1- 准备工作：需要预先安装的环境：
numpy
matplotlib
h5py
PIL 和scipy dnn_app_utils是自定义的函数列表，该函数在上一次的作业中（Building your Deep Neural Network: Step by Step）有使用到。np.random.seed(1) 是为了确保所有的随机函数在调用的时候具有一致性。环境测试：import tim
如何将项目上传到GitHub？1、注册GitHub账户浏览器输入GitHub官网地址：https://github.com/
进入后点击Sign In然后点击Create an account然后输入用户名、密码、邮箱等信息，用户名一定要简短好记，因为这个用户名关系到以后你的个性域名。按照系统提示，一步步将信息填写完毕后就OK了，如果中途遇到问题，可以复制提示信息到百度翻译查一下。此后遇到类似问题
转载
2024-06-08 17:01:50
19阅读
记录学习图像分类神经网络的学习笔记第一步：导入所需要的库import os
import matplotlib.pyplot as plt
%matplotlib inline
import numpy as np
import torch
from torch import nn
import torch.optim as optim
import torchvision
#pip instal
Git属于分散型版本管理系统
版本管理就是管理更新的历史记录，他能回退到特定阶段，恢复误删除的文件等。
集中型与分散型
集中型：
如图2.1以 svn 为代表的集中型，集中型将所有数据集中存放在服务器之中，所以只存在一个仓库。这样是有便于管理的优点。但是一旦开发者所处的环境不能连接服务器，就无法获取最新的源代码，开发也就几乎无法进行。
前言 医学领域的数据集具有标注样本少、图像非自然的特点，transformer已经证明了在自然图像领域下的成功，而能否应用于医学领域等少量标注样本的非自然图像领域呢？本文研究比较了CNN和ViTs在三种不同初始化策略下在医学图像任务中的表现，研究了自监督预训练对医学图像领域的影响，并得出了三个结论。代码：https://github.com/ChrisMats/medical
GoogLeNet是在2014年由Google团队提出的，获得了当年ImageNet比赛中分类任务的第一名，也就是和VGG是同一年提出的，在ImageNet比赛中都获得了很好的成绩。GoogLeNet的网络结构比较复杂，具体的结构可以参考原论文，论文名字是：Going Deeper with Convolutions。 搭建模型：import torch.nn as nn
import torch
转载
2024-10-21 08:23:04
64阅读
本文假设你已经拥有一个github账户1，下载github for windows客户端 https://windows.github.com/ 2，安装好后，启动图形界面。3，如果你已经在github创建了一个仓库，请从9开始看。4，填写在github上注册的邮箱和用户名，登陆。5，登陆后会展示如下所示的窗口：根据途中标注的one，two，three，four进行操作创建一个本地仓库。6，创建
转载
2024-10-12 19:32:22
49阅读
在复合视频信号里，彩色信息与灰度信息共享一个带宽，一个正弦波幅度和相位的变化，代表传输图像的色度信息，如图1所示。因此，为了正确地显示图像，必须分离灰度和色度信息。图1 在复合视频信号里，灰度和色度信息共享一样的频谱范围如果不能正确地分离灰度和色度，显示的图像就会质量很差，如图2所示。图2 如果不进行灰度和色度的分离图像质量会非常低使用简单的陷波滤波器或者带通滤波器显然不能很好地分离灰度和亮度，如
1.内存泄露问题尽管内存泄露的原理和解决办法很简单，但是还是有很多人会不自觉的写出内存泄露的程序来，尽管有时候他们的程序并没有运行足够的时间来让他们或客户发现问题，但是了解如何有效的避免内存泄露总是不错的。一般来说，内存泄露主要是由于申请了相应的资源，但是使用它以后并没有释放。如果只是简单地程序，那很容易避免内存泄露的问题，但是如果，在一个程序中同一个指针
转载
2024-09-18 09:33:26
9阅读
在本教程中，我们将介绍一个有点简单但是有效的方法，仅需非常少的训练样本 —— 只要你想要识别的那些类中几百或几千张图片，你就可以用它来构建一个强大的图像分类器。我们将经历下面过程：从无到有训练一个小型网络(作为基线)使用预先训练的网络的瓶颈特征微调预先训练的网络的顶层这将让我们涵盖以下的Keras特征：用于使用Python数据生成器训练Keras模型的fit_generator用于实时数据增强的I
一、图像分类图像分类是根据图像的语义信息对不同类别图像进行区分，是计算机视觉中重要的基础问题，是物体检测、图像分割、物体跟踪、行为分析、人脸识别等其他高层视觉任务的基础。图像分类在许多领域都有着广泛的应用。如：安防领域的人脸识别和智能视频分析等，交通领域的交通场景识别，互联网领域基于内容的图像检索和相册自动归类，医学领域的图像识别等。得益于深度学习的推动，图像分类的准确率大幅度提升。在经典的数据集
转载
2024-05-13 09:30:51
430阅读
项目介绍该项目是JDAI开源的基于PyTorch的人脸识别工具箱，提供了一个包括目前主流backbone和head的的training module，一个标准化的人脸识别evaluation module，一个简单但是功能齐全的SDK，以及一系列的addition module。项目地址：【 https://github.com/JDAI-CV/FaceX-Zoo 】论文地址：【 htt
深度学习模型训练时通常都需要大量的训练集，我们在做图像相关的应用时同样需要进行图像数据增加，下面我将给大家总结10种图像数据增强常用的方式1、水平翻转 随机的对图片进行水平翻转，这个参数适用于水平翻转不影响图片语义的时候。2、竖直翻转 随机的对图片进行竖直翻转，这个参数适用于竖直翻转不影响图片语义的时候。3、随机翻转角度 设置一个0~180的度数，用来指定随机旋转图片的角度。4、随机水平平移 用来
转载
2024-05-02 16:44:53
123阅读
学会了最简单的在GitHub上上传项目和展示项目，怕自己会忘记所以还是先记录下了来。GitHub 是一个共享虚拟主机服务，用于存放使用Git版本控制的软件代码和内容项目。它由GitHub公司（曾称Logical Awesome）的开发者Chris Wanstrath、PJ Hyett和Tom Preston-Werner使用Ruby on
转载
2024-03-20 17:40:43
54阅读
最后来看看canny算子，这个是被成为最好的算子，因为过程多，有准测，后面会列出来，也是边缘检测的最后一个，所以这里作为结尾，来看看各个边缘检测的效果。边缘检测结果比较Roberts算子检测方法对具有陡峭的低噪声的图像处理效果较好，但是利用roberts算子提取边缘的结果是边缘比较粗，因此边缘的定位不是很准确。Sobel算子检测
如何用Pytorch包处理数据 常用的：对于图像，可以用 Pillow，OpenCV对于语音，可以用 scipy，librosa对于文本，可以直接用 Python 或 Cython 基础数据加载模块，或者用 NLTK 和 SpaCy 对于视觉处理，常用torchvision包处理数据集，其包括Imagenet，CIFAR10，MNIST 等公共数据集的数据加载模块 torchvision.data
转载
2024-07-09 16:12:32
25阅读
公众号ID｜C
转载
2024-06-05 11:43:03
305阅读
目录图像分类1 CIFAR-10数据集2 卷积神经网络（CNN）3 CNN结构的演化4 AlexNet网络5 Network-in-Network网络5.1 1x1卷积6 全局平均池化7 GoogLeNet7.1 Inception V1网络7.2 Inception V2网络7.3 Inception V3网络7.4 Inception V4网络8 总结一下Inception 图像分类判断图片
转载
2024-04-07 08:51:17
158阅读
除了在命令行中输入特定的命令，另外一种方式就是用第三方的可视化工具，比如Mac下的Tower,这里重点讲一下Tower的使用。 1.下载安装Tower 下载地址：http://www.git-tower.com/试用版是30天的，而正式版的价格是$59美刀，考虑到它非常方便易用，还是可以买下来的。下载完成后打开Tower。 2.创建当地Repository
深度学习之图像分类（十七）Transformer中Self-Attention以及Multi-Head Attention详解 目录深度学习之图像分类（十七）Transformer中Self-Attention以及Multi-Head Attention详解1. 前言2. Self-Attention3. Multi-head Self-Attention3. Positional Encodin
转载
2024-03-22 16:05:19
76阅读
