实用云,提供最全最实时的云市场资讯

手机站:/m

企业邮箱_kms激活服务器搭建_限量秒杀

时间:2021-06-12 02:04编辑:实用云来源:实用云当前位置:主页 > 虚拟服务器 >

这是两部分教程的第一部分。在这一部分中,我们创建了一个张量流模型并保存了训练过的模型。在第二部分中,免费自助建站系统,我们将把我们保存的模型上传到机器学习基金会并使用它。我们的模型将是一个三层卷积神经网络,对cifar-10图像进行分类。

您已经安装了TensorFlow,最好是GPU版本,至少是1.11.0版本。如果同时安装了CPU和GPU版本,那么Python可能会加载CPU版本,云服务器租用价格,而网络不会在GPU上执行。在这种情况下,请卸载CPU版本。

这要求您还安装了以下Python版本之一:3.4、3.5或3.6。在本教程中,大数据可视化,TysFooLoad不支持Python 3.7。您有一个全局SAP云平台(SCP)帐户,并且创建了一个包含服务ML基础的实例的空间,其中包括一个服务密钥。这个教程将给开发者一些方面如何使用TysFooFService API以及如何部署和运行自己的API。SCP上的模型

即使是从零开始建立TensorFlow模型,您也不会了解任何有关神经元网络的信息,也不会了解为什么选择了超参数的某些值。

获取数据

我们想建立一个使用CIFAR-10数据集的图像分类模型。该数据集包括60000幅32×32像素的彩色图像,分为10类。课程有"飞机"、"汽车"、"鸟"、"猫"、"鹿"、"狗"、"青蛙"、"马"、"船"和"卡车"。您可以从这里下载图像:cifar-10-python.tar.gz. 将图像提取到一个新的文件夹中,该文件夹名为cifar10。我们希望使用这个文件夹来存储我们在整个教程中创建的所有文件。

创建Python程序

在本教程中,我们将创建四个文件,将构建、运行和保存TensorFlow模型所需完成的不同任务分开:

如前所述,我们将所有Python文件存储在存储的同一文件夹中图像在

读取图像

这第一个文件,我们要调用数据_经理.py并将其存储在与cifar10图像相同的文件夹中,将包含两个类,它们将支持我们读取和转换图像数据,并将其提供给模型。

首先是CifarImageProvider特别感兴趣的。这个类从文件系统加载图像和标签并转换它们:

这已经是很多代码了,大多数只是一些实用功能。但是我们应该看看加载函数。由于名称已经打算从文件系统读取图像,但它做了一些重要的事情,此外,它转换图像。在原始格式(NCHW)中,三种颜色是分开的,因此我们有三层,每层32×32。这是转置,所以我们有一个32x32x3张量(NHWC)或每个像素现在有所有的颜色信息。最后,将0到255之间的整数值转换为0到1之间的浮点值,好评返现怎么操作,以便更好地工作。记住这一点很重要,大数据质量,因为这是我们必须向模型提供图像数据的格式,这将是图像推理所需的格式。

这是通过以下行完成的:

第二类,我们在数据中创建_经理.py,只是一个小的立面,所以我们可以更好地处理训练和测试数据:

完成后,它变成了一个小测试的时间。我们要加载图像并查看统计:

打开控制台,导航到您的cifar10文件夹并执行python cifar10.py命令。程序完成后,您应该看到:

图像序列号:50000

标签序列号:50000

图像测试数:10000

标签测试数:10000

创建模型元素

下一个文件,模型_元素.py,将包含一些帮助函数,以便我们建立模型。这是非常有用的,因为我们想建立一个CNN有三个相同的层,使用批标准化,平均池和参数化校正线性单元作为激活函数。由于后一个,至少在TensorFlow 1.11之前,不是TensorFlow的一部分,我们必须自己创建它。

准备模型保存

BYOM使用TensorFlow服务。这需要一个以特殊格式提供的模型。可以使用保存的模型生成器创建此格式。TensorFlow模型提供了三种类型的API,称为分类、回归和预测。对于不同的api,我们将在第二部分中使用的请求实现是不同的。一方的PredictRequest期望通过TensorProto编码的值。另一方的ClassificationRequest和RegressionRequest期望以数据为例。我们只看Predict,因为它不需要在训练过程中预处理数据,我们得到我们需要的所有信息_服务.py,它包含两个帮助函数,支持我们保存经过训练的模型。

我们需要做的第一步是创建一个文件夹来保存模型:

保存的模型生成器需要自己创建此文件夹,因此无法覆盖模型。为了确保总是得到一个新的,我们添加了一个时间戳作为最后一个文件夹。

接下来,我们定义了用于推断的PREDICT API。

helper函数有两个参数input\u layer和prediction。第一个是张量,它是张量流图的入口点。它描述了模型如何期望输入以及在何处将输入注入到图中。第二个描述了模型的输出,一方面描述了输出的样子,另一方面给出了图中的节点,从中可以得到输出。我们将在构建模型时看到这点。

上一篇域名交易_与服务器_企业0元试用

下一篇微软云_价格数据库_免费1年

世界之最排行

世界之最精选