简介神经网络：⼀种美妙的受⽣物学启发的编程范式，可以让计算机从观测数据中进⾏学习深度学习：⼀个强有⼒的⽤于神经⽹络学习的众多技术的集合神经网络和深度学习目前对图像识别、语音识别和自然语言处理领域中的问题有很好的解决方案。2006 年，被称为“深度神经⽹络” 的学习技术的发现引起了变⾰。这些技术现在被称为“深度学习”。它们已被进⼀步发展，今天深度神经⽹络和深度学习在计算机视觉、语⾳识别、⾃然语⾔处理等许多重要问题上都取得了显著的性能。他们正被⾕歌、微软、Facebook 等公司⼤规模部署。学习方
简介废弃清除了1.0版本的多数API，使用了高级核心API，tf.Keras。Eager模式，代码直接运行，直观调试。tf.GradientTape求解梯度，自定义训练逻辑。tf.data 加载图片数据和结构化数据tf.fuction 自动图运算TensorFlow2.0版本安装Miniconda是最小的conda安装环境。线性回归：y = ax + b# -*- coding: UTF-8 -*- # Author: LGD# FileName: test# DateTim
逻辑回归主要是给出“是”和“否”的回答，使用Sigmoid激活函数：需要用到激活函数：Sigmoid函数，将输入数据控制在0到1之间并输出。将0到1之间的值可以看着是一种概率值，当概率值小于0.5时，输出了一个负面的回答；当概率值大于0.5时，认为它给出了一个正面的回答。sigmoid是一个概率分布函数，给定某个输入，它将输出为一个概率值。把这种0到1之间的值看作是这个网络给出的概率结果逻辑回归损失函数平方差损失所反映的是损失和原有数据集在同一数量级的情形，对于庞大的数据集而言，需要迭代次数更多
softmax多分类对数几率回归解决的是二分类问题，对于多分类问题，我们可以使用softmax函数，它是对数几率回归在N个可能的值上的推广。神经网络的原始输出不是一个概率值，实质上是输入函数的值做了复杂的加权和非线性处理后的一个值，那如何将这个输出变为概率分布呢？这就是softmax层的作用。softmax公式：softmax层要求每个样本必须属于某个类别，且所有可能的样本均被覆盖。softmax的样本分量之和为1，当只有两个类别时，与对数几率回归完全相同。在tf.keras里，对于多分类问题我
梯度下降算法致力于找到损失函数极值点，学习即是改进模型参数，以便通过大量训练步骤将损失最小化。梯度的输出由若干偏导数构成的向量，每个分量对应于函数对输入向量的相应分量的偏导：梯度的输出向量表明了在每个位置损失函数增长最快的方向，可以理解为函数在每个位置向哪个方向移动可以增长函数值。随机初始化，初始化一批值，需要计算梯度值，找到损失值变化最快的方向。每一次移动的距离，叫做学习速率。学习速率小，迭代次数多，训练慢；学习速率大，会错过极值点，后面会在极值点附近来回抖动。不用担心局部极值点，是随机初始
CNN基础基于卷积神经网络的深度学习技术可以实现对图像的高准确率识别。卷积神经网络主要应用于计算机视觉相关任务，但它能处理的任务并不局限于图像，其实语音识别也是可以使用卷积神经网络。将使用MNIST手写数字、cifar10图像数据以及猫狗图像识别数据来进行举例说明。当计算机看到一张图像（输入一张图像）时，它看到的是一大堆像素值。当我们人类对图像进行分类时，这些数字毫无用处，可它们却是计算机可获得的唯一输入。现在的问题是：当你提供给计算机这一组数据后，它将输出描述该图像属于某一特定分类的概率的数字（比
出图
tf.data模块基于tf.data API, 我们可以使用简单的代码来构建复杂的输入，可以轻松处理大量数据、不同的数据格式以及复杂的转换。tf.data API 最重要的概念：tf.data.Dataset 表示一系列元素。其中每个元素包含一个或多个Tensor对象。例如，在图片管道中，一个元素可能是单个训练样本，具有一对表示图片数据和标签的张量。有两种方式来创建tf.data.Dataset
.
。图像分类(Classification)AlexNet http://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf VGG https://arxiv.org/abs/1409.1556 GoogLeNet, Inceptionv1(Goi
《基于计算机视觉技术的肉质评价综述》目的：评估肉类生产过程的安全性和质量，确保人类食用更加安全健康的肉类传统方法：昂贵和耗时、破坏性、不一致、不稳定解决思路：将计算机视觉技术引入肉食品的各种质量检测评价指标：新鲜度、嫩度经典的评估方法有：感官评估和化学技术、TVB-N（总挥发盐基氮）和微生物种群图像评估可根据肉类的属性：颜色、形状、大小、表面纹理特征使用机器视觉方法的局限性：仅限于识别颜色、大小、
个
图运算模式（Graph Execution模式）在TensorFlow2.0中，我们可以使用@tf.function装饰器实现Graph Execution，从而将模型转换为易于部署且高性能的TensorFlow图模型。@tf.function装饰器 使用静态编译将函数内的代码转换为计算图。@tf.function对函数内可使用的语句有一定的限制（仅支持python语言的一个子集），且需要函数内
语义分割的UNET网络结构Unet是2015年诞生的模型，它几乎是当前segmentation项目中应用最广的模型。Unet能从更少的训练图像中进行学习，当它在少于40张图的生物医学数据集上训练时，IOU值仍能达到92%。Unet网络非常简单，前半部分作用是特征提取，后半部分是上采样。在一些文献中也把这样的结构叫做编码器-解码器结构。由于此网络整体结构类似于大写的英文字
介绍模型保存有5种：1、整体保存；2、网络架构保存；3、权重保存；4、回调保存；5、自定义训练模型的保存1、整体保存：权重值，模型配置（架构），优化器配置整个模型可以保存到一个文件中，其中包含权重值、模型配置乃至优化器配置。这样，您就可以为模型设置检查点，并稍后从完全相同的状态继续训练，而无需访问原始代码。在Keras中保存完全可以正常使用的额模型非常有用，您可以在Te
文章：公众号《AI与计算机视觉》1 引言目标检测是一个重要的计算机视觉任务。它由图像分类任务发展而来，区别在于不再只是对一张图
在使用卷机神经网络训练模型时，很多时候需要查看卷积层的特征矩阵是什么样子的，看它提取的是什么特征，有多少卷积层参数以及将它可视化出
Copyright © 2005-2024 51CTO.COM 版权所有 京ICP证060544号
