<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[lllindada的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/lllindada</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; lllindada]]></copyright><item><title><![CDATA[module ‘tensorflow.keras.layers‘ has no attribute ‘RandomFlip‘]]></title><link>https://blog.youkuaiyun.com/lllindada/article/details/128049273</link><guid>https://blog.youkuaiyun.com/lllindada/article/details/128049273</guid><author>lllindada</author><pubDate>Sat, 26 Nov 2022 10:59:46 +0800</pubDate><description><![CDATA[module 'tensorflow.keras.layers' has no attribute 'RandomRotation'也是一样的问题。应该改为： tf.keras.layers.experimental.preprocessing.RandomRotation(0.2),旧版本的该方法在tf.keras.layers.experimental.preprocessing.RandomFlip。tf.keras.layers.RandomRotation(0.2),运行错误。]]></description><category></category></item><item><title><![CDATA[非极大抑制]]></title><link>https://blog.youkuaiyun.com/lllindada/article/details/117067352</link><guid>https://blog.youkuaiyun.com/lllindada/article/details/117067352</guid><author>lllindada</author><pubDate>Thu, 20 May 2021 15:45:43 +0800</pubDate><description><![CDATA[非极大值抑制（Non-Maximum Suppression，NMS）正如其名，如果不是极大值，就将这个结果抑制掉。

目标检测中，利用检测方法检测到的结果往往有很多，而我们一般只需要最好的那一个结果。

非极大抑制就是以这些检测结果（置信度）的最大的那个检测框作为基准，再对其他结果进行排序。

按顺序从排序结果中取出其他结果，如果其他检测结果和最大结果的重叠面积大于我们规定的阈值的话，就说明这个结果是冗余的，就可以把这些结果去掉。





如图所示，最初的检测结果有5个，分别为：女：0.98,0.83.]]></description><category></category></item><item><title><![CDATA[to_categorical的用法]]></title><link>https://blog.youkuaiyun.com/lllindada/article/details/114123550</link><guid>https://blog.youkuaiyun.com/lllindada/article/details/114123550</guid><author>lllindada</author><pubDate>Fri, 26 Feb 2021 13:05:24 +0800</pubDate><description><![CDATA[to_categorical(y, num_classes=None)

将类别向量(从0到nb_classes的整数向量)映射为二值类别矩阵, 用于应用到以categorical_crossentropy为目标函数的模型中.
参数
y: 类别向量
num_classes:总共类别数
to_categorical就是将类别向量转换为二进制（只有0和1）的矩阵类型表示。其表现为将原有的类别向量转换为独热编码的形式。

]]></description><category></category></item><item><title><![CDATA[Your input ran out of data； interrupting training. Make sure that your dataset or generat]]></title><link>https://blog.youkuaiyun.com/lllindada/article/details/112714969</link><guid>https://blog.youkuaiyun.com/lllindada/article/details/112714969</guid><author>lllindada</author><pubDate>Sat, 16 Jan 2021 16:56:43 +0800</pubDate><description><![CDATA[Your input ran out of data; interrupting training. Make sure that your dataset or generator can generate at least `steps_per_epoch * epochs` batches (in this case, 3000 batches). You may need to use the repeat() function when building your dataset.

histo.]]></description><category></category></item><item><title><![CDATA[No module named ‘kerastuner‘]]></title><link>https://blog.youkuaiyun.com/lllindada/article/details/109553727</link><guid>https://blog.youkuaiyun.com/lllindada/article/details/109553727</guid><author>lllindada</author><pubDate>Sat, 07 Nov 2020 22:46:20 +0800</pubDate><description><![CDATA[import tensorflow as tf
from tensorflow import keras

import IPython

!pip install keras-tuner
import kerastuner as kt

结果报错：


----&gt; 2 import kerastuner as kt

ModuleNotFoundError: No module named 'kerastuner'

百度了，好像没人碰到过这个问题，怎么解决？
...]]></description><category></category></item><item><title><![CDATA[一个学习深度学习基础的外文网站]]></title><link>https://blog.youkuaiyun.com/lllindada/article/details/105857831</link><guid>https://blog.youkuaiyun.com/lllindada/article/details/105857831</guid><author>lllindada</author><pubDate>Thu, 30 Apr 2020 11:26:11 +0800</pubDate><description><![CDATA[https://mlfromscratch.com/neural-networks-explained/#/
]]></description><category></category></item><item><title><![CDATA[Jupyter Notebook安装jupyter_contrib_nbextension时无法勾选Hinterland]]></title><link>https://blog.youkuaiyun.com/lllindada/article/details/105243375</link><guid>https://blog.youkuaiyun.com/lllindada/article/details/105243375</guid><author>lllindada</author><pubDate>Wed, 01 Apr 2020 12:45:42 +0800</pubDate><description><![CDATA[按照别人的方法一步一步来

1、进入命令行环境

2、安装nbextensions

pip install --user jupyter_contrib_nbextensions -i https://pypi.mirrors.ustc.edu.cn/simple
jupyter contrib nbextension install --user
3、安装nbextensions_config...]]></description><category></category></item><item><title><![CDATA[Python学习——can't multiply sequence by non-int of type 'float']]></title><link>https://blog.youkuaiyun.com/lllindada/article/details/105242908</link><guid>https://blog.youkuaiyun.com/lllindada/article/details/105242908</guid><author>lllindada</author><pubDate>Wed, 01 Apr 2020 12:13:07 +0800</pubDate><description><![CDATA[错误原因：python的Input()方法返回的是字符串，并非想要的整形或者浮点型数据，此句应该改为：



强制类型转化一下
]]></description><category></category></item><item><title><![CDATA[tensorlfow2.0入门——影评（WordEmbedding的基本概念和知识）]]></title><link>https://blog.youkuaiyun.com/lllindada/article/details/103574617</link><guid>https://blog.youkuaiyun.com/lllindada/article/details/103574617</guid><author>lllindada</author><pubDate>Tue, 17 Dec 2019 09:50:58 +0800</pubDate><description><![CDATA[自然语言处理在Word Embedding技术出现之前，传统的做法是将词汇表中的单词或短语转换成单独的离散的符号，例如“舢板”一词可表示为编号为Id253的特征，而“雨伞”一词可表示为编号为Id533的特征。这就是我们后面内容即将讲到的独热编码矩阵，我们将一篇文章中的每一个词汇都转换成该词汇所对应的向量，那么整篇文章就变成了一个稀疏的矩阵，接下来将整个文章所对应的稀疏矩阵合并成一个向量，将每...]]></description><category></category></item><item><title><![CDATA[tensorflow2.0入门——影评对预处理文本进行文本分类]]></title><link>https://blog.youkuaiyun.com/lllindada/article/details/103417582</link><guid>https://blog.youkuaiyun.com/lllindada/article/details/103417582</guid><author>lllindada</author><pubDate>Fri, 13 Dec 2019 22:56:47 +0800</pubDate><description><![CDATA[影评只有好或者坏，所以是二分类

数据来源于网络电影数据库（Internet Movie Database）的IMDB 数据集（IMDB dataset），其包含 50,000 条影评文本。从该数据集切割出的25,000条评论用作训练，另外 25,000 条用作测试。

第一步：下载 IMDB 数据集


from __future__ import absolute_import, divis...]]></description><category></category></item><item><title><![CDATA[tensorlfow2.0入门——影评]]></title><link>https://blog.youkuaiyun.com/lllindada/article/details/103416686</link><guid>https://blog.youkuaiyun.com/lllindada/article/details/103416686</guid><author>lllindada</author><pubDate>Fri, 06 Dec 2019 10:11:03 +0800</pubDate><description><![CDATA[使用来源于网络电影数据库（Internet Movie Database）的IMDB 数据集（IMDB dataset），其包含 50,000 条影评文本。从该数据集切割出的 25,000 条评论用作训练，另外 25,000 条用作测试。在中间步骤，25000条训练集会按照6:4的比率分割为15000条训练集和10000条验证集。训练集与测试集是平衡的（balanced），意味着它们包含相等数量...]]></description><category></category></item><item><title><![CDATA[tensorflow 2.0入门学习——深度学习中的batch、epoch、iteration的含义]]></title><link>https://blog.youkuaiyun.com/lllindada/article/details/103416630</link><guid>https://blog.youkuaiyun.com/lllindada/article/details/103416630</guid><author>lllindada</author><pubDate>Fri, 06 Dec 2019 09:32:30 +0800</pubDate><description><![CDATA[深度学习的优化算法，说白了就是梯度下降。每次的参数更新有两种方式。

第一种，遍历全部数据集算一次损失函数，然后算函数对各个参数的梯度，更新梯度。这种方法每更新一次参数都要把数据集里的所有样本都看一遍，计算量开销大，计算速度慢，不支持在线学习，这称为Batch gradient descent，批梯度下降。

另一种，每看一个数据就算一下损失函数，然后求梯度更新参数，这个称为随机梯度下降，sto...]]></description><category></category></item></channel></rss>