机器学习常见处理方法

发表于 | 阅读次数：
本文字数： 1.5k | 阅读时长 ≈ 1 分钟

img_size = mnist.train.images[0].shape[0]

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
import numpy as np
import tensorflow as tf
import pickle
import matplotlib.pyplot as plt

#%matplotlib inline

print("TensorFlow Version: {}".format(tf.__version__))

from tensorflow.examples.tutorials.mnist import input_data

mnist = input_data.read_data_sets('./MNIST_data/')

i = 10
img = mnist.train.images[i]
plt.imshow(img.reshape((28, 28)), cmap='Greys_r')
print("Label: {}".format(mnist.train.labels[i]))
img_size = mnist.train.images[10].shape[0]
print(img_size)
print(img.shape)

执行上述语句返回的结果为：
Label: 0
784
(784,)

hidden1 = tf.layers.dense(noise_img, n_units)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
def get_generator(noise_img, n_units, out_dim, reuse=False, alpha=0.01):
    """
    生成器
    
    noise_img: 生成器的输入
    n_units: 隐层单元个数
    out_dim: 生成器输出tensor的size，这里应该为32*32=784
    alpha: leaky ReLU系数
    """
    with tf.variable_scope("generator", reuse=reuse):
        # hidden layer
        hidden1 = tf.layers.dense(noise_img, n_units)
        # leaky ReLU
        hidden1 = tf.maximum(alpha * hidden1, hidden1)
        # dropout
        hidden1 = tf.layers.dropout(hidden1, rate=0.2)

        # logits & outputs
        logits = tf.layers.dense(hidden1, out_dim)
        outputs = tf.tanh(logits)
        
        return logits, outputs

上述代码中的”hidden1 = tf.layers.dense(noise_img, n_units)“
其中：
 noise_img-表示输入层的单元个数，这里使用了占位符表示，但要表明单元大小，个数为None
 n_units-表示第一个隐藏层中神经元个数，
这里的函数，表示是全连接，将输入层的神经元全部与第一个隐藏层的神经元，进行全连接。

------------------------ The End ------------------------
0%