写在最前能有如此方便的，避免走弯路的，深度学习环境配置教程，首先要感谢实验室颜神@stary_yan 与进神的配置指南。然后在他们的基础上再将其细化修改，变得更加清晰。哪怕你和我一样都是命令行小白，只要有一台带GPU的电脑，也能配置出自己的GPU版的Tensorflow+Keras环境，来跑深度学习代码。准备材料敏捷的手指对深度学习的热情一台Win10的带GPU的电脑（要联网）所需要的文件的百度网
转载
2024-04-17 15:10:48
102阅读
最近在做一个鉴黄的项目，数据量比较大，有几百个G，一次性加入内存再去训练模青型是不现实的。 查阅资料发现keras中可以用两种方法解决，一是将数据转为tfrecord，但转换后数据大小会方法不好；另外一种就是利用generator，先一次加入所有数据的路径，然后每个batch的读入 参考：https
原创
2022-01-17 16:06:48
1081阅读
对于keras加载训练数据，官方上没有详说。然而网上查各种资料，写法太多，通过自己跑代码测试总结以下几条，方便自己以后使用。总的来说keras模型加载数据主要有三种方式：.fit(), .fit_generator()和.train_on_batch()。1.fit():上函数，各个参数的意义就不解释了fit(x=None, y=None, batch_size=None, epochs=1, v
1.概述由于一般GPU的显存只有11G左右，(土豪误入)，采用多主机分布式训练是非常有必要的；折腾了几天，按照谷歌的教程，终于搞清楚了，给大家梳理一下：参考：https://tensorflow.google.cn/tutorials/distribute/multi_worker_with_keras?hl=be2.配置首先，设置 TensorFlow 和必要的导入。import osfrom
转载
2024-04-20 22:33:00
74阅读
Keras是我最喜欢的Python深度学习框架，特别是在图像分类领域。我在很多地方都使用到了Keras，包括生产系统、我自己的深度学习项目，以及PyImageSearch博客。我的新书“基于Keras的深度学习计算机视觉”有三分之二的篇幅都跟这个框架有关。然而，在该框架过程中遇到的最大的一个问题就是执行多GPU训练。但是，这个问题将不复存在！随着Keras（v2.0.8）最新版本的发布，使用多GP
1 需要的环境配置Anaconda环境，Anaconda安装教程
CUDA，CUDA下载，这里需要注意CUDA、cuDNN、tensorflow的对应版本，对应版本查询
cuDNN，cuDNN下载，这里需要注册tensorflow-gpukeras2 CUDA安装与配置进入CUDA下载页面选择对应的CUDA版本： 选择一个需要下载的版本，然后选择系统以及安装方式进行安装。 2.1 这里以本地安装（
本机环境： Anaconda TensorFlow2.1.0 - CPU Ubuntu18.04 Python3.7任务描述： 以上环境下使用tf.Keras搭建CNN，使用Keras Applications内置预训练模块VGG16（不使用自带fc层）；对源数据进行数据增强方案及报错解决： 1）希望引入VGG系列网络提升网络性能，直接在代码中写入VGG代码效率低下、效果不佳，改用嵌入预训练模块方
转载
2024-08-01 15:33:25
64阅读
本专栏是Keras学习笔记，主要是Keras使用方法，配合各种案例，学习炼丹技巧，力求详细全面，如有错误不吝批评指正。开篇搭建环境，买了台全新电脑，从头搭建，按照文中步骤，可以搭建成功，很多坑都考虑到了。全新电脑什么都没有，所以按照下面教程来，基本可行。〇：先上最终安装的各版本号：Windows 10 64位1909python 3.6.5CUDA 10.0（具体版本号：10.0.130_411.
转载
2024-04-05 21:18:23
121阅读
基础配置首先你需要在win10上下载Git（用于我们在github上面下载源码）和MinGW（方便我们在win10上也能用linux的make操作命令）。接着你要下载cuda9.0和cudnn7.1来绑定你的windows的Nvidia接着你需要在win10上面安装anaconda3（切记，python用的是3.6+，目前的tesorflow-gpu只能匹配这个）然后在现有的base环境下(或者配
转载
2024-06-21 12:13:45
100阅读
Keras 中的卷积层要在 Keras 中创建卷积层，你首先必须导入必要的模块：from keras.layers import Conv2D然后，你可以通过使用以下格式创建卷积层：Conv2D(filters, kernel_size, strides, padding, activation='relu', input_shape)参数必须传递以下参数：filterskernel_size你可
转载
2024-05-31 10:26:43
38阅读
): print("epoch", e) batch_num = 0 loss_sum=np.array([0.0,0.0]) for X_train, y_t...
原创
2023-01-16 07:32:41
145阅读
我们今天来讲一讲使用keras框架来进行分批训练 刚入门的深度学习爱好者由于数据量不是很大，倾向于将所有数据读入内存之后直接送入模型进行学习，这样的优点是简单，复杂度小，但是缺点也非常明显：能训练的数据较少，无法训练较大的模型。那些在网上的教程，或者是所谓的“深度学习课程”往往对这个问题避而不谈，估计是商业目的使然。而真正的商用的模型往往需要几天时间甚至几个月时间来训练。那么，用keras怎么来训
Keras深度学习库包括三个独立的函数，可用于训练您自己的模型：1.Keras的.fit，.fit_generator和.train_on_batch函数之间的区别 2.在训练自己的深度学习模型时，何时使用每个函数 3.如何实现自己的Keras数据生成器，并在使用.fit_generator训练模型时使用它 4.在训练完成后评估网络时，如何使用.predict_generator函数fit：mod
转载
2023-11-11 11:47:23
112阅读
keras数据增强方法简介数据增强(Data Augmentation)keras数据增强接口keras接口使用方法 简介在深度学习中，为了避免出现过拟合（Overfitting），通常我们需要输入充足的数据量。当数据量不够大时候，常常采用以下几种方法：Data Augmentation：通过平移、 翻转、加噪声等方法从已有数据中创造出一批“新”的数据，人工增加训练集的大小。Regulariza
转载
2024-07-31 13:42:02
60阅读
import tensorflow as tf import os from sklearn import datasets import numpy as np # 加载数据集 """ 其中测试集的输入特征 x_test 和标签 y_test 可以像 x_train 和 y_train 一样直接从
转载
2020-08-26 11:44:00
232阅读
2评论
记yolov3快速上手参考代码数据集标注使用VOC2007数据集，新建如下文件夹生成训练集/验证集生成yolo3所需训练集/验证集修改参数文件yolov3.cfg修改voc_classes.txt文件修改train.py文件开始训练自己的模型等待训练修改模型位置预测数据 参考代码qqwwee: keras-yolo3数据集标注使用labelimage标注工具，自行百度即可，如果遇到闪退情况，亲测
转载
2024-04-24 10:28:29
28阅读
待留
原创
2021-08-02 15:32:58
599阅读
# -*- coding: utf-8 -*-
from keras.models import Sequential
from keras.layers import Dense
from keras.models import load_model
import matplotlib.pyplot as plt
import numpy as np
np.random.seed(1) #
转载
2018-01-25 21:17:00
200阅读
2评论
keras 多主机分布式训练，mnist为例1.概述由于一般GPU的显存只有11G左右，（土豪误入），采用多主机分布式训练是非常有必要的；折腾了几天，按照谷歌的教程，终于搞清楚了，给大家梳理一下：参考：https://tensorflow.google.cn/tutorials/distribute/multi_worker_with_keras?hl=be2.配置首先，设置 TensorFlow
