JerryZhang1111的博客

目标：tf.data模块构建输入内容：tf.data模块用于构建输入，且可以处理大量数据、不同的数据格式，以及复杂的数据转换。tf.data.Dateset表示一组数据。tf.data.Dateset中一个元素包含一个或者多个Tensor对象，例如一个元素代表单个训练样本或者代表一对训练数据和标签。过程：直接从 Tensor 创建 Datasettf.data.Dataset.from_tensor_slices(tensors)tensors可以为列表，字典，元组，numpy的ndarr

学习目标：函数式编程代码 import tensorflow as tf import matplotlib.pyplot as plt #测试tensorflow版本 print('Tensorflow version: {}'.format(tf.__version__)) tf.__version__ fashion_mnist = keras.datasets.fashion_mnist #读取数据 (train_images, train_labels), (test_im

学习目标：tf.keras softmax 多分类对数几率回归解决的是二分类的问题，对于多个选项的问题，我们可以使用softmax函数。它是对数几率回归在 N 个可能不同的值上的推广。学习过程：神经网络的原始输出不是一个概率值，实质上只是输入的数值做了复杂的加权和与非线性处理之后的一个值而已，那么如何将这个输出变为概率分布？这就是Softmax层的作用。softmax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分类softmax个样本分量之和为 1，当只有两个类别时

tensorflow2.3循环神经网络实现空气污染预测参数列表No year month day hour pm2.5 DEWP TEMP PRES cbwd Iws Is Ir序号 年 月 日 小时 pm2.5颗粒 浓度 露点 温度 大气压 风向 风速 累积雪量 累积雨量导入包import tensorflow as tfimport numpy as npimport matplotlib.pyplot as pltimport pandas as pd查看tensorflow

tensorflow2.3实现航空公司评论数据导入包import tensorflow as tfimport numpy as npimport matplotlib.pyplot as pltimport glob显存自适应分配，查看tensorflow 的版本os.environ["CUDA_VISIBLE_DEVICES"] = "1"tf.__version__‘2.3.0’读取数据data = pd.read_csv('./dataset/Tweets.csv')

一、什么是循环神经网络：循环神经网络（Rerrent Neural Network, RNN），对具有序列特性的数据非常有效，它能挖掘数据中的时序信息以及语义信息，利用了RNN的这种能力，使深度学习模型在解决语音识别、语言模型、机器翻译以及时序分析等NLP领域的问题时有所突破。我们需要重点来了解一下RNN的特点这句话，什么是序列特性呢？就是符合时间顺序，逻辑顺序，或者其他顺序就叫序列特性，举几个例子：拿人类的某句话来说，也就是人类的自然语言，是不是符合某个逻辑或规则的字词拼凑排列起来的，这就是符合序

tensorflow2.3实现街景语义分割图像语义分割是对图像中每一个像素点进行分类，确定每个点的类别（属于背景，边缘，或身体等）语义分割的目标，一般是将一张RGB图像或是灰度图像作为输入，输出的是分割图，其中每一个像素包含了其类别的标签。代码导入包import tensorflow as tfimport numpy as npimport matplotlib.pyplot as pltimport glob显存自适应分配，查看tensorflow 的版本os.environ["C

tensorflow2.3实现目标分类 + 定位上一篇实现了图像定位，这一篇我们实现分类 + 定位代码实现导入包import tensorflow as tfimport numpy as npimport matplotlib.pyplot as plt%matplotlib inlinefrom lxml import etreeimport globfrom matplotlib.patches import Rectangle读取数据images = glob.glob('

tensorflow2.3实现目标定位和分类常见图像处理的任务1、分类给定一副图像，我们用计算机模型预测图片中有什么对象。2、分类与定位我们不仅要知道图片中的对象是什么，还要在对象的附近画一个边框，确定该对象所处的位置。3、语义分割区分到图中每一点像素点，而不仅仅是矩形框框住。4、目标检测目标检测简单来说就是回答图片里面有什么？分别在哪里？（并把它们使用矩形框框住）5、实例分割实例分割是目标检测和语义分割的结合。相对目标检测的边界框，实例分割可精确到物体的边缘；相对语义分割， 实例分割

tensorflow2.3实现图像语义分割（semantic segmentation）对图像而言，常见的任务是：图像分类：提取类别特征，如：VGG19网络目标检测：提取类别，位置特征，如：YOLO网络语义分割（实例分割）：提取类别，位置特征，针对每个像素，如：Deeplab网络U-Net网络可以利用较少的数据集进行端到端训练，医学领域应用较多（医学领域的标注数据获取成本很高）。为了更有效的利用标注数据，采用数据增强的方法（训练样本进行随机弹性形变）网络由收缩路径获取上下文信息以及一个对

tensorflow2.3实现多输出模型对服装数据进行类别和颜色分类，称为多输出模型。/black_jeans，/black_shoes，/blue_dress，/blue_jeans，/blue_shirt，/red_dress，/red_shirt，共3种颜色，4个类别。导入包import tensorflow as tfimport matplotlib.pyplot as pltimport numpy as npimport randomimport globimport IPy

tensorflow2.3实现猫狗数据分类预训练网络(CNN)利用Xception预训练网络对猫狗数据分类首先需要下载相关的数据集，可从kaggle官网进行下载。导入包import tensorflow as tfimport numpy as npimport matplotlib.pyplot as pltimport glob查看tensorflow的版本print('Tensorflow version: {}'.format(tf.__version__))Tensorfl

tensorflow2.3实现猫狗数据分类预训练网络(CNN)首先需要下载相关的数据集，可从kaggle官网进行下载。导入包import tensorflow as tfimport numpy as npimport matplotlib.pyplot as pltimport glob查看tensorflow的版本print('Tensorflow version: {}'.format(tf.__version__))Tensorflow version: 2.3读取数据：

tensorflow2.3实现猫狗数据分类自定义训练首先需要下载相关的数据集，可从kaggle官网进行下载。导入包import tensorflow as tfimport numpy as npimport matplotlib.pyplot as pltimport glob查看tensorflow的版本print('Tensorflow version: {}'.format(tf.__version__))Tensorflow version: 2.3读取数据，获取图片数据

tensorflow2.3实现猫狗数据分类首先需要下载相关的数据集，可从kaggle官网进行下载。导入包import tensorflow as tfimport numpy as npimport glob查看tensorflow的版本print('Tensorflow version: {}'.format(tf.__version__))Tensorflow version: 2.3读取数据image_filenames = glob.glob('./dataset/dc_2

导入包import tensorflow as tffrom tensorflow import kerasfrom tensorflow.keras import layersimport matplotlib.pyplot as plt查看tensorflow的版本print('Tensorflow version: {}'.format(tf.__version__))Tensorflow version: 2.3获取数据地址data = keras.datasets.imdb

用CNN对其进行深度学习分类。导入包import tensorflow as tfimport numpy as npimport matplotlib.pyplot as plt查看tensorflow的版本print('Tensorflow version: {}'.format(tf.__version__))Tensorflow version: 2.3读取数据fashion_mnist = tf.keras.datasets.fashion_mnist(train_ima

tensorflow2.3实现fashion_mnist数据分类(CNN)Fashion-MNIST克隆了MNIST的所有外在特征：60000张训练图像和对应Label；10000张测试图像和对应Label；10个类别；每张图像28x28的分辨率；4个GZ文件名称都一样；对于已有的MNIST训练程序，只要修改下代码中的数据集读取路径，或者残暴的用Fashion-MNIST数据集文件将MNIST覆盖，替换就瞬间完成了。不同的是，Fashion-MNIST不再是抽象符号，而是更加具象化的人类必需品—

tensorflow2.3实现mnist数据分类(CNN)MNIST数据集是机器学习领域中非常经典的一个数据集，由60000个训练样本和10000个测试样本组成，每个样本都是一张28 * 28像素的灰度手写数字图片。我们用CNN对其进行深度学习分类。导入包import tensorflow as tfimport numpy as npimport pathlib查看tensorflow的版本print('Tensorflow version: {}'.format(tf.__versio

tensorflow2.3实现卫星数据分类用卫星拍照图片实现分类算法，卫星图片有 ‘airplane’ 和 ‘lake’ 两种。###导入包import tensorflow as tfimport numpy as npimport pathlib查看tensorflow的版本print('Tensorflow version: {}'.format(tf.__version__))Tensorflow version: 2.3用pathlib读取本地数据路径data_

卷积神经网络介绍 --1CNN 简介实现对图像的高准确率识别离不开一种叫做卷积神经网络的深度学习技术。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。什么是卷积神经网络？当计算机看到一张图像（输入一张图像）时，它看的是一大堆像素值。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数组后，它将输出描述该图像属于某一特定分类的概率的数字（比如：80% 是猫、15%

学习目标：逻辑回归学习内容：线性回归预测的是一个连续值，逻辑回归给出的”是”和“否”的回答逻辑回归sigmoid函数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。逻辑回归损失函数：平方差所惩罚的是与损失为同一数量级的情形。对于分类问题，我们最好的使用交叉熵损失函数会更有效，交叉熵会输出一个更大的“损失”代码：import tensorflow as tfimport pandas as pdimoort numpy as npimport matplotlib.py

项目场景：使用tf.keras实现简单的线性回归问题描述：f(x) = ax + b，我们使用f(x)这个函数来映射输入特征和输出值原因分析：目标：使用梯度下降算法预测函数f(x)与真实值之间的整体误差最小，如何定义误差最小呢？损失函数：使用均方差作为作为成本函数，也就是 预测值和真实值之间差的平方取均值优化的目标（y代表实际的收入）：找到合适的 a 和 b ，使得 (f(x) - y)²越小越好注意：现在求解的是参数 a 和 b如何优化：使用梯度下降算法解决方案：

学习目标：tensorflow2.3版本的安装学习内容：1、 CPU版本的安装2、 GPU版本的安装CPU版本的安装过程：环境要求：Ubuntu 16.04 或更高版本（64位）Windows 7 或更高版本（64位，需Visual C++）Tensorflow 2.3 兼容的64位 Python 版本:Python 3.5-3.8，本课程使用 3.7 第一步，先安装mini-annaconda，确定python的版本， 从官网上下载 第二步，创建虚拟环境 点击annac