tensorflow cifar10 예제

학습 속도 일정 – 학습 속도에 기하급수적으로 감소합니다. 계산: (https://www.tensorflow.org/versions/r0.11/api_docs/python/train.html#exponential_decay) 이 노트북의 코드와 설명 중 일부는 Udacity에서 제공하는 이 리포지토리에서 차용하지만 이 이야기는 더 풍부한 설명을 제공합니다. 코드와 jupyter 노트북내 github 리포지토리에서 찾을 수 있습니다., https://github.com/deep-diver/CIFAR10-img-classification-tensorflow. EXERCISE: 평균 매개변수를 채택하면 정밀도 @1로 측정한 예측 성능을 약 3% 높일 수 있습니다. cifar10_eval.py를 편집하여 모델에 대한 평균 매개변수를 사용하지 않고 예측 성능이 떨어지는지 확인합니다. 태그: CIFAR-10CIFAR-10 CNN 텐서플로우CIFAR-10 모델 아키텍처CNN 네트워크CNN 네트워크텐서플로우컨볼루션 신경망 출시 CIFAR-10 모델다발모델예측 CNN 네트워크에서 CIFAR-10 모델교육 모델 예측 모델 모델 모니터링 교육 중에 평가 스크립트가 cifar10_train.py에서 만든 최신 검사점 파일에서 주기적으로 실행됩니다. 원래 하나의 배치 데이터는 numpy 배열로 표현된 (10000 x 3072) 행렬입니다. 열 수(10000)는 샘플 데이터 수를 나타냅니다. CIFAR-10/CIFAR-100 데이터 집합에 명시된 바와 같이, 행 벡터(3072)는 32×32 픽셀의 색상 이미지를 나타낸다. 이 프로젝트는 분류 작업에 CNN을 사용하므로 원래 행 벡터가 적절하지 않습니다.

이미지 데이터를 CNN 모델에 공급하려면 입력 텐서의 치수가(너비 x 높이 x num_channel) 또는 (num_channel x 너비 x 높이)이어야 합니다. 그것은 당신의 선택에 따라 달라집니다 (텐서 플로우 conv2d를 체크 아웃). 텐서 플로우의 CNN 작업의 기본 선택이 그렇기 때문에 첫 번째 선택을 사용할 것입니다. _generate_image_and_label_batch(이미지, 레이블, min_queue_examples, batch_size, 셔플) – 레이블이 있는 이미지의 셔플(셔플 == true) 큐를 구성하고, 이미지를 반환합니다(4D 텐서: batch_size, 높이, 너비, 깊이) 및 레이블(1d 텐서: batch_size) ). 코드에서 참조 한 아래 줄에서 : x_batch, y_true_batch, _, cls_batch = data.train.next_batch (batch_size) “데이터”를 입력 할 때 PyCharm IDE에서 제안을받지 못합니다. 나는 “해결되지 않은 참조 “데이터”를 얻습니다. 이에 대한 의견을 공유해 주시겠습니까? 나는 윈도우 환경에서 파이썬 3.6, 우분투에서 파이썬 3.5를 사용하고 있습니다. 둘 다 텐서 플로우 버전이 1.9.0입니다. read_cifar10(filename_queue) – 데이터 파일(`filename_queue`에서)의 예제를 읽고 구문 분석하고, 단일 예제(필드: 높이, 너비, 깊이, 키, 레이블, uint8image)를 나타내는 개체를 반환할 수 있습니다. 이 경우 86%의 정확도를 반환했습니다.

cifar10_eval.py는 텐서보드에서 시각화할 수 있는 요약도 내보올 수 있습니다. 이러한 요약은 평가 하는 동안 모델에 대 한 추가 통찰력을 제공 합니다. TensorBoard에서 실행 하 여 결과 볼 수 있습니다. 당신이 볼 수 있듯이 우리는 0,1로 데이터를 정규화하고 우리는 하나의 핫 인코딩 라벨. 즉, 10개의 클래스가 있는 경우 피쳐의 레이블이 10의 길이의 벡터에 레이블이 있습니다. 예를 들어 첫 번째 샘플이 세 번째 클래스에 속하는 경우, 1핫 벡터는 [0, 0, 0, 0, 0, 0, 0,0, 0,0], 7클래스 [0, 0, 0, 0, 0, 0, 0] 입니다. 일반적으로 one 핫 벡터의 인덱스에 하나를 할당하고 나머지는 0으로 둡니다. 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. 아래 스크립트에 따라 모델이 평가됩니다. CIFAR 10의 평가 세트에서 10,000개의 이미지를 모두 사용하고 추론이 있는 모델을 구성합니다. 상위 예측이 이미지 레이블과 일치하는 빈도에 대한 정밀도를 계산합니다.