少奶奶的深度学习指北
关注
分享
扫一扫
文章平均质量分 84
变强啊三少奶奶
研究生主攻方向--机器视觉
对深度学习充满着热情 J2EE出身 热爱web前端开发
展开
-
（亲测速度杠杠的！）解读源码------完美解决Tensorflow 常用数据集下载！
入门Tensorflow时，常常会用到官方提供的简易数据集：MNIST，CIFAR-10，CIFAR-100，IMDB，FASHION-MNIST。但这些常用数据集的默认下载路径往往是国外的，所以，我们必须掌握科学的上网方式，才能下载得到，而且速度还有所限制。 现在，国内也提供了很多好的下载资源，但每次使用时，都需要自己手动下载，并手写一些数据加载代码才能使用。这个过程对于...原创 2019-08-01 11:24:52 · 2508 阅读 · 5 评论
-
第八章：Tensorflow2.0 传统RNN缺陷和LSTM网络原理（理论+实战）
一、传统RNN存在的问题1）容易出现梯度爆炸和梯度弥散虽然在某些情况下，其参数比卷积神经网络要少很多。但是，RNN并没有我们想象中的那么完美，随着循环次数的叠加，其梯度很容易出现梯度爆炸或者梯度弥散，而导致这个缺陷产生的主要原因是，传统RNN在计算梯度时，其公式中存在一个的k次方。具体出现的原因我们在上一篇博客中有详细讲解，下面给出链接： ...原创 2019-09-06 10:04:29 · 4117 阅读 · 3 评论 -
第七章：Tensorflow2.0 RNN循环神经网络实现IMDB数据集训练（理论+实践）
一、时序数据卷积神经网络是针对二维位置相关的图片，它采取权值共享的思想，使用一个滑动的窗口去提取每一个位置相关的信息，自然界除了位置相关的信息以外，还存在另一种跟时序相关的数据类型，例如：序列信号，语音信号。对于按时间轴不停产生的信号，神经网络中，我们称其为temporal signals，而循环神经网络处理的就是拥有时序相关或者前后相关的数据类型（Sequence）。二、embeddin...原创 2019-09-04 10:50:45 · 5641 阅读 · 7 评论 -
第六章：优化神经网络的技巧（理论）
前言：经过前几章的理论加实战的演练，少奶奶相信大家都对机器学习和神经网络的原理和实现都有了比较深入的了解，那么少奶奶恭喜你已经完成了利用Tensorflow 2.0为驱动，系统的学习到了深度学习的大部分知识。但是，当大家在实际中会发现，自己和别人写的是同样的逻辑和网络结构，为什么别人的准确率总是大于自己的，这不是你模型的问题，而是你在训练神经网络时，没有用到一些网络调优的小技巧，本篇博文，少奶奶将...原创 2019-08-26 15:50:24 · 1904 阅读 · 2 评论 -
第五章：Tensorflow 2.0 利用十三层卷积神经网络实现cifar 100训练（理论+实战）
前言：本章会涉及到许多与卷积神经网络相关的核心知识点，属于对卷积神经网络知识点的一些梳理和总结，所以，需要有一些基础的小伙伴才能很好的理解，刚刚入门的小伙伴，少奶奶建议先阅读其他大牛的博文，然后再来看本篇文章的理论和实战部分。若能从第一章开始看起，那你将获得一个比较系统的学习流程。下面开始正文部分。卷积神经网络相关知识点卷积对图像做卷积运算其实是一个滤波的过程 ...原创 2019-08-22 16:48:06 · 6943 阅读 · 8 评论 -
第四章：Tensorflow 2.0 实现自定义层和自定义模型的编写并实现cifar10 的全连接网络（理论+实战）
通过阅读少奶奶上一篇博文，我们初步实现了调用Tensorflow 2.0提供的keras模块下的方法，使用极少的代码完成了一个五层的全连接网络，具体代码如下： 若小伙伴需要复习一下上一篇博文的内容的话，少奶奶这里给出对应链接，希望对大家有所帮助： 第三章：Tensorflow 2.0 利用高级接口...原创 2019-08-21 16:20:59 · 5964 阅读 · 5 评论 -
第三章：Tensorflow 2.0 利用高级接口实现对cifar10 数据集的全连接（理论+实战实现）
理论部分一、cifar 10数据集简介cifar 10相比于MNIST数据集而言更为复杂，其拥有10个种类（猫、飞机、汽车、鸟、鹿、狗、青蛙、马、船卡车），这十大类共同组成了50k的训练集，10k的测试集，每一张图片都是32*32的3通道图片（彩色图片），在神经网络中，通常表示成如下形式： ...原创 2019-08-20 21:32:14 · 5348 阅读 · 6 评论 -
第一章：Tensorflow 2.0 实现简单的线性回归模型（理论+实践）
1，机器学习的目标从大量数据中学习到高维的抽象特征，使得新输入的x也能在经过模型后，得出一个符合实际情况的y值。在自然界中，若y为离散型，则属于分类问题，y为连续型则属于预测问题。2，为什么需要大量样本？若我们提前知道了某一堆样本服从下述线性模型，那么我们就有理由相信输入任意x所构成的点（x,y）都服从该线性模型分布。 ...原创 2019-08-12 11:36:03 · 7726 阅读 · 14 评论 -
第二章：Tensorflow 2.0 手写全连接MNIST数据集（理论+实战）
理论部分1，什么是MNIST数据集？相信大家入门机器学习时，都会从网上下载MNIST的demo进行入门学习，所以少奶奶相信大家对MNIST数据集再熟悉不过了，在少奶奶看来，MNIST数据集是由60k的训练样本和10k的测试样本构成的简单数据集，每一个样本宽高为28x28,都是由0~255像素构成的单通道图片，在神经网络中，我们通常用以下的tensor进行表示： ...原创 2019-08-15 15:40:21 · 14465 阅读 · 10 评论 -
开启Tensorflow 2.0时代
从2015年发布0.1版本开始，Tensorflow每两年实现一次重大版本升级，到2019年4月，google推出了全新的tensorflow2.0，标志着Tensorflow迎来重大的历史变革，那么这次版本升级究竟会给我们广大开发者带来什么惊喜呢？少奶奶将把自己的学习笔记写成博客，供大家学习交流。1，深度学习框架简述Scikit-learn是面向机器学习比较著名的机器学习框架，但遗憾的是...原创 2019-08-11 15:34:29 · 2310 阅读 · 2 评论 -
人脸识别系列：人脸检测（MTCNN）与身份识别（FaceNet）
前言本教程详细介绍了常用人脸识别模型------MTCNN与人脸比对模型------FaceNet的模型结构与实现原理，并整合两者，实现一个简单的人脸抓取与人脸比对的程序。备注：感谢众多前辈的分享：参考一,参考二1，人脸抓拍与比对程序整体架构通过上图，我们可以知道，在该系统中，MTCNN模型会从照片中检测到所有可能的人脸，并把人脸数据直接传输到FaceNet网络模型中，FaceNet网络模型会把人脸图片embedding成numpy能识别的二进制数据，该数据通过与人脸数据库中所有数据进行欧氏距离的计原创 2020-11-05 09:41:42 · 4424 阅读 · 2 评论 -
TensorFlow Lite（实战系列三）：YOLOV3嵌入Android版APP实现对象检测案例
摘要本次实战案例，少奶奶给大家带来了使用Tensorflow Lite方式把YOLOV3嵌入Android版APP中，该APP通过调用手机摄像头，实现实时检测并返回具体结果，从而实现自定义网络模型移植边缘设备的可能。通过阅读本篇博客，大家也可以获得以下提升：1）自定义训练的网络模型都可以通过TensorFlow Lite移植到Android版的APP中，实现实时监测。2）讲解Android项目中的核心源码，让大家理解TensorFlow Lite工作的整个流程，使得大家在开发不同APP时，从被动变成主原创 2020-09-27 17:33:50 · 4976 阅读 · 17 评论 -
TensorFlow Lite（实战系列二） ：自定义网络实现MNIST数据集的训练迁移边缘设备
摘要在本篇文章中，少奶奶将详细的讲解如何把自定义训练的网络模型转换成TensorFlow Lite能识别的模型，并嵌入到手机设备中，让大家能够摆脱只能使用Google官网提供的模型的苦恼。此次教程使用的是MNIST数据集，在下一篇文章中，少奶奶将会使用YOLOV3模型来训练更为复杂的模型结构。当然，若有小伙伴不理解YOLOV3模型，少奶奶也会在近期使用浅显易懂的方式讲解一下YOLOV3.但总的来说，无论你是使用官网提供的模型还是自定义训练的模型，其整体思路是不变的。还请大家细心浏览和理解。感谢前辈的分享原创 2020-08-07 10:39:40 · 1075 阅读 · 9 评论 -
TensorFlow Lite（实战系列一）：TFLite Android 迁移训练构建自己的图像识别APP
摘要人工智能想要从实验室走向大众，一个必不可少的途径就是朝着智能终端、嵌入式产品等边缘设备发展。谷歌基于TFMobile推出了TFLite，我们只需要把训练好的模型按照一定规则转换成拥有.tflite后缀的模型文件，便可以通过Android Studio生成app并嵌入到手机终端里，实现边缘设备的落地。为了让大家体验到TensorFlow Lite的强大。少奶奶将会以Google官网提供的花卉重训练模型案例为基础，逐步为大家详细讲解数据准备，模型迁移训练，tflite文件转换，App嵌入等步骤。让大家也能原创 2020-07-17 10:59:53 · 5210 阅读 · 12 评论