训练 一旦瓶颈完成,网络顶层的实际培训就开始了。您会看到一系列步骤输出,每个输出都显示训练准确性,验证准确性和交叉熵。训练准确性显示当前训练批次中使用的图像的百分比是否标有正确的分类。
data_sets.validation5000个图像和标签,用于迭代验证训练精度。data_sets.test10000个图像和标签,用于最终测试的训练精度。
tf.estimator快速入门 TensorFlow的高级机器学习API(tf.estimator)可以轻松配置,训练和评估各种机器学习模型。
在使用GPU进行训练时应始终使用NCHW。NHWC在CPU上有时更快。一个灵活的模型可以在GPU上使用NCHW进行训练,并使用NHWC在CPU上进行推理,并从训练中获得权重。
TensorFlow广泛和深度学习教程 在之前的TensorFlow线性模型教程中,我们使用人口普查收入数据集训练了一个逻辑回归模型来预测个人年收入超过5万美元的概率。
训练模型 现在我们已经定义了我们的模型和训练损失函数,使用TensorFlow进行训练非常简单。由于TensorFlow知道整个计算图,因此它可以使用自动微分来查找相对于每个变量的损失梯度。
训练集和测试集都包含图像及其相应的标签;例如训练图像mnist.train.images和训练标签mnist.train.labels。 每个图像是28像素×28像素。
复制训练 一种称为“数据并行性”的通用训练配置涉及多个任务,在不同的小批量数据上一个worker工作训练相同的模型,更新ps作业中一个或多个任务中托管的共享参数。所有任务通常运行在不同的机器上。

扫码关注腾讯云开发者
领取腾讯云代金券
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号:粤B2-20090059
粤公网安备44030502008569号
腾讯云计算(北京)有限责任公司 京ICP证150476号 | 京ICP备11018762号
