with tf.Session() as sess: sess.run(init) saver = tf.train.Saver() train_writer = tf.summary.FileWriter(log_dir+'/train',sess.graph) test_writer = tf.summary.FileWriter(log_dir+'/test') step = 1 coord = tf.train.Coordinator() threads = tf.train.start_queue_runners(sess, coord) print('doing1') # Keep training until reach max iterations try: while step * batch_size <= training_iters: # print('doing2') batch_xs, batch_ys = sess.run([hrrp_batch, label_batch]) # print(batch_xs.shape) # print(batch_ys.shape) # 获取批数据 sess.run(optimizer, feed_dict={x: batch_xs, y: batch_ys, keep_prob: dropout}) if step % display_step == 0: summary= sess.run(merged, feed_dict={x: batch_xs, y: batch_ys, keep_prob: 1.}) test_writer.add_summary(summary, step) # 计算精度 acc = sess.run(accuracy, feed_dict={x: batch_xs, y: batch_ys, keep_prob: 1.}) # 计算损失值 loss = sess.run(cost, feed_dict={x: batch_xs, y: batch_ys, keep_prob: 1.}) 所选择的特征是

在这段代码中，没有涉及到特征的选择。这段代码是用于在 TensorFlow 中训练一个神经网络模型的。在这段代码中，使用了一个数据队列来读取数据，其中 hrrp_batch 和 label_batch 是从数据队列中读取的批量数据。然后，使用 sess.run() 函数来运行优化器，从而通过反向传播算法来更新模型参数。在每个训练步骤中，使用 sess.run() 函数来计算模型的精度和损失值，并使用 tf.summary.FileWriter() 函数来将结果写入 TensorBoard 日志文件中。总的来说，这段代码是用于训练神经网络模型的，而特征的选择通常是在数据预处理和特征工程中进行的。

相关问题

with tf.Session() as sess: saver = tf.train.import_meta_graph('my-model-1000.meta') saver.restore(sess,tf.train.latest_checkpoint('./'))这两句代码的含义？

这两句代码是 TensorFlow 中用于加载保存的模型的语句。第一行代码开启了一个 Tensorflow 会话，第二行代码加载了一个 meta graph 文件（即以 .meta 结尾的文件），表示导入计算图的结构。第三行代码调用了 saver.restore 方法，将已经保存的模型的参数加载到计算图中来。最后一个参数（'./'）表示保存的模型的路径。

init = tf.global_variables_initializer() saver = tf.train.Saver() sess = tf.Session() sess.run(init)

这段代码实现了TensorFlow的模型初始化和保存。

首先，它使用tf.global_variables_initializer()函数初始化所有的全局变量。这个函数会返回一个操作（operation），用于初始化所有的全局变量。在这里，我们将这个操作称为"init"。

然后，它使用tf.train.Saver()函数创建一个Saver对象。这个对象用于保存和恢复TensorFlow模型的变量。

接着，它使用tf.Session()函数创建一个Session对象。这个对象是TensorFlow的核心执行引擎，用于执行计算图中的操作。

最后，它使用sess.run()函数执行"init"操作，以初始化所有的全局变量。同时，通过Saver对象，它可以将模型的变量保存到磁盘中，以便在之后的训练和预测中使用。