<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[dongcjava的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/dongcjava</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; dongcjava]]></copyright><item><title><![CDATA[制作自己的目标检测数据集]]></title><link>https://blog.youkuaiyun.com/dongcjava/article/details/109803211</link><guid>https://blog.youkuaiyun.com/dongcjava/article/details/109803211</guid><author>dongcjava</author><pubDate>Thu, 19 Nov 2020 11:48:56 +0800</pubDate><description><![CDATA[文章目录制作自己的目标检测数据集一、下载Voc数据集二、安装标注工具labelimg三、制作图像标签1.创建一个文件夹2.在当前文件夹下打开命令提示符3.打开标注软件
制作自己的目标检测数据集
一、下载Voc数据集
在官网下载Voc2012数据集：
http://host.robots.ox.ac.uk/pascal/VOC/voc2012/index.html#devkit
找到–&gt;Development Kit–&gt;Download the training/validation data .]]></description><category></category></item><item><title><![CDATA[Anaconda环境下Tensorflow的安装与卸载]]></title><link>https://blog.youkuaiyun.com/dongcjava/article/details/109524981</link><guid>https://blog.youkuaiyun.com/dongcjava/article/details/109524981</guid><author>dongcjava</author><pubDate>Fri, 06 Nov 2020 10:18:18 +0800</pubDate><description><![CDATA[Anaconda环境下Tensorflow的安装与卸载
文章目录Anaconda环境下Tensorflow的安装与卸载一、 环境的创建与删除1.查看自己配置的环境2.配置一个新的环境3.进入和退出环境4.删除环境二、包（第三方库）的安装与卸载1.查看安装的包2.安装包3.删除包4.更新包三、tensorflow的安装与卸载1.创建一个tensorflow环境2.激活tensorflow环境3.安装tensorflow4.查看是否安装成功5.查看tensorflow的版本号6.退出tensorflow环境
一]]></description><category></category></item><item><title><![CDATA[BiliBili下载助手]]></title><link>https://blog.youkuaiyun.com/dongcjava/article/details/109360028</link><guid>https://blog.youkuaiyun.com/dongcjava/article/details/109360028</guid><author>dongcjava</author><pubDate>Thu, 29 Oct 2020 14:53:12 +0800</pubDate><description><![CDATA[BiliBili下载助手
直接将哔哩哔哩视频的网页连接复制到网站的搜索框，点击搜索，再视频上右击鼠标选择视频另存为即可。网址:https://xbeibeix.com/api/bilibili/

]]></description><category></category></item><item><title><![CDATA[动量、学习率、Early Stopping、Dropout]]></title><link>https://blog.youkuaiyun.com/dongcjava/article/details/109293421</link><guid>https://blog.youkuaiyun.com/dongcjava/article/details/109293421</guid><author>dongcjava</author><pubDate>Mon, 26 Oct 2020 18:22:30 +0800</pubDate><description><![CDATA[动量和学习率
1、动量(momentum)
梯度更新：

动量：

其中Z表示的是前一次梯度的方向，根据矢量三角形法则，选取下次的运动方向。

不加动量的情况下，方向变化比较尖锐，没有考虑历史变化的情况，且容易局部最优。

加动量后，变化更加的缓和，依靠惯性，可能跳出局部最优解。
optimizer = SGD(learning_rate=0.02, momentum=0.9)
optimizer = RMSprop(learning_rate=0.02, momentum=0.9)
optimizer =]]></description><category></category></item><item><title><![CDATA[网络模型的交叉验证]]></title><link>https://blog.youkuaiyun.com/dongcjava/article/details/109292254</link><guid>https://blog.youkuaiyun.com/dongcjava/article/details/109292254</guid><author>dongcjava</author><pubDate>Mon, 26 Oct 2020 16:29:58 +0800</pubDate><description><![CDATA[网络模型的交叉验证
数据集的内容一般分为：trainset、valset和testset，将获取的mnist数据集的(x,y)部分拆分为[x_train, y_train]（训练数据）和[x_val, y_val]（评测数据）
#把[x, y]拆分成[x_train, y_train]和[x_val, y_val]
idx = tf.range(60000)
idx = tf.random.shuffle(idx)
x_train, y_train = tf.gather(x, idx[:50000]), ]]></description><category></category></item><item><title><![CDATA[Regularization（正则化）]]></title><link>https://blog.youkuaiyun.com/dongcjava/article/details/109291882</link><guid>https://blog.youkuaiyun.com/dongcjava/article/details/109291882</guid><author>dongcjava</author><pubDate>Mon, 26 Oct 2020 16:13:58 +0800</pubDate><description><![CDATA[Regularization（正则化）
线性回归中的三种形式：
注：我们讨论的线性或者非线性针对的是自变量的系数，而非自变量本身，所以这样的话不管自变量如何变化，自变量的系数如果符合线性我们就说这是线性的。所以这里我们也就可以描述一下多项式线性回归。如：

第一个模型是一个线性模型， 欠拟合，也称为 高偏差，不能很好地适应我们的训练集；第三个模型是一个四次方的模型， 过于强调拟合原始数据，而丢失了算法的本质：若给出一个新的值使之预测，它将表现的很差，是 过拟合，也称为 高方差，虽然能非常好地适应我们的训练集]]></description><category></category></item><item><title><![CDATA[tensorflow2的模型保存与加载]]></title><link>https://blog.youkuaiyun.com/dongcjava/article/details/109278189</link><guid>https://blog.youkuaiyun.com/dongcjava/article/details/109278189</guid><author>dongcjava</author><pubDate>Sun, 25 Oct 2020 20:52:04 +0800</pubDate><description><![CDATA[模型的保存与加载
save/load weights
轻量级方式，只保存网络的参数，不管其他的状态，这种模式适合自己对代码有个清晰的认识。我们在training时如果中断了，可以通过这个方式保存最近更新的参数。
例：创建一个网络结构，首先training、test，将参数保存进weights.ckpt，删除网络结构，在创建一个原来一样的网络结构，导入保存的参数，进行test，会发现loss和accuracy与删除前的值相近（网络结构中有很多其他的因子会影响最后的结果，所以不一定完全相同）
#save the]]></description><category></category></item><item><title><![CDATA[Tensorflow2自定义网络层]]></title><link>https://blog.youkuaiyun.com/dongcjava/article/details/109277724</link><guid>https://blog.youkuaiyun.com/dongcjava/article/details/109277724</guid><author>dongcjava</author><pubDate>Sun, 25 Oct 2020 19:59:28 +0800</pubDate><description><![CDATA[自定义网络层
通过自定义网络层，实现自己的网络结构
自定义网络层
详细说明
class MyDense(layers.Layer):  #继承layer父类

	def __init__(self, inp_dim, outp_dim):   #继承父类属性
		super(MyDense, self).__init__()

		self.kernel = self.add_weight('w', [inp_dim, outp_dim])
		self.bias = self.add_weight('b']]></description><category></category></item><item><title><![CDATA[Tensorflow2的Keras接口：compile、fit]]></title><link>https://blog.youkuaiyun.com/dongcjava/article/details/109277099</link><guid>https://blog.youkuaiyun.com/dongcjava/article/details/109277099</guid><author>dongcjava</author><pubDate>Sun, 25 Oct 2020 19:14:29 +0800</pubDate><description><![CDATA[Tensorflow2的Keras接口：compile、fit
能将Train和test的过程封装起来，使代码简洁化，便于管理。
1、compile
&nbsp;&nbsp;&nbsp;配置用于训练的模型。
compile
(
    optimizer='rmsprop',
    loss=None,
    metrics=None,
    loss_weights=None,
    sample_weight_mode=None,
    weighted_metrics=None,
    t]]></description><category></category></item><item><title><![CDATA[TensorBoard可视化实例（MNIST）]]></title><link>https://blog.youkuaiyun.com/dongcjava/article/details/109274397</link><guid>https://blog.youkuaiyun.com/dongcjava/article/details/109274397</guid><author>dongcjava</author><pubDate>Sun, 25 Oct 2020 16:10:47 +0800</pubDate><description><![CDATA[TensorBoard可视化
利用TensorBoard对MNIST数据集在训练和测试时进行数据监听，将loss与预测值以图的形式显示出来。
首先在cmd进入你的tensorflow环境，通过目录进入你要监听的.py文件的主目录下，我的.py文件实在logs目录下，然后输入下面的代码开启TensorBoard，然后再网页输入下面的网址进入TensorBoard页面。运行py文件就可以进行数据的监听了。

监听画面如下：


调用plo_to_image接口，将数据集中的图像转换成png类型。
def plo]]></description><category></category></item><item><title><![CDATA[MNIST数据集]]></title><link>https://blog.youkuaiyun.com/dongcjava/article/details/109261406</link><guid>https://blog.youkuaiyun.com/dongcjava/article/details/109261406</guid><author>dongcjava</author><pubDate>Sat, 24 Oct 2020 16:23:25 +0800</pubDate><description><![CDATA[MNIST数据集
tensorflow实现mnist数据集的前向传播、后向传播、测试的代码
import  tensorflow as tf
from    tensorflow import keras
from    tensorflow.keras import layers
from    tensorflow.keras import datasets
import  os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

# x: [60k, 28, 28], ]]></description><category></category></item><item><title><![CDATA[FashionMNNST数据集]]></title><link>https://blog.youkuaiyun.com/dongcjava/article/details/109261159</link><guid>https://blog.youkuaiyun.com/dongcjava/article/details/109261159</guid><author>dongcjava</author><pubDate>Sat, 24 Oct 2020 16:12:29 +0800</pubDate><description><![CDATA[FashionMNNST数据集
# -*- coding: utf-8 -*-
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import datasets,layers,optimizers,Sequential,metrics

def preprocess(x,y):#数据预处理
    x = tf.cast(x, dtype=tf.float32)/255.
    y = tf.cast(y,]]></description><category></category></item><item><title><![CDATA[sigmoid,softmax,tanh简单实现]]></title><link>https://blog.youkuaiyun.com/dongcjava/article/details/109216321</link><guid>https://blog.youkuaiyun.com/dongcjava/article/details/109216321</guid><author>dongcjava</author><pubDate>Thu, 22 Oct 2020 10:27:03 +0800</pubDate><description><![CDATA[sigmoid,softmax,tanh
simoid函数将值缩放为[0,1]

import tensorflow as tf
a = tf.linspace(-6.,6.,13) #[-6,6]等分成13个数，dtype=float32
x = tf.sigmoid(a)
with tf.Session() as sess:
    init = tf.initialize_all_variables()#数据初始化
    sess.run(init)
    print(sess.run(x))

]]></description><category></category></item><item><title><![CDATA[TensorFlow:数据集加载]]></title><link>https://blog.youkuaiyun.com/dongcjava/article/details/109207125</link><guid>https://blog.youkuaiyun.com/dongcjava/article/details/109207125</guid><author>dongcjava</author><pubDate>Wed, 21 Oct 2020 20:13:03 +0800</pubDate><description><![CDATA[数据集加载数据集加载
数据集加载
1.keas.datasets
tensoflow.keras提供了keras.datasets的接口
常见的数据集：
Boston housing price regerssion dataset
MNIST/Fashion-MNIST dataset
sentiment classification dataset(imdb)
small images classidication dataset(CIFAR10/100)
数据集加载步骤
Step0: 准备要加载的nu]]></description><category></category></item><item><title><![CDATA[TensorFlow语法（3）]]></title><link>https://blog.youkuaiyun.com/dongcjava/article/details/109204671</link><guid>https://blog.youkuaiyun.com/dongcjava/article/details/109204671</guid><author>dongcjava</author><pubDate>Wed, 21 Oct 2020 16:43:14 +0800</pubDate><description><![CDATA[TensorFlow语法（3）数据的合并与分割数据统计排序数据的填充与复制张量限幅
数据的合并与分割
1.tf.constant( )合并
将两组数据合并，axis指定合并的维度。除了要合并的维度不一样，其他维度要相等。
例：[class1-4,students,scores]
[class5-6,students,scores]
六个班级的学生成绩分两次录入，将所有数据合并在一起。
a = tf.ones([4,35,8])
b = tf.ones([2,35,8])
c = tf.concat([a,b]]></description><category></category></item><item><title><![CDATA[TensorFlow语法（2）]]></title><link>https://blog.youkuaiyun.com/dongcjava/article/details/109166807</link><guid>https://blog.youkuaiyun.com/dongcjava/article/details/109166807</guid><author>dongcjava</author><pubDate>Mon, 19 Oct 2020 19:55:32 +0800</pubDate><description><![CDATA[TensorFlow语法（2）数学运算维度变换

数学运算
1.矩阵元素运算：+ - * /  % (取余)  //(整除)

tf.math.log( )、tf.exp( )

tf.pow( )幂次方、tf.sqrt( )平方根

2.矩阵运算：@，tf.matmul( )都表示矩阵相乘。

维度变换
1.tf.reshape( )重塑张量。

将[4,784,3]恢复成[4,28,28,3]，需要额外的信息（height和weight）

2.tf.transposer( )转置


3.tf.ex.]]></description><category></category></item><item><title><![CDATA[Tensorflow语法（1）]]></title><link>https://blog.youkuaiyun.com/dongcjava/article/details/109162930</link><guid>https://blog.youkuaiyun.com/dongcjava/article/details/109162930</guid><author>dongcjava</author><pubDate>Mon, 19 Oct 2020 18:27:03 +0800</pubDate><description><![CDATA[Tensorflow语法一、创建tensor二、索引与切片三、Broadcasting

一、创建tensor
1.利用Numpy，list创建
tf.convert_to_tensor(np.ones([2,3]))，2行3列全为0的tensor
tf.convert_to_tensor(np.zeros([2,3]))，2行3列全为1的tensor
tf.convert_to_tensor([1,2])，利用列表创建tensor
tf.convert_to_tensor([1,2.])，列表中有flo.]]></description><category></category></item></channel></rss>