模型的編譯訓練

⑴ 在模型的訓練迭代過程中，怎麼評估效果

迭代模型的優點 傳統的瀑布模型相比較，迭代過程具有以下優點： 1）降低了在一個增量上的開支風險。如果開發人員重復某個迭代，那麼損失只是這一個開發有誤的迭代的花費。 2）降低了產品無法按照既定進度進入市場的風險。通過在開發早期就確定風險，可以盡早來解決而不至於在開發後期匆匆忙忙。 3）加快了整個開發工作的進度。因為開發人員清楚問題的焦點所在，他們的工作會更有效率。 4）由於用戶的需求並不能在一開始就作出完全的界定，它們通常是在後續階段中不斷細化的。因此，迭代過程這種模式使適應需求的變化會更容易些。 缺點是：在項目早期開發可能有所變化 ，需有一個高素質的項目管理者和一個高技術水平的開發團隊

⑵ 如何才能高效地進行深度學習模型訓練

可以從多種方向進行調整: 1 將損失函數換成交叉熵損失函數，因為訓練後期誤差較小時，使用均方誤差作為損失函數，則梯度越來越小，因此訓練進程會越來越平緩。 2使用隨機梯度下降法，防止局部收斂 3調小學習率

⑶ 怎麼訓練復現論文模型的編程能力

能指出記敘的要素（時間、地點、人物、事情的起因、經過、結果）。理解論文所記敘的事件、人物、景物及其所表現的思想意義。
2．理解論文的人稱（第一人稱、第三人稱），記敘的順序（順序、倒敘、插敘）的特點和作用。
3．能歸納論文的中心思想，理解論文的中心和材料的關系、理解記敘的詳略得當。

⑷ tensorflow 訓練好的模型，怎麼 調用

基本使用

使用 TensorFlow, 你必須明白 TensorFlow:

使用圖 (graph) 來表示計算任務.
在被稱之為 會話 (Session) 的上下文 (context) 中執行圖.
使用 tensor 表示數據.
通過 變數 (Variable) 維護狀態.
使用 feed 和 fetch 可以為任意的操作(arbitrary operation) 賦值或者從其中獲取數據.

綜述

TensorFlow 是一個編程系統, 使用圖來表示計算任務. 圖中的節點被稱之為 op
(operation 的縮寫). 一個 op 獲得 0 個或多個 Tensor, 執行計算,
產生 0 個或多個 Tensor. 每個 Tensor 是一個類型化的多維數組.
例如, 你可以將一小組圖像集表示為一個四維浮點數數組,
這四個維度分別是 [batch, height, width, channels].

一個 TensorFlow 圖描述了計算的過程. 為了進行計算, 圖必須在 會話 里被啟動.
會話 將圖的 op 分發到諸如 CPU 或 GPU 之類的 設備 上, 同時提供執行 op 的方法.
這些方法執行後, 將產生的 tensor 返回. 在 Python 語言中, 返回的 tensor 是
numpy ndarray 對象; 在 C 和 C++ 語言中, 返回的 tensor 是
tensorflow::Tensor 實例.

計算圖

TensorFlow 程序通常被組織成一個構建階段和一個執行階段. 在構建階段, op 的執行步驟
被描述成一個圖. 在執行階段, 使用會話執行執行圖中的 op.

例如, 通常在構建階段創建一個圖來表示和訓練神經網路, 然後在執行階段反復執行圖中的訓練 op.

TensorFlow 支持 C, C++, Python 編程語言. 目前, TensorFlow 的 Python 庫更加易用,
它提供了大量的輔助函數來簡化構建圖的工作, 這些函數尚未被 C 和 C++ 庫支持.

三種語言的會話庫 (session libraries) 是一致的.

構建圖

構建圖的第一步, 是創建源 op (source op). 源 op 不需要任何輸入, 例如 常量 (Constant). 源 op 的輸出被傳遞給其它 op 做運算.

Python 庫中, op 構造器的返回值代表被構造出的 op 的輸出, 這些返回值可以傳遞給其它
op 構造器作為輸入.

TensorFlow Python 庫有一個默認圖 (default graph), op 構造器可以為其增加節點. 這個默認圖對
許多程序來說已經足夠用了. 閱讀 Graph 類 文檔
來了解如何管理多個圖.
import tensorflow as tf

# 創建一個常量 op, 產生一個 1x2 矩陣. 這個 op 被作為一個節點
# 加到默認圖中.
#
# 構造器的返回值代表該常量 op 的返回值.
matrix1 = tf.constant([[3., 3.]])

# 創建另外一個常量 op, 產生一個 2x1 矩陣.
matrix2 = tf.constant([[2.],[2.]])

# 創建一個矩陣乘法 matmul op , 把 'matrix1' 和 'matrix2' 作為輸入.
# 返回值 'proct' 代表矩陣乘法的結果.
proct = tf.matmul(matrix1, matrix2)

默認圖現在有三個節點, 兩個 constant() op, 和一個matmul() op. 為了真正進行矩陣相乘運算, 並得到矩陣乘法的
結果, 你必須在會話里啟動這個圖.

在一個會話中啟動圖

構造階段完成後, 才能啟動圖. 啟動圖的第一步是創建一個 Session 對象, 如果無任何創建參數,
會話構造器將啟動默認圖.

欲了解完整的會話 API, 請閱讀Session 類.
# 啟動默認圖.
sess = tf.Session()

# 調用 sess 的 'run()' 方法來執行矩陣乘法 op, 傳入 'proct' 作為該方法的參數.
# 上面提到, 'proct' 代表了矩陣乘法 op 的輸出, 傳入它是向方法表明, 我們希望取回
# 矩陣乘法 op 的輸出.
#
# 整個執行過程是自動化的, 會話負責傳遞 op 所需的全部輸入. op 通常是並發執行的.
#
# 函數調用 'run(proct)' 觸發了圖中三個 op (兩個常量 op 和一個矩陣乘法 op) 的執行.
#
# 返回值 'result' 是一個 numpy `ndarray` 對象.
result = sess.run(proct)
print result
# ==> [[ 12.]]

# 任務完成, 關閉會話.
sess.close()

Session 對象在使用完後需要關閉以釋放資源. 除了顯式調用 close 外, 也可以使用 "with" 代碼塊
來自動完成關閉動作.
with tf.Session() as sess:
result = sess.run([proct])
print result

在實現上, TensorFlow 將圖形定義轉換成分布式執行的操作, 以充分利用可用的計算資源(如 CPU
或 GPU). 一般你不需要顯式指定使用 CPU 還是 GPU, TensorFlow 能自動檢測. 如果檢測到 GPU, TensorFlow
會盡可能地利用找到的第一個 GPU 來執行操作.

如果機器上有超過一個可用的 GPU, 除第一個外的其它 GPU 默認是不參與計算的. 為了讓 TensorFlow
使用這些 GPU, 你必須將 op 明確指派給它們執行. with...Device 語句用來指派特定的 CPU 或 GPU
執行操作:
with tf.Session() as sess:
with tf.device("/gpu:1"):
matrix1 = tf.constant([[3., 3.]])
matrix2 = tf.constant([[2.],[2.]])
proct = tf.matmul(matrix1, matrix2)
...

設備用字元串進行標識. 目前支持的設備包括:

"/cpu:0": 機器的 CPU.
"/gpu:0": 機器的第一個 GPU, 如果有的話.
"/gpu:1": 機器的第二個 GPU, 以此類推.

閱讀使用GPU章節, 了解 TensorFlow GPU 使用的更多信息.

互動式使用

文檔中的 Python 示例使用一個會話 Session 來
啟動圖, 並調用 Session.run() 方法執行操作.

為了便於使用諸如 IPython 之類的 Python 交互環境, 可以使用
InteractiveSession 代替
Session 類, 使用 Tensor.eval()
和 Operation.run() 方法代替
Session.run(). 這樣可以避免使用一個變數來持有會話.
# 進入一個互動式 TensorFlow 會話.
import tensorflow as tf
sess = tf.InteractiveSession()

x = tf.Variable([1.0, 2.0])
a = tf.constant([3.0, 3.0])

# 使用初始化器 initializer op 的 run() 方法初始化 'x'
x.initializer.run()

# 增加一個減法 sub op, 從 'x' 減去 'a'. 運行減法 op, 輸出結果
sub = tf.sub(x, a)
print sub.eval()
# ==> [-2. -1.]

Tensor

TensorFlow 程序使用 tensor 數據結構來代表所有的數據, 計算圖中, 操作間傳遞的數據都是 tensor.
你可以把 TensorFlow tensor 看作是一個 n 維的數組或列表. 一個 tensor 包含一個靜態類型 rank, 和
一個 shape. 想了解 TensorFlow 是如何處理這些概念的, 參見
Rank, Shape, 和 Type.

變數

Variables for more details.
變數維護圖執行過程中的狀態信息. 下面的例子演示了如何使用變數實現一個簡單的計數器. 參見
變數 章節了解更多細節.
# 創建一個變數, 初始化為標量 0.
state = tf.Variable(0, name="counter")

# 創建一個 op, 其作用是使 state 增加 1

one = tf.constant(1)
new_value = tf.add(state, one)
update = tf.assign(state, new_value)

# 啟動圖後, 變數必須先經過`初始化` (init) op 初始化,
# 首先必須增加一個`初始化` op 到圖中.
init_op = tf.initialize_all_variables()

# 啟動圖, 運行 op
with tf.Session() as sess:
# 運行 'init' op
sess.run(init_op)
# 列印 'state' 的初始值
print sess.run(state)
# 運行 op, 更新 'state', 並列印 'state'
for _ in range(3):
sess.run(update)
print sess.run(state)

# 輸出:

# 0
# 1
# 2
# 3

代碼中 assign() 操作是圖所描繪的表達式的一部分, 正如 add() 操作一樣. 所以在調用 run()
執行表達式之前, 它並不會真正執行賦值操作.

通常會將一個統計模型中的參數表示為一組變數. 例如, 你可以將一個神經網路的權重作為某個變數存儲在一個 tensor 中.
在訓練過程中, 通過重復運行訓練圖, 更新這個 tensor.

Fetch

為了取回操作的輸出內容, 可以在使用 Session 對象的 run() 調用 執行圖時, 傳入一些 tensor,
這些 tensor 會幫助你取回結果. 在之前的例子里, 我們只取回了單個節點 state, 但是你也可以取回多個
tensor:
input1 = tf.constant(3.0)
input2 = tf.constant(2.0)
input3 = tf.constant(5.0)
intermed = tf.add(input2, input3)
mul = tf.mul(input1, intermed)

with tf.Session() as sess:
result = sess.run([mul, intermed])
print result

# 輸出:
# [array([ 21.], dtype=float32), array([ 7.], dtype=float32)]

需要獲取的多個 tensor 值，在 op 的一次運行中一起獲得（而不是逐個去獲取 tensor）。

Feed

上述示例在計算圖中引入了 tensor, 以常量或變數的形式存儲. TensorFlow 還提供了 feed 機制, 該機制
可以臨時替代圖中的任意操作中的 tensor 可以對圖中任何操作提交補丁, 直接插入一個 tensor.

feed 使用一個 tensor 值臨時替換一個操作的輸出結果. 你可以提供 feed 數據作為 run() 調用的參數.
feed 只在調用它的方法內有效, 方法結束, feed 就會消失. 最常見的用例是將某些特殊的操作指定為 "feed" 操作,
標記的方法是使用 tf.placeholder() 為這些操作創建佔位符.

input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)
output = tf.mul(input1, input2)

with tf.Session() as sess:
print sess.run([output], feed_dict={input1:[7.], input2:[2.]})

# 輸出:
# [array([ 14.], dtype=float32)]

for a larger-scale example of feeds.
如果沒有正確提供 feed, placeholder() 操作將會產生錯誤.
MNIST 全連通 feed 教程
(source code)
給出了一個更大規模的使用 feed 的例子.

⑸ 關於cs模型的反編譯

建議樓主：1.用MS3D（milksharp3D），在上面的 工具→反恐精英（half-life）→編譯QC文件。 下載地址：（1）MS3D1.8.5{告別晴窗}漢化免殺版： http://ishare.iask.sina.com.cn/f/20208435.html （2）MS3D教程[MOD同盟社]阿威原創： http://ishare.iask.sina.com.cn/f/7577873.html2.用HLMV進行合並， 下載地址： hlmv1.3.5漢化版： http://ishare.iask.sina.com.cn/f/21089714.htm3.用單獨的維爾服exe程序合並武器，下載地址就不說了，這個不推薦。。。容易出錯。以上是可以進行模型編譯的軟體，都不大，個人推薦MS3D，因為萬一出錯，還可以查看錯在那一步。

⑹ caffe訓練出來的模型，進行分類測試

你想調用你的模型，最簡單的法是看examples/cpp_classification裡面的cpp文件，那是教你如何調用caffe獲取分類結果的…（你沒接觸過caffe的話，建議你直接按照這個文件來操作可能會比較簡單，下面我的代碼我也不知道沒接觸過caffe的人看起來難度會有多大）不過那個代碼我看著不太習慣，所以之前自己稍微寫了一個簡易的版本，不知道怎麼上傳附件，懶人一個就直接把代碼貼在最後了。先簡單解釋一下如何使用，把這個代碼復制到一個頭文件中，然後放在examples裡面一個自己創建的文件夾裡面，然後寫一個main函數調用這個類就可以了，比如：復制，保存到caffe/examples/myproject/net_operator.hpp，然後同目錄下寫一個main.cpp，在main函數裡面#include「net_operator.hpp」，就可以使用這個類了：conststringnet_prototxt=「…」;//你的網路的prototxt文件，用絕對路徑，下面同理conststringpre_trained_file=「…」;//你訓練好的。caffemodel文件conststringimg_path=「…」;//你要測試的圖片路徑//創建NetOperator對象NetOperatornet_operator（net_prototxt,pre_trained_file）；Blob*blob=net_operator.processImage（img_path）；//blob就得到了最後一層的輸出結果，至於blob裡面是怎麼存放數據的，你需要去看看對它的定義寫完main.cpp之後，到caffe目錄下，make，然後它會編譯你寫的文件，對應生成的可執行文件。比如按我上面寫的那樣，make之後就會在caffe/build/examples/myproject文件夾裡面生成一個main.bin，執行這個文件就可以了。因為生成的可執行文件並不是直接在代碼目錄下，所以前面我建議你寫的路徑用絕對路徑另外如果你要獲取的不是最後一層的輸出，你需要修改一下processImage函數的返回值，通過NetOperator的成員變數net_來獲取你需要的blob，比如有個blob名稱為「label」，你想獲取這個blob，可以通過net_->blob_by_name（「label」）來獲取，當然獲取到的是shared_ptr>類型的，搜一下boostshared_ptr就知道跟普通指針有什麼不同了好了，接下來是貼代碼了：#include#include#include#include#include#include#include#include#includeusingnamespacecaffe;//NOLINT（build/namespaces）usingstd::string;classNetOperator{public:NetOperator（conststringnet_prototxt）；NetOperator（conststringnet_prototxt,conststringtrained_file）；~NetOperator（）{}intbatch_size（）{returnbatch_size_;}Blob*processImage（conststringimg_path,boolis_color=true）；Blob*processImages（constvectorimg_paths,boolis_color=true）；private:voidcreateNet（conststringnet_prototxt）；//Blob（conststringimg_path,intidx=0,boolis_color=true）；shared_ptr>net_;cv::Sizeinput_geometry_;intbatch_size_;intnum_channels_;Blob*input_blob_;_param_;shared_ptr>data_transformer_;Blobtransformed_data_;};NetOperator::NetOperator（conststringnet_prototxt）{createNet（net_prototxt）；}NetOperator::NetOperator（conststringnet_prototxt,conststringtrained_file）{createNet（net_prototxt）；net_->CopyTrainedLayersFrom（trained_file）；}voidNetOperator::createNet（conststringnet_prototxt）{#ifdefCPU_ONLYCaffe::set_mode（Caffe::CPU）；#elseCaffe::set_mode（Caffe::GPU）；#endifnet_.reset（newNet（net_prototxt,TEST））；CHECK_EQ（net_->num_inputs（），1）《「.」;CHECK_EQ（net_->num_outputs（），1）《「.」;Blob*input_layer=net_->input_blobs（）[0];batch_size_=input_layer->num（）；num_channels_=input_layer->channels（）；CHECK（num_channels_==3||num_channels_==1）《「.」;input_geometry_=cv::Size（input_layer->width（），input_layer->height（））；//_shape（4）；top_shape[0]=1;top_shape[1]=num_channels_;top_shape[2]=input_geometry_.height;top_shape[3]=input_geometry_.width;this->transformed_data_.Reshape（top_shape）；}Blob*NetOperator::processImage（conststringimg_path,boolis_color）{//reshapethenetfortheinputinput_blob_=net_->input_blobs（）[0];input_blob_->Reshape（1,num_channels_,input_geometry_.height,input_geometry_.width）；net_->Reshape（）；readImageToBlob（img_path,0,is_color）；net_->ForwardPrefilled（）；returnnet_->output_blobs（）[0];}Blob*NetOperator::processImages（constvectorimg_paths,boolis_color）{intimg_num=img_paths.size（）；//reshapethenetfortheinputinput_blob_=net_->input_blobs（）[0];input_blob_->Reshape（img_num,num_channels_,input_geometry_.height,input_geometry_.width）；net_->Reshape（）；for（inti=0;iForwardPrefilled（）；returnnet_->output_blobs（）[0];}voidNetOperator::readImageToBlob（conststringimg_path,intidx,boolis_color）{//::Matimg;intcv_read_flag=（is_color?CV_LOAD_IMAGE_COLOR:CV_LOAD_IMAGE_GRAYSCALE）；cv::Matcv_img_origin=cv::imread（img_path,cv_read_flag）；if（！cv_img_origin.data）{LOG（ERROR）《「Couldnotopenorfindfile」《img_path;return;}if（input_geometry_.height>0input_geometry_.width>0）{cv::resize（cv_img_origin,img,input_geometry_）；}else{img=cv_img_origin;}////（notransformation）data_transformer_.reset（newDataTransformer（transform_param_,TEST））；data_transformer_->InitRand（）；//=input_blob_->offset（idx）；this->transformed_data_.set_cpu_data（input_blob_->mutable_cpu_data（）+offset）；//transformtheinputimagedata_transformer_->Transform（img,（this->transformed_data_））；}

⑺ tensorflow訓練好的模型，怎麼調用

調用時，代碼如下:

y即為輸出的結果。

github傳送門：SymphonyPy/Valified_Code_Classify

一個識別非常簡單的驗證碼的程序