init_graph

tflearn.config.init_graph (seed=None, log_device=False, num_cores=0, gpu_memory_fraction=0, soft_placement=True)

使用特定参数初始化图形。

参数

seed: int。设置图形随机种子。
log_device: bool。是否记录设备位置。
num_cores: 要使用的 CPU 核心数。默认值：全部。
gpu_memory_fraction: 介于 0 和 1 之间的值，表示为每个进程预先分配的可用 GPU 内存的比例。1 表示预先分配所有 GPU 内存，0.5 表示进程分配约 50% 的可用 GPU 内存。默认值：使用所有可用的 GPU 内存。
soft_placement: bool。是否允许软放置。如果为 true，则在以下情况下，操作将放置在 CPU 上：1. 该操作没有 GPU 实现 - 或 2. 没有已知或已注册的 GPU 设备 - 或 3. 需要与来自 CPU 的 reftype 输入共置。

is_training

tflearn.config.is_training (is_training=False, session=None)

设置图形训练模式。

这旨在用于控制在训练和测试时具有不同输出的操作，例如 dropout 或批归一化。

示例

>> # Retrieve variable responsible for managing training mode
>> training_mode = tflearn.get_training_mode()
>> # Define a conditional op
>> my_conditional_op = tf.cond(training_mode, if_yes_op, if_no_op)
>> # Set training mode to True
>> tflearn.is_training(True)
>> session.run(my_conditional_op)
if_yes_op
>> # Set training mode to False
>> tflearn.is_training(False)
>> session.run(my_conditional_op)
if_no_op

返回值

一个 bool 值，如果正在训练则为 True，否则为 False。

get_training_mode

tflearn.config.get_training_mode ()

返回用于设置训练模式的变量。

返回值

一个 Variable，训练模式持有者。