但发现vgg16是训练好的模型，拿来直接用太没水平，于是网上发现说可以用vgg16进行迁移学习。我理解的迁移学习：迁移学习符合人们学习的过程，如果要学习一样新东西，我们肯定会运用或是借鉴之前的学习经验，这样能够快速的把握要点，能够快速的学习。迁移学习也是如此。vgg16模型是前人训练出的能够识别1000种物品的模型，而且识别率很高，它的模型如图：可以数出绿色的模块一共有16层，通过多层的卷积和池化
在Windows上调试TensorFlow 2.0 中文手写字识别（汉字OCR）一、环境的搭建 Windows+1080Ti+Cuda10.1 Tsorflow2.0.0 Numpy1.16.4 注意：这里tensorflow和numpy的版本一定不能错，要不然后面会有意想不到的bug！！二、数据的准备 数据全部来自于CASIA的开源中文手写字数据集，该数据集分为两部分： CASIA-HWDB：离
目录概要源码分析Python 梯度API gradients核心函数_GradientsHelper反向传播梯度计算过程示意概要深度学习框架比如Tensorflow能够对深度学习领域起到巨大推动作用的一个重要Feature就是自动反向传播更新梯度，文章 链接 对几种不同类型的微分做了很详细的图文说明，值得一看。本文基于Google 官Tensorflow_r1.15 版本对求解梯度（微分
TensorFlow 训练 Mask R-CNN 模型 公输睚信 关注 0.9 2018.08.25 20:50* 字数 2403 阅读 14401评论 104喜欢 34 前面的文章 TensorFlow 训练自己的目标检测器 
Skeleton Aware Multi-modal Sign Language Recognition解读摘要1. 简介2. Related Work2.1 Sign Language Recognition (SLR)2.2 Skeleton Based Action Recognition2.3 Multi-modal Approach3. 方法3.1 SL-GCN3.1.1 Graph的
在eager问世之前（eager在2017.10发布，大概对应版本TensorFlow 1.4，但当前官方建议使用TensorFlow 1.8或以上版本运行eager），TensorFlow一直采用的是静态图机制，其实直到现在TensorFlow的静态图依然大行其道。本文就来介绍一下TensorFlow的静态图机制。何为静态图/动态图？静态图是指在图构建完成后，在模型运行时无法进行修改。这里的“图
1. 预备工具1.1 说明 编译过程有点坑，而且耗时，如果不是必须要编译的话，可以去 https://github.com/fo40225/tensorflow-windows-wheel 下载,有现成的轮子。测试代码可以参考 https://github.com/ksachdeva/tensorflow-cc-examples 和 https://github.com/aljabr0/from
TensorFlow程序读取数据一共有3种方法:供给数据(Feeding)： 在TensorFlow程序运行的每一步， 让Python代码来供给数据。 从文件读取数据： 在TensorFlow图的起始， 让一个输入管线从文件中读取数据。 预加载数据： 在TensorFlow图中定义常量或变量来保存所有数据(仅适用于数据量比较小的情况)。使用Tensorflow训练神经网络模型，首先要读取数据，
一、什么是TensorFlow？ TensorFlow是全面的深度学习框架支持非常全面不是专门为客户端设计特点：1、真正的可移植性： 引入各种计算设备的支持包括CPU/GPU/TPU，以及能够很好地运行在移动端， 如安卓设备、ios、树莓派等等 2、多语言支持： Tensorflow 有一个合理的c++使用界面，也有一个易用的python使用界面来构建和 执行你的graphs，你可以直接写pyt
TensorFlow提供了一些常用的图像处理接口，可以让我们方便的对图像数据进行操作，以下首先给出一段显示原始图片的代码，然后在此基础上，实践TensorFlow的不同API。显示原始图片1 import matplotlib.pyplot as plt
2 import tensorflow as tf
3
4 raw_data = tf.gfile.FastGFile('./new.jpg'
眼看千遍，不如手动一遍，看了原文再手动整理一遍，代码实际操作一遍，加深理解。相当于高中时做的笔记了。tf.nn.dynamic_rnn 函数是tensorflow封装的用来实现递归神经网络（RNN）的函数，本文会重点讨论一下tf.nn.dynamic_rnn 函数的参数及返回值。首先来看一下该函数定义：tf.nn.dynamic_rnn(
cell,
inputs,
seq
本文介绍如何使用TensorFlow来读取图片数据，主要介绍写入TFRecord文件再读取和直接使用队列来读取两种方式。假设我们图片目录结构如下：|---a
| |---1.jpg
| |---2.jpg
| |---3.jpg
|
|---b
| |---1.jpg
| |---2.jpg
| |---3.jpg
|
|---c
| |---1.jpg
| |--
目录1 项目介绍1.1 项目功能1.2 评估指标2 数据集介绍2.1 数据特征3 数据的预处理3.1 数据增强3.2 倾斜矫正3.3 去横线3.4 文本区域定位4 网络结构5 OCR实现ocr_generated.pyocr_forward.pyocr_backward.pyocr_test.py相关笔记 1 项目介绍1.1 项目功能视频讲解 （1）项目功能：英文手写识别，如输入数据为手写英文作
一、数据集准备本篇文章使用数千张花卉照片作为数据集，共分为5个分类：雏菊（daisy）、蒲公英（dandelion）、玫瑰（roses）、向日葵（sunflowers）、郁金香（tulips） ，数据集下载地址：https://storage.googleapis.com/download.tensorflow.org/example_images/flower_photos.tgz每个分类的图片
tensorflow中存在许多内置的模型，可以用来进行图片的识别。下面将介绍一下使用object_detection进行物体识别需要的环境。配置环境：1. 通过proto将对应的.proto文件变成.py文件。2. 首先将tensorflow_slim模块加入到环境变量中，然后打开cmd窗口，输入python, 然后输入import slim 若是不报错则证明可以环境已经导入3. 在o
本篇文章主要是利用tensorflow来构建卷积神经网络，利用CIFAR-10数据集来实现图片的分类。数据集主要包括10类不同的图片，一共有60000张图片，50000张图片作为训练集，10000张图片作为测试集，每张图片的大小为32×32×3(彩色图片)。在构建CIFAR-10卷积神经网络中，采用了几个trick，对权重进行正则化、数据增强、和LRN层来提高模型的性能和泛化能力。一、下载数据通过
引言 Tensorflow的数据读取有三种方式：Preloaded data: 预加载数据Feeding: Python产生数据，再把数据喂给后端。Reading from file: 从文件中直接读取 这三种有读取方式有什么区别呢？ 我们首先要知道TensorFlow(TF)是怎么样工作的。 TF的核心是用C++写的，这样的好处是运行快，缺点是调用不灵活。而Python恰好相反，所以结合两种语
文件写入与读取 tensorflow程序读取数据一种3中方法供给数据(feeding)：在tensorflow程序运行的每一步，让python代码供给数据从文件读取数据：在tensorflow图的起始，让一个输入管道从文件中读取数据预加载数据：在tensorflow图中定义常量或变量来保存所有数据（仅适用于数据量比较小的情况）1.预加载数据：import tensorflow as tf
x1=
# Tensorflow2.0### 1.张量(Tensor)张量（Tensor）:多维数组（列表） 阶：张量的维数张量可以表示0阶到N阶数组（列表）#### - 数据类型1.√tf.int,tf.float……tf.int32,tf.float32,tf.float642.√tf.booltf.constant([True,False])3.√tf.stringtf.constant(“hel
1、第一种方式通过占位符feed_dict的方式读入；2、通过dataset的方式读入：1）导入数据：从一些数据中创建一个Dataset实例；2）创建一个迭代器：通过使用创建的数据集来制作一个迭代器实例迭代遍历数据集；3）使用数据：通过使用创建的迭代器，我们可以得到数据集的元素馈送给模型；1 从numpy导入数据常见的情况下，我们有一个numpy数组，我们想通过它传送到tensorflow。 #
