[Python实验 ] tensorflow

问题及解决

 1、※ModuleNotFoundError: No module named 'cv2'  解决方案√

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple opencv-python

2、ModuleNotFoundError: No module named 'luminoth' 解决方案=>

ERROR: Cannot uninstall 'PyYAML'. It is a distutils installed project and thus we cannot accurately determine which files belong to it which would lead to only a partial uninstall. 解决方案 =>

pip install --ignore-installed luminoth

Luminoth requires a TensorFlow >= 1.5 installation.   Depending on your use case, you should install either `tensorflow` or `tensorflow-gpu` packages manually or via PyPI.装tensorflow =>

ModuleNotFoundError: No module named 'keras' 解决方案 =>

python -m pip install keras

ImportError: cannot import name 'get_config' from 'tensorflow.python.eager.context' 问题

tensorflow和keras版本不对应 =>tensorflow版本、  、二者版本对应1|对应2、

pip install 包名称==版本号 => tensorflow.python.framework.errors_impl.AlreadyExistsError: Another metric with the same name already exists.pip install 包名称==版本号 还是二者版本不对应问题

 注意：interpreter 中有version和latest version，自己实际安装的版本是version所显示的

pip install tensorflow==2.6.0
pip install keras==2.6.0

tf1和tf2有区别、累了 毁灭吧 安装python3.6吧 ↓ 有效

四种python interpreter及配置★

3、Unresolved reference 'read_image' 、Unresolved reference 'vis_objects'、Unresolved reference 'Detector' 

Unresolved reference问题

tensorflow读图片三种方式、

4、尴尬现状：2.6.0出现tf中无contrib、1.14.0出现checkpoint问题 

tf2.0砍了contrib、keras解决×、contrib解决思路、、、  

API-tf.nn/layers/contrib、

知识

从Pipenv到Luminoth，2017十大ML-Python库：Pipenv、PyTorch、Caffe2、Pendulum、Dash、PyFlux、Fire、imbalanced-learn、FlashText、Luminoth || PyVips、Requestium 、skorch等。

Luminoth 是用于计算机视觉的开源 Python 工具包，它使用 TensorFlow 和 Sonnet 构建，且目前支持 Faster R-CNN 等目标检测方法。此外，Luminoth 不仅仅是一个特定模型的实现，它的构建基于模块化和可扩展，因此我们可以直接定制现有的部分或使用新的模型来扩展它而处理不同的问题，即尽可能对代码进行复用。

TensorFlow：入门详解/教程、是什么:在TensorFlow所有的数据都是一个n维的数组，只是我们给它起了个名字叫做张量(Tensor)、

深度学习中train/val/test：说明val是validation的简称，training dataset 和 validation dataset都是在训练的时候起作用。因为validation数据集和training没有交集，所以这部分数据对最终训练出的模型没有贡献。validation的主要作用是来验证是否过拟合、以及用来调节训练参数等。||  交叉验证★：尝试利用不同的训练集/验证集划分来对模型做多组不同的训练/验证，来应对单独测试结果过于片面以及训练数据不足的问题(就像通过多次考试，才通知哪些学生是比较牛的) 。做法就是将数据集粗略地分为比较均等不相交的k份，然后取其中的一份进行测试，另外的k-1份进行训练，然后求得error的平均值作为最终的评价。通常建议K=10 ||      

​