1.x是編譯的時候加上--config=opt就成了，2.0我沒試過，按理說應(yīng)該一樣吧
TensorFlow C++ CPU 模型預(yù)測優(yōu)化加速如下圖所示，TensorFlow在移動端的上線流程常包括下面幾個步驟： 固化模型->將variable轉(zhuǎn)constant 剪枝->去除、合并、跳過某些節(jié)點(diǎn)， 量化->數(shù)據(jù)類型...
發(fā)簡信
IP屬地：廣東
-
-
@公輸睚信 差距還是蠻大的2-3個點(diǎn)，然后問下eval的時候，有沒辦法不夠一個batch的不扔掉，標(biāo)注數(shù)據(jù)很少，感覺蠻可惜
TensorFlow 使用 tf.estimator 訓(xùn)練模型（預(yù)訓(xùn)練 ResNet-50）
看過 TensorFlow-slim 訓(xùn)練 CNN 分類模型（續(xù)） 及其相關(guān)系列文章的讀者應(yīng)該已經(jīng)感受到了 tf.contrib.slim 在訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)方面的極其方便之...
-
@公輸睚信 這個地方的is_training參數(shù)是只表示batch_norm層是否參與訓(xùn)練嗎？感覺我是在隨機(jī)編程
不過我現(xiàn)在已經(jīng)通過給train_op傳參數(shù)控制前面幾層不參與訓(xùn)練了。
再問下，我發(fā)現(xiàn)用導(dǎo)出來的模型測試驗(yàn)證集，發(fā)現(xiàn)準(zhǔn)確率比訓(xùn)練過程中要差一些。這份代碼有考慮batch_norm那幾個local_variable的導(dǎo)出問題嗎？也有可能是我后面給改壞了，我明兒再看看吧TensorFlow 使用 tf.estimator 訓(xùn)練模型（預(yù)訓(xùn)練 ResNet-50）
看過 TensorFlow-slim 訓(xùn)練 CNN 分類模型（續(xù)） 及其相關(guān)系列文章的讀者應(yīng)該已經(jīng)感受到了 tf.contrib.slim 在訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)方面的極其方便之...
-
對這些高級api無語了，同一個功能好幾個地方都有相關(guān)參數(shù)，一臉懵逼，在問個問題哈，我強(qiáng)制性這樣固定參數(shù)，好像沒起作用是個啥子情況
is_training = False
cls_model = model.Model(is_training=is_training,
num_classes=FLAGS.num_classes)TensorFlow 使用 tf.estimator 訓(xùn)練模型（預(yù)訓(xùn)練 ResNet-50）
看過 TensorFlow-slim 訓(xùn)練 CNN 分類模型（續(xù)） 及其相關(guān)系列文章的讀者應(yīng)該已經(jīng)感受到了 tf.contrib.slim 在訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)方面的極其方便之...
-
@公輸睚信 然后可以通過給Estimator傳一個run_config來控制
run_config =tf.estimator.RunConfig(model_dir=FLAGS.model_dir, save_checkpoints_steps=20)
estimator = tf.estimator.Estimator(model_fn=create_model_fn,
config=run_config)TensorFlow 使用 tf.estimator 訓(xùn)練模型（預(yù)訓(xùn)練 ResNet-50）
看過 TensorFlow-slim 訓(xùn)練 CNN 分類模型（續(xù)） 及其相關(guān)系列文章的讀者應(yīng)該已經(jīng)感受到了 tf.contrib.slim 在訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)方面的極其方便之...
-
@公輸睚信 哈哈多謝哈，我對slim跟estimator不太熟，可能理解有問題，不過我試了下，發(fā)現(xiàn)這段代碼沒起作用，注釋掉之后跟之前是一樣的，還是同樣的頻率保存ckpt
if mode == tf.estimator.ModeKeys.TRAIN:
global_step = tf.train.get_or_create_global_step()
learning_rate = configure_learning_rate(FLAGS.decay_steps,
global_step)
optimizer = tf.train.MomentumOptimizer(learning_rate=learning_rate,
momentum=0.9)
train_op = slim.learning.create_train_op(loss, optimizer,
summarize_gradients=True)
# keep_checkpoint_every_n_hours = FLAGS.keep_checkpoint_every_n_hours
# saver = tf.train.Saver(
# sharded=True,
# keep_checkpoint_every_n_hours=keep_checkpoint_every_n_hours,
# save_relative_paths=True)
# tf.add_to_collection(tf.GraphKeys.SAVERS, saver)
# scaffold = tf.train.Scaffold(saver=saver)TensorFlow 使用 tf.estimator 訓(xùn)練模型（預(yù)訓(xùn)練 ResNet-50）
看過 TensorFlow-slim 訓(xùn)練 CNN 分類模型（續(xù)） 及其相關(guān)系列文章的讀者應(yīng)該已經(jīng)感受到了 tf.contrib.slim 在訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)方面的極其方便之...
-
大神666，學(xué)到很多，有幾個問題想請教下
1.keep_checkpoint_every_n_hours 這個參數(shù)不管怎么設(shè)置都沒用，最終都是10分鐘保存一次
2.estimator的train_and_evaluate 怎么設(shè)置多少step去evaluate一次呢，這個跟keep_checkpoint的步驟有關(guān)系嗎？然后能根據(jù)這個early_stop嗎？
3.所有的log總是打印兩遍
INFO:tensorflow:Running local_init_op.
INFO:tensorflow:Running local_init_op.
INFO:tensorflow:Done running local_init_op.
INFO:tensorflow:Done running local_init_op.
INFO:tensorflow:Saving checkpoints for 0 into ./training/model.ckpt.
INFO:tensorflow:Saving checkpoints for 0 into ./training/model.ckpt.TensorFlow 使用 tf.estimator 訓(xùn)練模型（預(yù)訓(xùn)練 ResNet-50）
看過 TensorFlow-slim 訓(xùn)練 CNN 分類模型（續(xù)） 及其相關(guān)系列文章的讀者應(yīng)該已經(jīng)感受到了 tf.contrib.slim 在訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)方面的極其方便之...
-
TensorFlow C++ CPU 模型預(yù)測優(yōu)化加速如下圖所示，TensorFlow在移動端的上線流程常包括下面幾個步驟： 固化模型->將variable轉(zhuǎn)constant 剪枝->去除、合并、跳過某些節(jié)點(diǎn)， 量化->數(shù)據(jù)類型...
-
C++ GBK編碼 字符切割
為了用C++簡單實(shí)現(xiàn)bert模型地預(yù)處理，需要將中文字符串切割成單個中文漢字，網(wǎng)上沒有找到在GBK編碼下的C++版本，于是簡單地查了下資料，實(shí)現(xiàn)了個半成品。 GBK編碼 AS...