1. np.c[a, b] 将列表或者数据进行合并，我们也可以使用np.concatenate参数说明：a和b表示输入的列表数据2.np.linspace(0, 1, N) # 将0和1之间的数分成N份参数说明：0表示起始数据，1表示末尾数据，N表示生成的分数3.xx, yy = np.meshgrid(np.arange(x.min(), x.max(), N), np.arange
简单的分类任务importtensorflowastffromtensorflow.examples.tutorials.mnistimportinput_datamnist=input_data.read_data_sets('data/',one_hot=True)#tobeabletorerunthemodelwithoutoverwritingtfvariablestf.reset_def
原创
2019-07-03 16:25:53
685阅读
研一上对CNN学习过一段时间，现在要用到论文里面，所以对此进行复习。 附上链接：http://cs231n.github.io/convolutional-networks/#case普通神经网络的参数太多，所以要使用卷积神经网络，其次因为卷积神经网络输入是图片，是三维结构，每一过程都是三维结构。 使用Relu的作用：Relu是一个激活函数，使用它可以让模型实现非线性分类。使用Local Resp
转载
2024-04-01 08:23:21
68阅读
1.生成R_net数据集，并喂入R_net网络训练为了提高R_net数据的质量，我们的R_net数据集会通过P_net精炼一下。把回归框中对应的图片从原理图片中crop出来，resize生成24*24的大小。运行P_Net，得到每个回归框的分类得分和坐标的回归值。P_Net中推理出来的 bounding box 坐标可能超出元素图片的大小，这时候需要做图片处理，把坐标值限定在元素图片内，而空出来的
转载
2024-03-31 20:23:59
56阅读
目录 一 机器学习，深度学习能做什么二 机器学习的定义三 机器学习算法分类分类，回归的区别：分类，回归问题的共同点： 线性回归线性回归的损失（损失函数/cost/成本函数）四 深度学习中超参数的介绍：1什么是超参数，参数和超参数的区别：2神经网络中包含哪些超参数：3为什么要进行超参数调优：4超参数上的重要顺序：1）学习率，损失函数上的可调参数：在网络参数、优化参数、正
转载
2024-03-22 14:00:26
79阅读
0510 RNN的东西不会去忘记，直接一串子全部保留下来 Lstm 长短时记忆 可以控制这个参数也是需要去训练 逐渐优化 得到的门单元ft 遗忘门 it 保留门输入经过了一个遗忘门，经过了一个保留门选择性的遗忘和保留 是随时更新ct的状态的 从开始更新到结束 Classification and Location 分类与
转载
2024-03-17 10:41:27
142阅读
Introduce之前，对于卷积神经网络(CNN)只停留在理论层面，基本专业术语（卷积层、池化层等），最多计算卷积后的值之类的。from tensorflow.examples.tutorials.mnist import input_data
import tensorflow as tf
mnist = input_data.read_data_sets("MNIST_data/",
转载
2024-02-19 11:15:43
108阅读
简介： CNN(卷积神经网络）是一种特殊的对图像识别的方式，属于非常有效的带有前向反馈的网络N主要用于对二维图像的识别，它的网络结构对平移、比例放缩、倾斜或其他的变形具有高度不变性。因为，每层关注的特征不一样，贴近原图的，关注像素级别的，而经过多次特征提取后，关联型、序列型或结构化等类型的特征（如拓扑结构）被提取出来，其一致性与事物本身的
转载
2024-03-15 11:13:26
29阅读
一、概述
卷积神经网络（Convolutional Neural Network, CNN）是一种深层神经网络模型。它的特殊性体现在两个方面：
a.相邻层
的神经元之间的连接是非全连接的
b.同一层中某些神经元之间的连接的权重是共享的
c.空间或时间上的采样
前馈神经网络，各神经元从输入层开始，接收前一级输入，并输出到下一级，直至输出层。整个网络中无
转载
2024-04-08 10:38:57
125阅读
上一篇文章我们讲了TensorFlow的一些基本用法，这次我们来写一个简单的例子非线性回归模型先贴上生成的模型图首先我们要生成一些样本点x_data = np.linspace(-0.5, 0.5, 200)[:, np.newaxis] # 生成200个随机点
noise = np.random.normal(0, 0.02, x_date.shape) # 生成一些干扰项
y_data =
转载
2024-04-05 09:46:24
50阅读
环境配置win10Python 3.6tensorflow1.15scipymatplotlib (运行时可能会遇到module tkinter的问题)sklearn 一个基于Python的第三方模块。sklearn库集成了一些常用的机器学习方法。 代码实现import matplotlib.pyplot as plt
import numpy as np
import ten
转载
2024-03-22 21:50:22
38阅读
引言算法在工程中的应用越来越广泛，tensorflow在工业界大放异彩。笔者的项目也使用了LSTM算法的预测能力，大大降低了运用的成本，提高了运营效率。为了体验tensorflow的开发模式，笔者使用tensorflow实现了一个基于LSTM算法的预测实例，与大家分享。LSTM的前世今生在LSTM之前，我们先介绍另一个如雷贯耳的名词RNN(Recurrent Neural Networks)，中文
转载
2024-03-27 11:13:24
8阅读
前言本文大致分成两大部分，第一部分尝试将本文涉及的分类器统一到神经元类模型中，第二部分阐述卷积神经网络（CNN）的发展简述和目前的相关工作。本文涉及的分类器（分类方法）有：线性回归逻辑回归（即神经元模型）神经网络（NN）支持向量机（SVM）卷积神经网络（CNN）从神经元的角度来看，上述分类器都可以看成神经元的一部分或者神经元组成的网络结构。各分类器简述逻辑回归说逻辑回归之前需要简述一下线性回归。图
转载
2023-12-12 15:31:14
429阅读
目录 迁移学习与物体定位监测迁移学习物体定位&检测滑动窗口-overfeatRCNNfast R-CNNSSD物体分割 & 语义分割迁移学习与物体定位监测能否将目标检测当成回归问题？对于不同的图片输出的多个对象的边界框，可能输出4个边界框也可能输出8个边界框，输出的数量不固定，所以无法当成是回归问题。迁移学习在实践中，由于很少有足够大的数据集，所以很少有人会选择
转载
2024-04-05 10:38:11
90阅读
最近在学习 Hands-On Mathine Learning with Scikit_learn & TensorFlow，所以资料代码来源于本书chaper 10 学习这本书的好处在于都是讲基础，但是本书给了一个完整的设计流程，其中包含很多参考文献。 下面先上代码， 1、导入TensorFlow和加载数据集import tensorflow as tf
import numpy a
转载
2024-09-17 12:16:08
28阅读
一、概论 以图像识别来举例，比如我们让计算机如何识别一张猫的图片识别出猫呢？ 老式的计算机视觉是如何做的呢？ 比如OpenCV： 首先理解很多算法，比如如何检测线条（Edge Detection) 如何做形态学变化等 根据我们的知识， 经验， 脑洞来设计很多特征； 用这些特征去比对一张图像是不是猫。
转载
2017-09-30 10:10:00
270阅读
2评论
在这一篇博客中大概讲一下用tensorflow如何实现一个简单的线性回归模型，其中就可能涉及到一些tensorflow的基本概念和操作，然后因为我只是入门了点tensorflow，所以我只能对部分代码给出相关的tensorflow的概念。线性回归模型的表达式如下：其中，是权重，是偏置，和则是输入数据和对应的模型预测值。在tensorflow中，是用图来表示计算的形式的，图中的每个节点称为一个op(
转载
2024-08-22 10:41:10
56阅读
可以从一个基本的例子对其进行解释。比如，我们可以在卷积神经网络（CNN）的最终卷积（conv）特征图上添加一个回归头。回归头可以是具有四个输出（x，y，w，h）的浅层全连接神经网络（NN）。一般来说，回归头可以使用基于梯度的算法进行优化，达到获取待检测对象位置的目的。 但是使用回归头有一个极大的限制，就是当图像中只有一个对象时才管用。如果场景中有两个或多个对象，则可能会干扰边界框的回归，因为每个对
转载
2024-05-07 09:42:11
52阅读
本文就R-CNN论文精读中 的预测框回归（Bounding box regression）问题进行详细讨论。R-CNN将候选框提取出来的特征向量，进行分类+偏移预测的并行处理。 偏移预测即预测框回归（Bounding box regression）问题，我们需要将生成的候选框进行位置、大小的微调。（图摘自b站up“同济子豪兄”的R-CNN论文解读） 我们需要思考这样一个问题：为什么加入这一个Reg
转载
2023-12-15 11:56:57
153阅读
本文讲的是【译】如何应对 CNN 中的过拟合问题， 摘要：理解神经卷积网络、欠拟合 & 过拟合、批量归一化什么是卷积、最大池化和 Dropout？ 数据增强（Data augmentation） 欢迎来到本系列教程的第三部分的学习！这周我会讲解一些卷积神经网络（Convolutional Neural Network, CNN）的内容并且讨论如何解决欠拟合和过拟合。一、卷积（
转载
2024-08-12 12:00:40
28阅读
