intjun-优快云博客

转载 Tensorflow C++ 编译和调用图模型

 Github下载完整代码 tensorflowfreeze_graph.py 工具简介最近在研究如何打通tensorflow线下 python 的脚本训练建模, 利用freeze_graph工具输出.pb图文件，之后再线上生产环境用C++代码直接调用预先训练好的模型完成预测的工作，而不需要用自己写的Infer...

2018-09-26 15:58:37 1539

转载 OpenCV3.3深度学习模块(DNN)应用-图像分类

OpenCV3.3深度学习模块(DNN)应用-图像分类原创 2017-09-17 gloomyfish OpenCV学堂DNN模块介绍在OpenCV3.3版本发布中把DNN模块从扩展模块移到了OpenCV正式发布模块中，当前DNN模块最早来自Tiny-dnn，可以加载预先训练好的Caffe模型数...

2018-09-22 11:21:01 4128

转载 Ubuntu18.04 编译Tensorflow r1.8 支持GPU 1080Ti

Ubuntu18.4 编译Tensorflow r1.8 支持GPU 1080Ti本文是关于如何安装tensorflow 1.8.0 GPU版本的教程。还将安装CUDA 9.2和cuDNN 7.1.4以及tensorflow 1.8.0的GPU版本。在撰写此博客文章时，tensorflow的最新稳定版本...

2018-09-21 10:21:43 1020

转载 ResNet——总结、实现

转自知乎 Kissrabbit最近还在忙于毕设，大概需要加深网络的深度，但是，在这个过程中，发现了一个问题，很多时候，一个8层更加复杂的网络的效果远不及一个3层相对简单的网路的效果（当然，也有可能是因为本人调参水平菜的一笔），这然我挺头疼的，因为，网络简单了，学习出来的模型实在是不好使，想复杂一些，...

2018-09-19 09:46:32 1223

转载 OpenCV-Python教程（6、Sobel算子）

本篇文章介绍如何用OpenCV-Python来使用Sobel算子。提示：转载请详细注明原作者及出处，谢谢！本文介绍使用OpenCV-Python实现基本的滤波处理本文不介详细的理论知识，读者可从其他资料中获取相应的背景知识。笔者推荐清华大学...

2018-09-12 14:59:41 735

转载 tensorflow 中对 tf.estimator 分配 GPU 方法

1. 指定使用哪一块 GPU： 先查找有多少块 GPU，并且获得设备编号： $ nvidia-smi在代码执行指定使用哪块GPU：CUDA_VISIBLE_DEVICES=0 ./myapp 指定使用第0块或者第0，1块GPU：import osos.environ['CUDA_VISIBLE_DEVICES'] = '0'os.env...

2018-09-11 15:23:29 3452 2

转载 ResNet解析

ResNet在2015年被提出，在ImageNet比赛classification任务上获得第一名，因为它“简单与实用”并存，之后很多方法都建立在ResNet50或者ResNet101的基础上完成的，检测，分割，识别等领域都纷纷使用ResNet，Alpha zero也使用了R...

2018-09-11 09:53:02 307

转载论文笔记《Fast R-CNN》

转载自http://zhangliliang.com/2015/05/17/paper-note-fast-rcnn/论文出处见：http://arxiv.org/abs/1504.08083项目见：https://github.com/rb...

2018-09-11 09:52:03 276

转载轻量级模型：MobileNet V2

一、论文：https://arxiv.org/abs/18非官方Caffe代码：https://github.com/shicai/MobileNet-Caffe二、论文理解MobileNet V2 是对...

2018-09-03 18:01:31 1226

转载小米开源框架MACE 源码阅读笔记

转载自 https://www.jianshu.com/p/7061fd67d419前扯在前不久的某高峰论坛上，小米开源了其移动端的深度学习框架Mobile AI Compute Engine（MACE）。这对...

2018-09-03 15:31:22 1096

原创打印tensorflow每一层结构

import tensorflow as tfsess=tf.Session with tf.Graph().as_default(): with tf.gfile.FastGFile(‘*.pb’,’rb’) as modelfile: graph_def=tf.GraphDef() graph_def.ParseFromString(modelfi...

2018-08-30 09:04:35 9132

转载深度学习模型压缩之MobileNetV2

摘要1 引言2 相关工作3 预备知识、讨论、直觉3.1 深度可分离卷积3.2 线性瓶颈(Linear Bottlenecks)3.3 反向残差(Inverted residuals)3.4 信息流解释4 模型结构5 执行记录5.1 内存有效管理...

2018-08-27 14:46:51 3954 2

转载图像语义分割 DeepLab v3+ 训练自己的数据集

环境：ubuntu 16.04 + TensorFlow 1.6.1 + cuda 9.0 + cudnn 7.0 +python2.7 tensorflow 项目链接 https://github.com...

2018-08-27 11:00:17 2956 2

转载一个快速完整的教程，以保存和恢复Tensorflow模型

在本教程中，我将会解释：TensorFlow模型是什么样的？如何保存TensorFlow模型？如何恢复预测/转移学习的TensorFlow模型？如何使用导入的预先训练的模型进行微调和修改?这个教程假设你已经对神经网络有了一定的...

2018-08-27 10:25:40 384

转载 python+opencv计算代码运行时间：time库和opencv自带方法getTickCount

import cv2import time ############################## 利用opencv的两个函数进行时间耗费计算# cv2.getTickCount()记录当前时间，cv2.getTi...

2018-08-24 16:07:14 2225

转载 Tensorflow的可视化工具Tensorboard的初步使用

2018-08-23 16:08:54 372

转载 docker︱在nvidia-docker中使用tensorflow-gpu/jupyter

docker小白… 搭建基础：宿主机已经有CUDA8.0进出快捷键：ctrl+d 退出容器且关闭, docker ps 查看无ctrl+p+q 退出容器但不关闭, docker ps 查看有使用docker restart命令重启容器使用docker attach命令进入容器一、安...

2018-08-21 16:40:36 5727 1

转载 Docker - 基于NVIDIA-Docker的Caffe-GPU环境搭建

Docker与NVIDIA-Docker的安装与配置 Caffe镜像使用环境： – Ubuntu14.04 – Nvidia-docker version=1.01 Docker与NVIDIA-Docker的安装与配置1.1 Docker安装Docker安装过程需要使用root权限，主要有两种安装方式：1.1.1 Ubuntu14.04 软件源安装使用Ubuntu1...

2018-08-21 10:29:22 1666

转载一句话简单总结李航统计学习法各算法

K近邻：选取样本集合中K个距离最近的数据中出现次数最多的分类，作为新数据的分类native  bayes ：利用训练数据计算类的先验概率P（Y）和特征向量对应每一类的条件概率P（X|Y），计算联合概率分布P（X，Y），再计算测试集中每一个待分类语句在每一类的分类后验概率P（Y|X），选...

2018-08-20 14:53:18 381

转载 CNN中的dropout理解

理解dropout文章转载自http://blog.youkuaiyun.com/stdcoutzyx/article/details/49022443开篇明义，dropout是指在深度学习网络的训练过程中，对于神经网络单元，按照一定的概率将其暂时从网络中丢弃。注意是暂时，对于随机梯度下降来说，由于是随机丢弃，故而每一个min...

2018-08-17 17:02:58 1126

转载【深度学习-CNN】训练样本不平衡对训练结果的影响

今天在网上看到这篇文章The Impact of Imbalanced Training Data for Convolutional Neural Networks，里面做了一系列实验讨论训练样本对CNN的影响。作者前面先是介绍了CNN和深度学习的相关知识，然后介绍了几个流行的数据集，Imag...

2018-08-17 16:27:57 5027 1

转载 tf.concat, tf.stack和tf.unstack的用法

tf.concat, tf.stack和tf.unstack的用法tf.concat相当于numpy中的np.concatenate函数，用于将两个张量在某一个维度(axis)合并起来，例如：a = tf.constant([[1,2,3],[3,4,5]]) # shape (2,3)b = tf.cons...

2018-08-16 16:35:57 485

转载 tensorflow实现迁移学习

此例程出自《TensorFlow实战Google深度学习框架》6.5.2小节卷积神经网络迁移学习。数据集来自http://download.tensorflow.org/example_images/flower_photos.tgz ，及谷歌提供的Inception-v3模型https://storage.go...

2018-08-16 14:56:34 2101

转载 tensorflow学习笔记十六：tensorflow官方文档学习如何训练Inception v3模型最后一层

利用Tensorflow训练图像分类的模型我在刚进行训练模型的时候，是想靠自己拆开一个模型，之后再进行训练的方法。后来发现在我不彻底弄清模型的原理并搞到模型的源码之前我是不可能去训练的。后来发现tensorflow就提供了这样一个工具，它虽然没有公开深度学习网络的模型源码，却给出了保存好的模...

2018-08-16 14:16:04 1051

转载 tensorflow 迁移学习（在已有类别的模型上添加自己的类别

要添加并训练自己的类别，最关键的还是源码文件夹下/tensorflow/tensorflow/examples/image_retraining的retain.py文件，其实文件一开始已经写的很清楚了，我怕忘了，在此记录一下，请看retain.py的这部分Here’s an example, w...

2018-08-16 14:08:37 1809

转载 python 判断目录和文件是否存在，若不存在即创建

判断目录是否存在import osdirs = '/Users/joseph/work/python/'if not os.path.exists(dirs): os.makedirs(dirs)12345判断文件是否存在import osfilename = '/Users/josep...

2018-08-15 12:25:08 2753

转载 Keras示例程序

Keras示例程序addition_rnn.py:序列到序列学习,实现两个数的加法antirectifier.py:展示了如何在Keras中定制自己的层babi_memnn.py:在bAbI数据集上训练一个记忆网络,用于阅读理解babi_rnn.py:在bAbI数据集上训练一个循环网络,用于阅读理解cifar10_cnn.py:在CIFAR10数据集上训练一个简单的深度CNN网...

2018-08-14 16:06:16 1610

转载用作者提供的net1->net2生成MTCNN的训练样本(positive,negative,part,landmark)

本代码基于作者提供的python版本代码修改，参考：https://github.com/DuinoDu/mtcnn/blob/master/demo.py  （作者提供）https://github.com/dlunion/mtcnn/blob/master/train/gen_...

2018-08-13 17:02:24 408

转载 MTCNN中生成positive,negative,part样本python代码解读

最近跑通了MTCNN的训练代码，对其中生成positive,negative,part样本gen_48net_data2.py代码进行解读。项目地址：https://github.com/dlunion/mtcnn对应代码地址：https://github.com/dlunion/mtcnn/blo...

2018-08-13 16:58:42 2089

转载原 reshape 与 shape

shape是属性，而reshape是一个方法。shape 比如数组A = np.array([[1, 2 ,3 ,4],[3,6,4,2]]) 其中shape【0】表示第一维的大小，shape【1】表示第二位的大小依次类推 <———————————————————————————————–>...

2018-08-13 16:28:59 1030

转载轻量化网络：MobileNet-V2

创新点：正文：MobileNet-V2网络结构MobileNetV2: 《Inverted Residuals and Linear Bottlenecks: Mobile Networks for Classification, Detection and Segmentation》于2...

2018-08-08 11:43:59 398

转载 SVM-支持向量机算法概述 ---一篇非常深入浅出介绍SVM的文章

（一）SVM的背景简介支持向量机(Support Vector Machine)是Cortes和Vapnik于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中[10]。支持向量机方法是建立在统计学习理论的VC 维理论和结...

2018-08-08 09:08:31 5621 3

转载如何理解空洞卷积（dilated convolution）

论文：Multi-scale context aggregation with dilated convolutions简单讨论下dilated conv，中文可以叫做空洞卷积或者扩张卷积。首先介绍一下dilated conv诞生背景[4]，再解释dilated co...

2018-08-07 14:39:23 12206 1

原创 TensorFlow只在CPU上运行的方法

import os os.environ[“CUDA_DEVICE_ORDER”] = “PCI_BUS_ID” os.environ[“CUDA_VISIBLE_DEVICES”] = “-1”

2018-08-07 12:30:00 7652 2

转载 Deeplab v3 (1): 源码训练和测试

本文主要介绍根据github tensorflow/models中官方代码来训练deeplab v3+源代码: https://github.com/tensorflow/models/tree/master/research/deeplab配置deeplab v3Clone 源代码, htt...

2018-08-07 12:28:52 1804 2

转载 gdb和gdbserver的安装和调试

嵌入式Linux的GDB调试环境由Host和Target两部分组成，Host端使用arm－linux－gdb，Target Board端使用gdbserver。调试时，应用程序在嵌入式目标系统上运行，而gdb调试在Host端。gdb调试的时候，pc机上的gdb向开发板上的gdbserver发出命令，...

2018-08-02 10:15:54 23834

Face anti-spoofing is significant to the security of face recognition systems. Previous works on depth super- vised learning have proved the effectiveness for face anti- spoofing. Nevertheless, they only considered the depth as an auxiliary supervision in the single frame. Different from these methods, we develop a new method to estimate depth information from multiple RGB frames and propose a depth-supervised architecture which can efficiently en- codes spatiotemporal information for presentation attack detection. It includes two novel modules: optical flow guided feature block (OFFB) and convolution gated re- current units (ConvGRU) module, which are designed to extract short-term and long-term motion to discriminate living and spoofing faces. Extensive experiments demon- strate that the proposed approach achieves state-of-the-art results on four benchmark datasets, namely OULU-NPU, SiW, CASIA-MFSD, and Replay-Attack

2019-03-19

炫光活体人脸检测.pdf

Face anti-spoofing is crucial to prevent face recognition systems from a security breach. Previous deep learning ap- proaches formulate face anti-spoofing as a binary classifi- cation problem. Many of them struggle to grasp adequate spoofing cues and generalize poorly. In this paper, we ar- gue the importance of auxiliary supervision to guide the learning toward discriminative and generalizable cues. A CNN-RNN model is learned to estimate the face depth with pixel-wise supervision, and to estimate rPPG signals with sequence-wise supervision. The estimated depth and rPPG are fused to distinguish live vs. spoof faces. Further, we introduce a new face anti-spoofing database that covers a large range of illumination, subject, and pose variations. Experiments show that our model achieves the state-of-the- art results on both intra- and cross-database testing.

2019-03-19

2019新零售成功案例

新零售，即企业以互联网为依托，通过运用大数据、人工智能等先进技术手段并运用心理学知识，对商品的生产、流通与销售过程进行升级改造，进而重塑业态结构与生态圈，并对线上服务、线下体验以及现代物流进行深度融合的零售新模式 [1] 。线上线下和物流结合在一起，才会产生新零售。2016年10月的阿里云栖大会上，阿里巴巴马云在演讲中第一次提出了新零售，“未来的十年、二十年，没有电子商务这一说，只有新零售。

2019-02-28

程序员的数学三书包括《程序员的数学》《程序员的数学2：概率统计》《程序员的数学3：线性代数》

程序员的数学三书包括《程序员的数学》《程序员的数学2：概率统计》《程序员的数学3：线性代数》，这套书通俗易懂，穿插大量有趣的实例和图表，以独特的编排巧妙阐述程序员和数学爱好者所需掌握的数学基础知识、概率统计和线性代数知识。三者同时也是机器学习、数据挖掘、模式识别领域必学。

2019-02-15

RefineDet论文

For object detection, the two-stage approach (e.g., Faster R-CNN) has been achieving the highest accuracy, whereas the one-stage approach (e.g., SSD) has the advantage of high efficiency. To inherit the merits of both while overcoming their disadvantages, in this paper, we propose a novel single-shot based detector, called RefineDet, that achieves better accuracy than two-stage methods and maintains comparable efficiency of one-stage methods. RefineDet consists of two inter-connected modules, namely, the anchor refinement module and the object detection module. Specifically, the former aims to (1) filter out negative anchors to reduce search space for the classifier, and (2) coarsely adjust the locations and sizes of anchors to provide better initialization for the subsequent regressor. The latter module takes the refined anchors as the input from the former to further improve the regression and predict multi-class label. Meanwhile, we design a transfer connection block to transfer the features in the anchor refinement module to predict locations, sizes and class labels of objects in the object detection module. The multitask loss function enables us to train the whole network in an end-to-end way. Extensive experiments on PASCAL VOC 2007, PASCAL VOC 2012, and MS COCO demonstrate that RefineDet achieves state-of-the-art detection accuracy with high efficiency

2019-02-15

Excel用法提高实例

Excel用法提高实例,介绍了Excel的一些实用用法

2008-12-11

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人