墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
100+累计阅读
79平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
引言：
图像分类是计算机视觉领域的一个重要任务，它涉及将图像分为不同的类别。深度学习在图像分类中取得了显著的成果，尤其是卷积神经网络（Convolutional Neural Networks，简称CNN）的出现。本文将介绍如何构建和优化一个基于深度学习的图像分类器，通过Python代码演示具体实现过程。
import tensorflow as tf
from tensorflow.keras.datasets import mnist
# 加载MNIST数据集
(train_images, train_labels)深度学习入门：构建并优化一个图像分类器
在本篇博客中，我们详细介绍了如何使用深度学习构建一个图像分类器，包括数据集准备、模型搭建、训练、评估与优化。此外，我们还介绍了一些模型优化方法，如数据增强、学习率调整策略、正则化策略和模型结构优化。通过这些方法，我们可以有效地提高模型性能，使其在图像分类任务中表现更加准确和可靠。
使用C++和OpenCV构建SVM图像分类器项目指南
图像分类是计算机视觉领域的一个核心任务，旨在通过算法将数字图像分配给一个或多个类别。这一过程模拟了人类的视觉感知，允许机器以类似人脑的方式识别和处理图像数据。图像分类广泛应用于自动驾驶、医学成像、安防监控以及社交媒体等众多领域。支持向量机（SVM）是一种二分类模型，其基本模型定义为特征空间上间隔最大化的线性分类器，其学习策略就是间隔最大化，可形式化为一个求解凸二次规划的问题，也等价于正则化的合页损失函数的最小化问题。
基于PyTorch的花卉图像分类器实战项目
图像分类是计算机视觉中最基础且关键的任务之一，其目标是为输入图像分配一个预定义类别标签。该任务依赖算法自动提取图像中的语义信息，并完成决策分类。在现实场景中，模型常面临光照变化、物体姿态多样、背景噪声干扰等复杂因素，导致特征表达不稳定。传统方法依赖手工设计特征（如SIFT、HOG），但泛化能力有限。相比之下，深度学习通过卷积神经网络（CNN）实现端到端特征学习，显著提升了分类精度与鲁棒性。目前最广泛使用的花卉数据集之一是，由牛津大学视觉几何组发布。
告别手动调参！PSCAD 4.2的Multiple-Run功能，5分钟搞定交流故障批量仿真
本文详细介绍了PSCAD 4.2的Multiple-Run功能如何高效处理交流故障批量仿真，告别传统手动调参的低效模式。通过五步配置法，工程师可在5分钟内完成数百次参数组合的仿真，显著提升电力系统分析效率。文章还包含工业级应用案例和高级调试技巧，助力实现故障仿真的自动化与智能化。
异常数据处理——3σ原则、箱线图
异常数据处理——3σ原则、箱线图 用不包括异常值的剩余数据的均值替换、删除DataFrame中某列有异常值的整行等方法
避开CPU瓶颈：手把手教你用RK3588的DMA-BUF实现V4L2到NPU的零拷贝数据流
本文详细介绍了如何在RK3588平台上利用DMA-BUF实现V4L2到NPU的零拷贝数据流，显著提升异构计算性能。通过实战指南展示了如何配置摄像头采集、RGA图像预处理和NPU推理优化，最终实现CPU占用率降低60%、延迟减少60%的效果，特别适合YOLOv5等AI推理应用的高效部署。
STM32单片机：驱动ADS1115四个通道全开程序
本文介绍了德州仪器(TI)的ADS1115高精度16位模数转换器(ADC)及其应用实现。该芯片具有16位分辨率、可编程增益放大器(PGA)和低功耗特性，支持±0.256V至±6.144V量程。文章提供了完整的C语言驱动代码，包括初始化、配置寄存器读写、单次/连续转换模式设置、电压值读取等功能实现。代码通过I2C接口与ADS1115通信，支持多通道选择和不同PGA设置，可实现高精度模拟信号采集。该方案适用于需要精密测量的嵌入式系统，如传感器数据采集等应用场景。
港口集装箱码头运营FlexSim仿真
列队4中的集装箱会根据不同类型的集装箱会放置在不同的堆场，因此根据前面对集装箱设置的标签Type的数值不同，设置不同的发送端口。集装箱到达列队3后，会有70%的集装箱到达堆场，30%的集装箱运出港口，因此在Queue列队3的Flow界面设置按照百分比发送端口，其中70%发送到端口1，即发送到列队4等待进入堆场，30%发送到端口2，即发送至出闸口。通过上述对比表格可以看出，当集卡数量在10的时候，岸桥和场桥的设备利用率达到了最高，当集卡数量为12的时候场桥1和场桥3的利用率有所下降，因此综合考虑。
AI智能体：3分钟搞定数据存储，扣子+飞书让你效率翻倍
第二种，AI 转换，在 Excel 里整数据，无脑丢给 AI 转换成 JSON，简单不？最外层的方括号代表是一组数据，里面有两笔数据，也就代表 Excel 中的两行数据。而不是将插件放入到复杂的流程中，这样干扰项太多，不容易发现插件调用时存在的问题。当然，也可以通过查询，再判断行是否为空行，最后进行更新，这样会麻烦不少。每笔花括号里是一行数据，冒号左侧是列头，冒号右侧是单元格的内容。接下来测试，初次使用飞书插件时，可能会遇到错误，指明需要授权。的插件，那么每次数据将会进行追加，即使是空白行也不会被忽略。
SHP转TXT、TXT转SHP工具（附工具下载链接）
关于TXT，可以选择整个图层生成一个TXT。也可以勾选“每个地块单独存TXT”，然后选择一个字段，根据字段值，给每个地块生成一个TXT文件。支持选择和数据框一样的坐标系，也可以选择一个图层，工具会采用和这个图层一样的坐标系。1、TXT数据支持输入单个或者多个TXT文件，也可以直接选择TXT所在的文件夹。所有的TXT数据都生成到一个矢量数据图层。关于这一行的内容，可以在地块坐标行设置中进行设置。其他：①面节点闭合：勾选，则回到起点。属性描述：可以直接复制粘贴进来，也可以直接修改。也可以改为任意字母。
【NVIDIA】Jetson Orin Nano系列：编译外部驱动（交叉编译和板上编译）
Orin Nano外部驱动的开发入门，以hello world为例。使用交叉编译和板上编译两种方法
SAP B1中文培訓教材_SDK
公司内部培训资料，对开发工具 ，DIAPI， UIAPI，Add-ON有详细解说
Outlook Express 6 (OE6) for Win7/Win8/Win10
英文版 Outlook Express6.0， 兼容Win7/Win10/WinXP，解压就可用。
OV9734 DATASHEET，完整规格书
OV9734完整规格书，包括电气参数，尺寸规格，寄存器配置表等
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
341
扫一扫
