckpt'),write_meta_graph=False,write_state=False)
????print('Saver:'+path)

最終保存了訓(xùn)練好的模型

進行模型的構(gòu)建

先是線性模型

import?tensorflow?as?tf
from?tensorflow.contrib.learn.python.learn.datasets.mnist?import?read_data_sets

from?mnist?import?model

data?=?read_data_sets('MNIST_data',?one_hot=True)
with?tf.variable_scope('regression'):
????x?=?tf.placeholder(tf.float32,?[None,?784])
????y,?variables?=?model.regression(x)

_y?=?tf.placeholder('float',?[None,?10])
cross_entropy?=?-tf.reduce_sum(_y?*?tf.log(y))
train_step?=?tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
correct_prediction?=?tf.equal(tf.argmax(y,?1),?tf.argmax(_y,?1))
accuracy?=?tf.reduce_mean(tf.cast(correct_prediction,?tf.float32))

使用tensorflow提供的函數(shù)來

下載官方的mnist數(shù)據(jù)集

flask一種輕量的web框架

?訓(xùn)練好模型

使用flask來調(diào)用模型

mnist數(shù)據(jù)集是手寫數(shù)字?jǐn)?shù)據(jù)集

包含0到9的手寫數(shù)字圖片

可以用來訓(xùn)練深度學(xué)習(xí)網(wǎng)絡(luò)

tensorflow是一個深度學(xué)習(xí)庫

支持cnn rnn lstm等

可以實現(xiàn)語音識別和圖像識別

將人工智能與現(xiàn)有的技術(shù)相結(jié)合

可以進一步提高使用體驗

tensorflow與flask結(jié)合

MNIST

整合步驟。

MNIST

TensorFlow

人工智能。

MNIST數(shù)據(jù)集

怎么沒人呢

我就過來看看

1.首先使用mnist來input數(shù)據(jù)，之后建立模型，調(diào)用模型，訓(xùn)練模型，把模型結(jié)果保存，然后在main.py中把模型拿出來取用，然后前端傳進來之后調(diào)用模型。

2.還可以引申來分類一些圖像，分類一些動物，做自然語言處理，來做一個聊天機器人，或者訓(xùn)練生成古詩詞，都可以使用上面的方法。我們只要把模型訓(xùn)練好之后，通過Flask調(diào)用模型載入進來，白鷺給API的接口，供我們后期的使用。

1.啟動之后需要調(diào)用，如何調(diào)用呢？需要編寫一個前端界面。

2.寫好前端頁面之后需要將index.html和main.py綁定。

@app.route('/') ????# 將index.html和main.py綁定

def main():

????return render_template('index.html')

3.在這個項目中，數(shù)據(jù)是如何傳遞的呢以及如何進行交互的呢？

數(shù)據(jù)在前端界面輸入后，先傳到main.js，使用data來進行轉(zhuǎn)換格式和傳到后臺，調(diào)用模型之后把結(jié)果放到output1和output2，打包成json格式返回給前端，展示。