cifar 10 tensorflow 예제

cifar-10이란 무엇입니까? “CIFAR-10은 개체 인식에 사용되는 확립된 컴퓨터 비전 데이터 집합입니다. 8천만 개의 작은 이미지 데이터 집합의 하위 집합이며 클래스당 6,000개의 이미지가 있는 10개의 개체 클래스 중 하나를 포함하는 60,000개의 32×32 색 이미지로 구성됩니다. 알렉스 Krizhevsky, Vinod Nair 및 제프리 힌튼에 의해 수집되었습니다.” https://www.kaggle.com/c/cifar-10 기차 데이터 세트를 기차 및 유효성 검사 세트로 분할하는 등 별도의 유효성 검사 데이터 집합을 사용하는 것이 좋습니다. 이 경우 데이터를 분할하지 않고 대신 테스트 데이터 집합을 유효성 검사 데이터 집합으로 사용하여 예제를 단순하게 유지합니다. “tensorflow.image.cifar10 가져오기 cifar10_input”에서 “가져오기 cifar10_input”로 대체되어야 합니다: EXERCISE: 평균 매개변수를 사용하면 정밀도 @1로 측정된 예측 성능을 약 3% 향상시킬 수 있습니다. cifar10_eval.py를 편집하여 모델에 대한 평균 매개변수를 사용하지 않고 예측 성능이 떨어지는지 확인합니다. https://www.tensorflow.org/tutorials/images/deep_cnn 시스템에 설치된 여러 GPU 카드를 사용하여 cifar10_multi_gpu_train.py 스크립트를 사용하여 모델을 더 빠르게 학습할 수 있습니다. 코드 예제 지금, 더 나은 이해를 위해 다음 코드를 통해 검색할 수 있습니다. 엑셀반/텐서플로우-시파르-10의 신작에 대한 알림을 원하십니까? ~.condaenvstensorflowliburllibrequest.py https_open (자체, req) 1360 return self.do_open (http.client.HTTPSConnection, req, -> 1361 컨텍스트=self._context, check_hostname=self._check_hostname) 1362 예를 들어, 예를 들어, 시그모이드 활성화 함수는 입력 값을 취하고 0에서 1사이의 새 값을 출력합니다.

입력 값이 다소 크면 출력 값이 최대 값 1에 쉽게 도달합니다. 마찬가지로 입력 값이 다소 작으면 출력 값이 max 값 0에 쉽게 도달합니다. # 정의 cnn 모델 def define_model(): 모델 = 순차적() 모델.add(Conv2D(32, 3, 3), 활성화=`relu`, 커널_initializer=`he_uniform`, 패딩=`동일`, 입력_shape=(32, 32, 3))) ) ) initializer=`he_uniform`, 패딩=`동일`)) model.add(MaxPooling2D(2, 2))) 모델.add(Conv2D(64, 3, 3), 활성화=relu`, 커널_초기화자=`he_uniform`, 패딩=`same`)) 모델.add(Conv2D(64, 3, 3)) 모델.add(Conv2D(64, 3,3)) =`he_uniform`, 패딩=`same`)) model.add(MaxPooling2D((2, 2))) 모델.add(Conv2D(128, 3, 3), 활성화=`relu`, 커널_초기화기=`he_uniform`, 패딩=`동일`)) 모델.add(128, (3, 3), 활성화=이니셜 uniform`, 패딩=`same`)) model.add(MaxPooling2D((2, 2))) # 모델 모델의 출력 부분 # 예제 출력 부분.add(Flatten(Flatten)) model.add(Dense(128, activation=`relu`, 커널_initializer=`he_uniform`)) model.add(Dense(10, activation=`softmax`) ) # 컴파일 모델 옵트 = SGD (lr = 0.001, 모멘텀 = 0.9) model.compile(optimizer=opt, loss=`categorical_crossentropy`, metrics=[`정확도`]) 반환 모델 참고: 멀티 GPU에 관심이 있는 사용자의 경우 최신 cifar10_estimator 예제를 살펴보는 것이 좋습니다. 대신. 데이터 흐름은 병렬 컴퓨팅을 위한 일반적인 프로그래밍 모델입니다. 데이터 흐름 그래프에서 노드는 계산 단위를 나타내고 가장자리는 계산에서 소비되거나 생성된 데이터를 나타냅니다. 예를 들어 TensorFlow 그래프에서 tf.matmul 연산은 두 개의 들어오는 모서리(곱할 행렬)와 하나의 나가는 모서리(곱셈의 결과)가 있는 단일 노드에 해당합니다.

Thanks! You've already liked this