前提链接: tensorflow.js官网 官网改版以后文档已经比较完善,有兴趣的同学一起来学习吧. 链接: 超简单视频教程 本文所有代码都是从视频里学的,复制下来保存成html文件,就可以训练自己的数字识别模型了.基础概念的个人理解机器学习: 例如:通常写一段程序去界定考试成绩是否及格,if (score>=60) 及格 else if (score<60) 不及格. 机器学习是这样
Tracking the Millenium Falcon with Tensorflow 作者：Nick Bourdakos 译者：雁惊寒摘要：本文以星球大战中的千年隼号为例，介绍了如何使用强大的PowerAI来进行对象检测。 活动中的自定义对象检测（完整视频地址）当前，大多数的大型科技公司（如IBM、Google、Microsoft和Amazon）都有自己的视觉识别产品。一些小公司也提供了
思路1.数据 2.模型 3.数据训练模型 4.验证模型1。数据验证码数据需要生成验证码，而python中有相关的模块生成验证码图片captcha包用于验证码图生成PIL包用于图像处理和展现来个例子：from captcha.image import ImageCaptcha
ic=ImageCaptcha()
d=ic.generate('G8iY')
from PIL import Image
转载
2024-04-16 16:49:43
97阅读
OCR（Optical Character Recognition，光学字符识别）是指电子设备（例如扫描仪或数码相机）检查纸上打印的字符，通过检测暗、亮的模式确定其形状，然后用字符识别方法将形状翻译成计算机文字的过程；即，针对印刷体字符，采用光学的方式将纸质文档中的文字转换成为黑白点阵的图像文件，并通过识别软件将图像中的文字转换成文本格式，供文字处理软件进一步编辑加工的技术。如何除错或利用辅助信
转载
2024-03-13 10:42:21
100阅读
导读
对于人类来说，识别手写的数字是一件非常容易的事情。我们甚至不用思考，就可以看出下面的数字分别是1，2，3。
本期将使用Tensorflow搭建卷积神经网络，进行手写数字的识别。代码可关注公众号 IamZLT ，后台回复「手写数字识别」即可免费获取。
本系列文章
Part1：基于CNN的数字OCR识别
转载
2024-03-04 09:33:04
132阅读
# Python验证GPU TensorFlow
TensorFlow是一个流行的深度学习框架，广泛用于训练和部署机器学习模型。使用GPU进行计算可以显著加快TensorFlow的运行速度，并且能够处理更大规模的数据集。本文将介绍如何在Python中验证TensorFlow是否正确配置了GPU，并提供相应的代码示例。
## GPU配置检查
在使用GPU进行TensorFlow计算之前，我们需
原创
2023-11-09 07:41:04
60阅读
我们宣布为 TensorFlow 引入即时执行。即时执行是一个由运行定义的命令式接口，在这个接口中，运算将在从 Python 调用时立即执行。这样可以让 TensorFlow 的入门变得更加简单，并让研发变得更加直观。 即时执行的好处包括：快速调试即时运行时错误以及与 Python 工具集成支持使用易用型 Python 控制流的动态模型为自定义和高阶渐变提供强大支持适用于几乎所有可用的 Tenso
【tensorlfow】全连接神经网络FC-DNN 文章目录一、[Win10+Anaconda+Tensorflow2.0安装教程1.检测已经安装的环境2.创建tensorflow虚拟环境3.激活4、 安装tensorflow5、将Tensorflow环境嵌入到编辑器中6、Windows同时安装tensorflow多个版本（tensorflow 2.0和tensorflow 1.x.x）二、Ten
输入inputtf.palceholder()接收数据并返回一个tensor，这个tensor用来传入tf.session.run()。Session’s feed_dict在**tf.Session.run()**中使用feed_dict参数来为placeholder传递tensor。注意Session大写！！！x = tf.placeholder(tf.string)
y = tf.place
Tensorflow一些常用基本概念与函数 1、tensorflow的基本运作为了快速的熟悉TensorFlow编程，下面从一段简单的代码开始：import tensorflow as tf
#定义‘符号’变量，也称为占位符
a = tf.placeholder("float")
b = tf.placeholder("float") y = tf.mul(a, b) #构造一个op节点
转载
2024-09-05 11:00:05
89阅读
在针对一个网站的RPA技术中，验证码识别也是一个很常见的需要解决的问题。如下图所示的验证码：前面在我的博客中所讲的内容是单标签多分类，例如一个手写数字图片，分出10类，得到这个图片表示的1个字符信息，而验证码一般是多个字符，每一个字符均有多个类别，因此验证码识别的问题就属于多标签多分类问题，在这里不能用之前识别手写数字的方法来进行验证码识别。 本文的开发环境如下： tensorflow 2.5.0
转载
2024-07-29 22:34:41
107阅读
上一篇初探中我们只是简单的看了下LARS的一个运算过程没有区分训练集和测试集，这里我们再加上交叉验证。1. 简介交叉验证 之前我一直都是用sklearn.model_selection中的train_test_split函数自动随机划分训练集和测试集。之所以出现交叉验证，主要是因为训练集较小，在实际情况下，人们不是很喜欢用交叉验证，因为它会耗费较多的计算资源。 但是如果超参数数量越多，我们就需要越
转载
2024-02-20 21:31:06
158阅读
建立虚拟环境Anaconda安装好之后，我们使用它，可以有很多的虚拟环境，这是优点，缺点是启动时会占空间，开辟那么多虚拟环境，里面的包是单独的，不能共用，硬盘是会有占用的。 打开Anaconda Propmt，在(base)得环境下操作。 前面小括号里的就是当前在使用的环境名称，base是最基本的，里面包是比较全的。建立名为 tf ，Python版本号为3.6的虚拟环境：conda create
转载
2024-04-18 11:52:07
49阅读
验证码识别方法传统的机器学习方法，对于多位字符验证码都是采用的 化整为零 的方法：先分割成最小单位，再分别识别，然后再统一。卷积神经网络方法，直接采用 端到端不分割 的方法：输入整张图片，输出整个图片的标记结果，具有更强的通用性。端到端 的识别方法显然更具备优势，因为目前的字符型验证码为了防止被识别，多位字符已经完全融合粘贴在一起了，利用传统的技术基本很难实现分割了。卷积神经网络方法步骤gener
转载
2024-05-26 22:15:32
81阅读
本节我们来用 TensorFlow 来实现一个深度学习模型，用来实现验证码识别的过程，这里我们识别的验证码是图形验证码，首先我们会用标注好的数据来训练一个模型，然后再用模型来实现这个验证码的识别。验证码首先我们来看下验证码是怎样的，这里我们使用 Python 的 captcha 库来生成即可，这个库默认是没有安装的，所以这里我们需要先安装这个库，另外我们还需要安装 pillow 库，使用 pip3
原创
2021-01-19 15:01:48
2031阅读
1、图片验证码a. 比较简单的图片验证码 上面两个不用处理直接可以用OCR识别技术(利用python第三方库--tesserocr)来识别 背景比较糊 清晰可见 经过灰度变换和二值化后,由模糊的验证码背景变成清晰可见的验证码b. 容易迷惑人的图片验证码 对于在这种验证码,语言一般自带图形库,添加上扭曲就成了这个样子,我们可以利用9万张图片进行训练,完成类似人的
探索TensorFlow认证学习指南：打造一流AI开发者之路 tensorflow-certification-study-guideMaterial and code samples used to help study for and pass the TensorFlow Developer Certification项目地址:https://gitcode.com/gh_mirrors/t
转载
2024-10-09 07:29:40
34阅读
1. 交叉验证概述进行模型验证的一个重要目的是要选出一个最合适的模型，对于监督学习而言，我们希望模型对于未知数据的泛化能力强，所以就需要模型验证这一过程来体现不同的模型对于未知数据的表现效果。最先我们用训练准确度（用全部数据进行训练和测试）来衡量模型的表现，这种方法会导致模型过拟合；为了解决这一问题，我们将所有数据分成训练集和测试集两部分，我们用训练集进行模型训练，得到的模型再用测试集来衡量模型的
1.config.pyNUMBER = '0123456789'CHAR_SMALL = 'abcdefghijklmnopqrstuvwxyz'CHAR_BIG = 'ABCDEF
原创
2022-08-02 07:18:50
65阅读
# Python验证TensorFlow GPU可用性
TensorFlow是一个深受欢迎的深度学习框架，广泛应用于研究和工业界。随着计算机视觉、自然语言处理等领域的发展，深度学习模型的训练需要大量的计算资源。GPU（图形处理单元）以其强大的并行计算能力成为训练深度学习模型的首选硬件。因此，确保您的TensorFlow可以使用GPU显得尤为重要。本文将介绍如何验证TensorFlow是否能够成功
