Ubuntu系统安装下载u使用 ...
在处理图像数据的时候总会遇到输入图像的维数不符合的情况，此时tensorflow中reshape()就很好的解决了这个问题。 更为详细的可以参考官方文档说
背景分割器BackgroundSubtractor是专门用来视频分析的，会对视频中的每一帧进行“学习”，比较，计算阴影，排除检测图像的阴影区域，按照时间推移的方
基于上篇安装运行谷歌开源的TensorFlow Object Detection API视频物体识别系统，搭建自己的应用。替换官网提供的图片
基于上篇基于谷歌开源的TensorFlow Object Detection API视频物体识别系统搭建自己的应用（一），实现视频物体识别基于上篇，新建VideoTest.py，并将一个视频文件放入到object_detection目录下主要步骤如下： 1.使用 VideoFileClip 函数从视频中抓取图片。 2.用fl_image函数将原图片替换为修改后的图片，用于传递物体识别的每张抓取图片
本文主要通过一个简单的 Demo 介绍 TensorFlow 初级 API 的使
摘要：本文主要对tf的一些常用概念与方法进行描述。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 s
张量的阶、形状、数据类型TensorFlow用张量这种数据结构来表示所有的数据.你可以把一个张量想象成一个n维的数组或列表.一个张量有一个静态类型和动态类型的维数.张量可以在图中的节点之间流通
本例子用到了minst数据库，通过训练CNN网络，实现手写数字的预测。首先先把数据集读取到程序中：mnist = input_data.read_data_sets('MNIST_data',
前言已完成TensorFlow Object Detection API环境搭建，具体搭建过程请参照：安装运行谷歌开源的TensorFlow Object Detection API视频物体识别系统或Ubuntu系统安装配置te
在知乎上看
在机器学习中可能会存在过拟合的问题，表现为在训练集上表现很好，但在测试集中表现不如训练集中的那么好。图中黑色曲线是正常模型，绿色曲线就是overfitting模型。尽管绿色曲线很精确的区分了所有的训练数据，但是并没有描述数据的整体特征，对新测试数据的适应性较差。一般用于解决过拟合的方法有增加权重
一、卷积神经网络的基本概念 受Hubel和Wiesel对猫视觉皮层电生理研究启发，有人提出卷积神经网络（CNN），Yann Lecun 最早将CNN用于手写数字识别并一直保持了其在该问题的霸主地位。近年来卷积神经网络在多个方向持续发力，在语音识别、人脸识别、通用物体识别、运动分析、自然语言处理甚至脑电波分析方面均有突破。 卷积神经网络与普通神经网络的区别在于，卷积神经网络包
Ubuntu18.04发行已经有一段时间了，正好最近Tensorflow也发布了1.8版本，于是决定两个一起装上，以下是安装总结，大致可以分为5个步骤确认当前软件和
基于上篇基于谷歌开源的TensorFlow Object Detection API视频物体识别系统搭建自己的应用（一），实现摄像头物体识别下载opencv的cv2包在Python官网即可下载opencv相关库，点击此处直接进入。
前言已完成数据预处理工作，具体参照：基于TensorFlow Object Detection API进行迁移学习训练自己的人脸检测模型（一）设置配置文件新建目录face_faster_rcnn将上文已完成预数据处理的目录data移动至face_faster_rcnn目录下，并在face_faster_rcnn目录下创建face_label.pbtxt文件，内容如下：item { id:
转自：http://dataunion.org/11692.html作者：张雨石自今年七月份以来，一直在实验室负责卷积神经网络（Convolutional Neural Network，CNN），期间配置和使用过theano和cuda-convnet、cuda-convnet2。为了增进CNN的理解和使用，特写此博文，以其与人交流，互有增益
转自：http://dataunion.org/11692.html作者：张雨石自今年七月份以来，一直在实验室负责卷积神经网络（Convolutional Neural Network，CNN），期间配置和使用过theano和cuda-convnet、cuda-convnet2。为了增进CNN的理解和使用，特写此博文，以其与人交流，互有增益。
一、卷积神经网络的基本概念 受Hubel和Wiesel对猫视觉皮层电生理研究启发，有人提出卷积神经网络（CNN），Yann Lecun 最早将CNN用于手写数字识别并一直保持了其在该问题的霸主地位。近年来卷积神经网络在多个方向持续发力，在语音识别、人脸识别、通用物体识别、运动分析、自然语言处理甚至脑电波分析方面均有突破。 卷积神经网络与普通神经网络的区别在于，卷积神
前言已完成TensorFlow Object Detection API环境搭建，具体搭建过程请参照：安装运行谷歌开源的TensorFlow Object Detection API视频物体识别系统或fac...
基于上篇基于谷歌开源的TensorFlow Object Detection API视频物体识别系统搭建自己的应用（一），实现视频物体识别 基于上篇，新建VideoTest.py，并将一个视频文件放入到object_detection目录下 主要步骤如下： 1.使用 VideoFileClip 函数从视频中抓取图片。 2.用fl_image函数将原图片替换为修改后的图片，用于传递物体识别的每张
本文主要通过一个简单的 Demo 介绍 TensorFlow 初级 API 的使用方法，因为自己也是初学者，因此本文的目的主要是引导刚接触 TensorFlow 或者 机器学习的同学，能够从第一步开始学习 TensorFlow。阅读本文先确认具备以下基础技能：会使用 Python 编程（初级就OK，其实 TensorFlow 也支持 Java、C++、Go）一些数组相关的知识（线性代数没忘干净就行...
背景分割器BackgroundSubtractor是专门用来视频分析的，会对视频中的每一帧进行“学习”，比较，计算阴影，排除检测图像的阴影区域，按照时间推移的方法提高运动分析的结果。而且BackgroundSubtractor不仅可以用于背景分割，而且还可以提高背景检测的效果。在opencv中有三种分割器：KNN，MOG2，GMG。通过mog2的实例代码：import numpy as np ...
在机器学习中可能会存在过拟合的问题，表现为在训练集上表现很好，但在测试集中表现不如训练集中的那么好。图中黑色曲线是正常模型，绿色曲线就是overfitting模型。尽管绿色曲线很精确的区分了所有的训练数据，但是并没有描述数据的整体特征，对新测试数据的适应性较差。一般用于解决过拟合的方法有增加权重的惩罚机制，比如L2正规化，但在本处我们使用tensorflow提供的dropout方法，在训练的时候,...
转自：https://blog.csdn.net/lenbow/article/details/52152766摘要：本文主要对tf的一些常用概念与方法进行描述。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"...
张量的阶、形状、数据类型TensorFlow用张量这种数据结构来表示所有的数据.你可以把一个张量想象成一个n维的数组或列表.一个张量有一个静态类型和动态类型的维数.张量可以在图中的节点之间流通.阶在TensorFlow系统中，张量的维数来被描述为阶.但是张量的阶和矩阵的阶并不是同一个概念.张量的阶（有时是关于如顺序或度数或者是n维）是张量维数的一个数量描述.比如，下面的张量（使用Python中li...
在处理图像数据的时候总会遇到输入图像的维数不符合的情况，此时tensorflow中reshape()就很好的解决了这个问题。 更为详细的可以参考官方文档说明： numpy.reshapereshape()的括号中所包含的参数有哪些呢？常见的写法有tf.reshape((28,28)):tf.reshape(tensor,shape,name=None)1函数的作用是将tensor变换为参数shap...
本例子用到了minst数据库，通过训练CNN网络，实现手写数字的预测。首先先把数据集读取到程序中：mnist = input_data.read_data_sets('MNIST_data', one_hot=True)1然后开始定义输入数据，利用占位符# define placeholder for inputs to networkxs = tf.placeholder(tf.float32...
在知乎上看到一段介绍卷积神经网络的文章，感觉讲的特别直观明了，我整理了一下。首先介绍原理部分。 通过一个图像分类问题介绍卷积神经网络是如何工作的。下面是卷积神经网络判断一个图片是否包含“儿童”的过程，包括四个步骤：图像输入（InputImage）→卷积（Convolution）→最大池化（MaxPooling）→全连接神经网络（Fully-ConnectedNeural Network...
Copyright © 2005-2024 51CTO.COM 版权所有 京ICP证060544号
