resnet50预训练模型（resnet50预训练模型代码）



  本文介绍基于Python语言中TensorFlow的接口，实现深度学习神经网络回归的具体方法。

  1. 本文介绍的是基于TensorFlow 接口的深度学习网络，而非TensorFlow 中常用的接口；关于接口实现深度学习回归，我们会在后续博客中介绍。

  2. 本文代码以回归为例；而由于基于 接口的深度学习回归与分类整体较为类似，因此二者具有触类旁通的效果。。

  3. 本文第二部分为代码的分解介绍，第三部分为完整代码。

  首先需要引入相关的库与包。

  其次，基于TensorFlow的代码往往会输出较多的日志信息，从而使得我们对代码执行情况的了解受到一定影响。代码输出的日志信息有四种，依据严重程度由低到高排序：（通知）<（警告）<（错误）<（致命的）；我们可以通过如下代码来对TensorFlow的输出日志信息加以约束。

  其中，代表只输出信息。但要注意，这句代码需要放在的前面：

  深度学习代码一大特点即为具有较多的参数需要我们手动定义。为避免调参时上下翻找，我们可以将主要的参数集中在一起，方便我们后期调整。

  其中，具体参数的含义在本文后续部分详细介绍。

  每执行一次，便会在指定路径中保存当前运行的模型。为保证下一次模型保存时不受上一次模型运行结果干扰，我们可以将模型文件夹内的全部文件删除。

  需要注意，以上代码仅删除指定路径下的文件，文件夹不删除。大家如果需要将文件夹也同时删除，修改以上代码函数中的后面几句即可。

  我的数据已经保存在了文件中，因此可以用直接读取。

  其中，数据的每一列是一个特征，每一行是全部特征与因变量（就是下面的）组合成的样本。

  就是一个桥梁，联系你的初始数据与模型；其好比一个名单，模型拿着这个名单到你的数据（即本文2.4部分你导入的数据）中按列的名称一一搜索，若初始数据中的某列名称在里，那么模型就会把初始数据中这一列的数据全部拿到自己这里，进行训练。

  因为我们是希望导入数据的全部特征，那么可以直接在全部数据的自变量中循环，将全部特征的名称导入。

  在这里需要注意的是，只有连续数值变量才可以用处理。

  模型优化方法即模型中的，其可以在模型结构构建时输入；但有时优化方法较为复杂（例如引入了学习率下降），那么在构建模型时配置优化方法的话就会有些不方便。因此我们首先构建模型优化方法。

  以上代码中有两个，第一个是直接输入优化方法的名称即可，名称包括：, , , , ；默认为。

  第二个是在选择了优化方法的基础上，配置其他信息。例如第二个，其代表着学习率指数下降的Adam优化方法。其中，可视作一个计算每次训练学习率的函数，他返回的是每一次对应的学习率。可能这么说不太好理解，看这个公式：其返回值为，是不是就明白啦。

  我们选择第二个优化方法，因此把第一个注释掉。

  随后，我们定义模型的结构。

  模型的构建，对照着代码上的注释，就比较好理解了；其中，我把注释掉，是因为可能由于TensorFlow版本的问题，其总是报错，所以就用默认的值就好；而最后一个，决定了是否进行Batch Normalizing。Batch Normalizing可以保持深度神经网络在每一层保持相同分布，从而加快网络收敛与增强网络稳固性。

  训练模型这一部分，我认为反而比模型的构建可能还难理解一些。我们先看代码：

  我们可以这么理解：在函数中，只有一个参数；而这个参数的输入，又是一个新的函数——这个新的函数就是大名鼎鼎的了。

  他长这个样子：

  那我们首先就看——也就是代码中的函数。其实这个函数的用处很简单，用官网的话说，其就是用来输入模型支持的数据类型的——只有经过处理后，数据才可以被识别。听上去这么厉害，它到底是如何操作的呢？

  很简单，它只需要将初始的数据转换为特定的格式即可，这个格式是一个元组（），这个元组有两个元素：

  一就是，是一个字典。这个字典的每一个键是每一个特征的名称，就比如用植物特性对花的种类加以区分，那么花的“叶长”“叶片厚度”等等就是一个个特征的名称，也就是这里的一个个“键”；而这个字典的值，就是这个特征对应的全部样本的数值组成的数组。

  二就是，是全部样本对应的，也就是因变量。

  不知道大家有没有理解，我们就举一个简单的例子。假如我们用两个地方的温度与降水预测这两个地方的作物产量：其温度分别为10 ℃、20 ℃，降水分别为15 mm，25 mm，作物产量分别为100千克每公顷，150千克每公顷——那么由两个部分组成：

  怎么样，是不是明白啦。

  理解了之后，我们继续看函数。首先，用来将输入的数据加载并转换为的形式；随后，如果是训练状态下，那么数据会进行打乱——相当于对数据加以洗牌，防止初始数据具有一定的趋势。例如如果我们做分类，其中初始数据的前80%都是第一类，后20%都是第二类，那么如果我们不打乱数据，会使得用前80%数据训练出来的结果都是第一类（即模型只认识第一类），在后20%进行测试时，所得结果也全都为第一类；所以要打乱。其中的是参数，这个数据必须要比你的数据样本个数大。至于这个函数的原理我一直没有搞明白，大家感兴趣的话可以进一步了解。

  则是对数据集加以重复，之所以要重复，是因为我们需要对全部数据训练好几轮（即好几个），因此要对初始数据加以重复。

  随后，用函数输出个数据，也就是一批数据；其中就是每一批数据的个数。

  这个就是函数。再看函数函数：大家也看出来了，这个函数是每次输出一批（个）数据；而我们训练的时候，肯定是要一批一批不停输入数据的，因此这就解释了为什么函数前有一个——因为函数要把处理后的数据分多次传给。

  理解了以上内容，接下来就好理解多了。我们需要进行验证与测试的操作——其实验证也就是利用了测试集数据，之所以我还进行了测试，是因为希望可以获取测试集预测结果，从而更直观地了解模型精度水平。

  其中，验证时所用的函数其实和训练集所用的是一样的函数，只不过验证时不需要进行打乱和重复操作；而测试时的函数则是新的，其只需要输入自变量、无需输入因变量。

  精度评定与拟合图像就不用过多说啦~最终，我们最好将模型参数与精度衡量指标结果保存在Excel表格中，这样子方便之后的调参过程。这里就不再一一介绍啦，大家对照代码中的注释即可。

  至此，全部的代码分解介绍都结束啦~

  至此，大功告成。

版权声明：

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若内容造成侵权、违法违规、事实不符，请将相关资料发送至xkadmin@xkablog.com进行投诉反馈，一经查实，立即处理！

转载请注明出处，原文链接：https://www.xkablog.com/rfx/13876.html