基本概念1、 基于 Tensorflow 的 NN：用张量表示数据，用计算图搭建神经网络，用会话执行计算图，优化线上的权重（参数），得到模型。2、 张量：张量就是多维数组（列表），用“阶”表示张量的维度。 0 阶张量称作标量，表示一个单独的数； 如：S=123 1 阶张量称作向量，表示一个一维数组； 如：V=[1,2,3] 2 阶张量称作矩阵，表示一个二维数组，它可以有 i 行 j 列个元素，每个
首先对tensorflow模型有个直观的了解：我们逐个介绍：四个文件，分别是checkpoint(记录模型文件列表) .data和.index(存储训练好的参数包括weight，biase,etc)、 &nbs
网络容器 通过Keras提供的网络容器Sequential将多个网络层封装成一个大网络模型，只需要调用网络模型的实例一次即可完成数据从第一层到最末层的顺序传播运算。 （1）Sequential容器封装为一个网络：import tensorflow as tf
from tensorflow.keras import layers,Sequential
model = Sequential([#封
转载
2023-09-20 16:08:56
423阅读
最新tensorflow采用了keras封装，和古早写法相比变化很大，但是用起来确更加方便了，恰逢最近需要倒腾tensorflow，所以记录一下。这是一个系列文章，将从浅入深地介绍新的tensorflow的用法，文章列表： 林青：学习tensorflow(00)--从源代码编译tensorflowzhuanlan.zhihu.com
林青：学习tensorfl
转载
2024-04-04 11:35:31
42阅读
一、简介VGG网络在2014年的 ILSVRC localization and classification 两个问题上分别取得了第一名和第二名。VGG网络非常深，通常有16－19层，如果自己训练网络模型的话很浪费时间和计算资源。因此这里采用一种方法获取VGG19模型的模型数据，从而能够更快速的应用到自己的任务中来，本文在加载模型数据的同时，还可视化图片在网络传播过程中，每一层的输出特征图。让我
转载
2024-04-29 08:51:31
80阅读
# TensorFlow 查看网络每一层架构
随着深度学习的快速发展，TensorFlow 作为一个强大的深度学习框架，被广泛应用于各类项目中。当我们构建一个深度学习模型时，了解模型的结构（即网络每一层的架构）对于调试和优化非常重要。本文将深入探讨如何在 TensorFlow 中查看网络的每一层架构，并提供相关的代码示例。
## 理解模型架构
在深度学习中，模型架构指的是模型中各个层及其连接
原创
2024-10-11 09:15:55
175阅读
TensorFlow - 神经网络flyfishTensorFlow的图 Andrew Ng的介绍神经网络是在模仿大脑中的神经元或者神经网络。神经元是一个计算单元，它从输入神经接受一定数目的信息并做一些计算然后将结果通过它的轴突传送到其他节点或者大脑中的其他神经元。一是神经元有细胞主体， 二是神经元有一定数量的输入神经，这些输入神经叫做树突。可以把它们想象成输入电线，它们接收来自其他神经元的信息
转载
2024-04-07 21:18:11
44阅读
在上一篇关于使用Google Cloud AutoML训练图像标签模型之后，我们将研究如何训练另一种模型来识别和定位图像中的对象，即对象检测模型！与图像标记（或图像分类）相反，在该模型中，模型根据某些类别或类别标记输入图像，而对象检测模型将改为从图像中检测对象（您已经训练过的对象）及其位置。下面展示这两种技术之间差异的图片：如你所见，在正确的图像上，我们不仅得到检测到的物体（狗），而且还得到包含狗
转载
2024-04-18 23:54:01
41阅读
写在前面这个系列博客会具体讲讲怎么用tensorflow去搭建网络，其中一些细节例如如何加载数据集、需要哪些包可以参考我的其他博客。以此，来增加自己的编程能力。也会解读一些keras源码等一、神经网络中有哪些层点我从连接方式来说：全连接Dense、Conv2D、Conv2DTranspose、RNN等主要的功能层：BN层，激活函数层、Input层，Lambda层、Dropout层、Flatten层
转载
2024-08-11 20:21:17
0阅读
本文为 AI 研习社编译的技术博客，原标题 ：
How to deploy TensorFlow models to production using TF Serving 作者 | Thalles Silva 翻译 | 胡瑛皓 校对 | Pita 审核 | 约翰逊·李加薪 整理 | 立鱼王 原文链接： https:// me
一、自定义权值tf.nn.conv2d基于输入X: [batch_size,高，宽，通道数] 和卷积核W: [卷积核大小，卷积核大小 ，输入通道数，卷积核数量] 进行卷积运算，得到输出 O [batch_size，新的高，新的宽，卷积核数量] import tensorflow as tf
x = tf.random.normal([2,5,5,3]) # 模拟输入，3 通道，
转载
2024-04-13 09:28:39
22阅读
1. Batch Normalization对卷积层来说，批量归一化发生在卷积计算之后、应用激活函数之前。训练阶段：如果卷积计算输出多个通道，我们需要对这些通道的输出分别做批量归一化，且每个通道都拥有独立的拉伸和偏移参数，并均为标量。假设小批量中有 m 个样本。在单个通道上，假设卷积计算输出的高和宽分别为p和q。我们需要对该通道中m×p×q个元素同时做批量归一化。对这些元素做标准化计算时，我们使用
转载
2024-05-06 17:33:40
46阅读
# 建立神经网络模型 model = keras.Sequential([ keras.layers.Flatten(input_shape=(28, 28)), # 将输入数据的形状进行修改成神经网络要求的数据形状 keras.layers.Dense(128, activation=tf.nn.
原创
2021-08-25 14:23:02
643阅读
RNN和LSTMRNNRNN循环神经网络对处理时间系列的数据或周期性数据很有用。在传统的神经网络中，只是在深度上进行多层的连接，层与层之间具有连接，但是在同一层内部节点之间没有连接。这对于处理前后有关系的数据无能为力，RNN则考虑了这一点，在广度上也进行连接。具体的，RNN网络会对前面的信息进行记忆并应用于当前的输出的计算中，即隐藏层的输入不仅包含输入层的输出还包含上一时刻隐藏层的输出。理论上，R
转载
2024-10-12 12:11:18
12阅读
在网上查如何进行神经风格迁移的时候，发现大多数人都是使用迁移学习来的网络。当然，迁移学习导入已经训练好的网络进行训练是非常方便且快速的，但是有时候我们可能会想自己训练一个网络进行神经风格迁移。所以在这篇文章中，我们尝试使用自定义的 GoogLeNet 网络模型进行神经风格迁移。 PS：对神经风格迁移的原理感兴趣的可以参考：Tensorflow2.0之神经风格迁移。 下面直接贴上代码并对其中不好理解
转载
2023-10-17 08:41:43
86阅读
步骤：数据处理：将数据喂给网络搭建网络模型Loss训练模型测试第一步 数据处理将数据集处理成FTRecord的标准格式（也可以是其它格式，详见下面的参考链接）将数据传给TensorFlowTensorFlow 读取自己的数据集数据存储形式如下：Train_TFRecords_00123
Train_TFRecords_00017
......数据存储地址TFRecordPath；用os.listd
转载
2024-02-28 14:18:16
35阅读
文章目录使用 pip 安装 TensorFlow1. 环境准备2. 创建虚拟环境（推荐）3. 安装 TensorFlow pip 软件包TensorFlow2 快速入门1. 模型构建2. 参数配置3. 训练和评估训练配置输入数据小型数据大型数据集评估和预测4. 构建复杂模型函数式API模型子类化自定义层回调5. 模型保存与恢复保存权重保存网络结构保存整个模型常用函数速查常用 LayerDense
转载
2024-05-12 15:20:16
92阅读
声明：1. 我和每一个应该看这篇博文的人一样，都是初学者，都是小菜鸟，我发布博文只是希望加深学习印象并与大家讨论。2. 我不确定的地方用了“应该”二字首先，通俗说一下，CNN的存在是为了解决两个主要问题：1. 权值太多。这个随便一篇博文都能解释2. 语义理解。全连接网络结构处理每一个像素时，其相邻像素与距离很远的像素无差别对待，并没有考虑图像内容的空间结构。换句话说，打乱图像像素的输入顺序，结果不
转载
2024-03-06 12:40:22
35阅读
1、tf.constant_initializer()可以简写为tf.Constant()；初始化为常数，这个非常有用，通常偏置项就是用它初始化的由它衍生出的两个初始化方法：a、 tf.zeros_initializer()，也可以简写为tf.Zeros()b、tf.ones_initializer(), 也可以简写为tf.Ones()2、tf.truncated_normal_initializ
转载
2024-05-06 17:32:25
59阅读
首先先介绍一下knn的基本原理：KNN是通过计算不同特征值之间的距离进行分类。整体的思路是：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。K通常是不大于20的整数。KNN算法中，所选择的邻居都是已经正确分类的对象。该方法在定类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。KNN算法要解决的核心问题是K值选择，
转载
2024-03-06 13:04:46
79阅读
