python深度神经网络tensorflow1.0主要参数和svm算法

　　本文主要是给大家介绍了python深度神经网络tensorflow1.0主要参数和svm算法，感兴趣的小伙伴可以参考借鉴一下，希望可以有一定的帮助，祝愿大家尽可能不断进步，尽早涨薪

　　tf.trainable_variables()获取练习主要参数

　　在tf中，参加锻炼的主要参数可用tf.trainable_variables()分离出来，如：

　　#取出所有参与训练的参数
　　params=tf.trainable_variables()
　　print("Trainable variables:------------------------")
　　#循环列出参数
　　for idx,v in enumerate(params):
　　print("param{:3}:{:15}{}".format(idx,str(v.get_shape()),v.name))

　　这里只能查看参数的shape和name,并没有具体的值。如果要查看参数具体的值的话，必须先初始化，即：

　　sess=tf.Session()
　　sess.run(tf.global_variables_initializer())

　　同理，我们也可以提取图片经过训练后的值。图片经过卷积后变成了特征，要提取这些特征，必须先把图片feed进去。

　　具体实例

　　#-*-coding:utf-8-*-
　　"""
　　Created on Sat Jun 3 12:07:59 2017
　　author:Administrator
　　"""
　　import tensorflow as tf
　　from skimage import io,transform
　　import numpy as np
　　#-----------------构建网络----------------------
　　#占位符
　　x=tf.placeholder(tf.float32,shape=[None,100,100,3],name='x')
　　y_=tf.placeholder(tf.int32,shape=[None,],name='y_')
　　#第一个卷积层（100——>50)
　　conv1=tf.layers.conv2d(
　　inputs=x,
　　filters=32,
　　kernel_size=[5,5],
　　padding="same",
　　activation=tf.nn.relu,
　　kernel_initializer=tf.truncated_normal_initializer(stddev=0.01))
　　pool1=tf.layers.max_pooling2d(inputs=conv1,pool_size=[2,2],strides=2)
　　#第二个卷积层(50->25)
　　conv2=tf.layers.conv2d(
　　inputs=pool1,
　　filters=64,
　　kernel_size=[5,5],
　　padding="same",
　　activation=tf.nn.relu,
　　kernel_initializer=tf.truncated_normal_initializer(stddev=0.01))
　　pool2=tf.layers.max_pooling2d(inputs=conv2,pool_size=[2,2],strides=2)
　　#第三个卷积层(25->12)
　　conv3=tf.layers.conv2d(
　　inputs=pool2,
　　filters=128,
　　kernel_size=[3,3],
　　padding="same",
　　activation=tf.nn.relu,
　　kernel_initializer=tf.truncated_normal_initializer(stddev=0.01))
　　pool3=tf.layers.max_pooling2d(inputs=conv3,pool_size=[2,2],strides=2)
　　#第四个卷积层(12->6)
　　conv4=tf.layers.conv2d(
　　inputs=pool3,
　　filters=128,
　　kernel_size=[3,3],
　　padding="same",
　　activation=tf.nn.relu,
　　kernel_initializer=tf.truncated_normal_initializer(stddev=0.01))
　　pool4=tf.layers.max_pooling2d(inputs=conv4,pool_size=[2,2],strides=2)
　　re1=tf.reshape(pool4,[-1,6*6*128])
　　#全连接层
　　dense1=tf.layers.dense(inputs=re1,
　　units=1024,
　　activation=tf.nn.relu,
　　kernel_initializer=tf.truncated_normal_initializer(stddev=0.01),
　　kernel_regularizer=tf.nn.l2_loss)
　　dense2=tf.layers.dense(inputs=dense1,
　　units=512,
　　activation=tf.nn.relu,
　　kernel_initializer=tf.truncated_normal_initializer(stddev=0.01),
　　kernel_regularizer=tf.nn.l2_loss)
　　logits=tf.layers.dense(inputs=dense2,
　　units=5,
　　activation=None,
　　kernel_initializer=tf.truncated_normal_initializer(stddev=0.01),
　　kernel_regularizer=tf.nn.l2_loss)
　　#---------------------------网络结束---------------------------
　　#%%
　　#取出所有参与训练的参数
　　params=tf.trainable_variables()
　　print("Trainable variables:------------------------")
　　#循环列出参数
　　for idx,v in enumerate(params):
　　print("param{:3}:{:15}{}".format(idx,str(v.get_shape()),v.name))
　　#%%
　　#读取图片
　　img=io.imread('d:/cat.jpg')
　　#resize成100*100
　　img=transform.resize(img,(100,100))
　　#三维变四维（100，100，3）-->(1,100,100,3)
　　img=img[np.newaxis,:,:,:]
　　img=np.asarray(img,np.float32)
　　sess=tf.Session()
　　sess.run(tf.global_variables_initializer())
　　#提取最后一个全连接层的参数W和b
　　W=sess.run(params[26])
　　b=sess.run(params[27])
　　#提取第二个全连接层的输出值作为特征
　　fea=sess.run(dense2,feed_dict={x:img})

　　最后一条语句就是提取某层的数据输出作为特征。

　　注意：这个程序并没有经过训练，因此提取出的参数只是初始化的参数。

　　综上所述，这篇文章就给大家介绍完毕了，希望可以给大家带来帮助。