#
本文主要是总结利用tensorflow实现迁移学习的基本步骤。 所谓迁移学习，就是将上一个问题上训练好的模型通过简单的调整使其适用于一个新的问题。比如说，我们可以保留训练好的Inception-v3
最近研究了一下并行读入数据的方式，现在将自己的理解整理如下，理解比较浅，仅供参考。 并行读入数据主要分 1. 创建文件名列表 2. 创建文件名队列 3. 创建Reader和Decoder 4. 创建样
CNN(Convolutional Neural Networks) 卷积神经网络简单讲就是把一个图片的数据传递给CNN，原涂层是由RGB组成，然后CNN把它的厚度加厚，长宽变小，每做一层都这样被拉长
最近在关注 Deep Learning，就在自己的mac上安装google的开源框架Tensorflow 用 sudo pip install -U tensorflow 安装的时候总是遇到下面的问
模型的恢复 对于的模型的恢复来说，需要首先恢复模型的整个图文件，之后从图文件中读取相应的节点信息。 存储的模型文件包括四个子文件，如下： 现在假如我想恢复模型中的某个节点信息： 需要注意
较基础的SVM，后续会加上多分类以及高斯核，供大家参考。 Talk is cheap, show me the code import tensorflow as tf from sklearn.
用tensorflow构建简单的线性回归模型是tensorflow的一个基础样例，但是原有的样例存在一些问题，我在实际调试的过程中做了一点自己的改进，并且有一些体会。 首先总结一下tf构建模型的总体套
tensorflow里面提供了实现图像进行裁剪和填充的函数，就是tf.image.resize_image_with_crop_or_pad（img，height，width ）。img表示需要改变的
实例如下所示： import numpy as np W_val, b_val = sess.run([weights_tensor, biases_tensor]) np.savetxt("W.
如图，简单易懂，先激活tensorflow，然后进入python，输入python语句执行查询： 需要注意的是一定要在激活tensorflow环境后再输入python命令，否则会识别不到tensor
