卷子的博客

代码：https://github.com/MONI-JUAN/TensorFlow 19——ch14-词的向量表示：word2vec与词嵌入目录基本概念1.词嵌入2.获取映射关系 fff方法一：CBOW1.一个词预测一个词2.多个词预测一个词方法二：Skip-Gram训练 Skip-Gram第一步：下载语料库第二步：制作词表第三步：生成batch第四步：建立模型第五步：开始训练第六步：可视化基本概念1.词嵌入词嵌入：将一个词语（word）转换成一个向量（vector），用word2vec表示词嵌.

代码：https://github.com/MONI-JUAN/Tensorflow_Study/tree/master/TensorFlow 18——ch13-N VS 1 RNN做两类序列分类器目录理论数据生成测试 ToySequenceData定义各种参数定义 RNN 分类模型定义损失和准确率训练所有代码理论TensorFlow 15——ch12-RNN、LSTM基本结构数据生成# 这个类用于产生序列样本class ToySequenceData(object): """ 生成序列

代码：(https://github.com/MONI-JUAN/Tensorflow_Study/15-17——RNN-LSTM-生成文本先行知识点：TensorFlow 15——ch12-RNN、LSTM基本结构TensorFlow 16——ch12-RNN 和 LSTM 的实现方式目录一、函数定义1.定义输入数据2.定有多层LSTM模型3.定义损失二、训练模型1.生成英文2.生成诗词3.生成C代码一、函数定义1.定义输入数据model.pydef build_inputs(self):

目录RNNCellRNN 基本单元LSMT 基本单元MultiRNNCellBasicRNNCell 的 callBasicLSTMCell 的 call展开时间维度RNNCellRNNCell 是 Tensorflow 中的 RNN 基本单元，是一个抽象类，没有办法实体化，要用的是两个子类，一个是 BasicRNNCell ，一个是 BasicLSTMCell 。RNNCell 有一个 call 函数，是 RNN 的单步计算，调用：(output, next_state) = call(input

一、RNN1.单层神经网络单层网络的输入是 x，经过变焕 Wx+b 和激活函数f得到输出 y。对于序列形的数据，例如：自然语言处理中的 abcd 连着的单词语音处理中的 abcd 连续声音信号时间序列问题，股票价格之类的2.引入隐状态 h序列形的数据不太好用原始的神经网络处理。为了处理建模序列问题，RNN引入了隐状态 h(hidden state）的概念，h 可以对序列形的数据提取特征，接着再转换为输出。其中：圆圈方块表示向量箭头表示对向量变换U、W是参数矩阵b是偏置项参

目录一、CycleGAN 原理1.损失函数2.定义模型循环一致性损失生成器损失判别器损失调用损失二、苹果到橘子1.下载数据集2.转换成 tfrecords 格式3.训练模型4.查看训练情况5.导出模型6.测试模型三、男性到女性1.下载数据集2.转换成 tfrecords 格式3.训练模型4.查看训练情况四、书上的一些效果展示一、CycleGAN 原理1.损失函数CycleGAN 与 pix2pix 的不同点在于，可以利用不成对数据训练出从 X 空间到 Y 空间的映射。例如用大量照片和油画图片可以学习.

数据集用的是COCO数据集，上次12G那个 train2014.zip ，下不下来，就看看代码了。在地址http://msvocds.blob.core.windows.net/coco2014/train2014.zip 下载COCO数据集。看几个重要的函数def create_op(func, **placeholders):def create_op(func, **placeholders): '''【重要】 将 Tensorflow 中的函数变成普通函数 Tenso

目录一、概念1.GAN缺陷2.cGAN3.GAN 和 cGAN对比4.应用5.pix2pix 模型二、pix2pix1.下载数据集2.查看数据集3.训练模型4.查看训练情况5.测试模型6.其他数据集a)为食物图片上色b)为动漫图片上色一、概念1.GAN缺陷使用 GAN 可以对样本进行无监督学习，然后生成全新的样本。但虽然能生成新的样本，却无法确切控制新样本的类型。如使用 GAN 生成 MNIST 数字，虽然可以生成数字，但生成的结果是随机 的，因为是根据输入的随机躁声生成图片，没再办法控制模型生成的

目录一、基本概念1.GAN 的原理2.交叉熵损失3.DCGAN的原理二、生成MNIST图像1.下载数据集2.训练3.训练结果三、使用自己的数据集训练1.下载数据集2.训练模型3.测试模型4.测试效果一、基本概念GAN 的全称为 Generative Adversarial Networks，意为对抗生成网络。DCGAN 将 GAN 的概念扩展到卷积神经网络中，可以生成质量较高的图片样本 。1.GAN 的原理有两个网络，一个是生成网络G（Generator），一个是判别网络D（Discrimina.

概念内容损失和风格损失内容损失（Content Loss）LcontentL_{content}Lcontent​描述原始图像和生成图像在 内容 上的差异；风格损失（Style Loss）Gram矩阵（卷积层特征）描述原始图片中的 风格 ；用途利用内容损失还原图像内容；利用封给说你是还原图像风格；风格迁移：还原图像的时候还原令一张图像的风格。原始图像风格迁移 对比 快速图像风格原始：Ltotal(p→,a→,x→)L_{total}(\overrigh

目录一、第一部分1.人脸检测和人脸对齐：MTCNN2.深度卷积网络提取特征3.应用二、第二部分1.准备工作2.下载LFW 人脸数据库3.修改代码4.对LFW进行人脸检测和对齐：5.验证已有模型的正确率6.在自己的数据上使用已有模型代码：https://github.com/MONI-JUAN/Tensorflow_Study/tree/master/ch06-人脸检测和人脸识别百度云链接：https://pan.baidu.com/s/1i4a85oHe5huA5U7pR9N_-w提取码：aldv一

目录准备工作1.编译 research\object_detection\protos 中的 .proto2.把Slim加入PYTHONPATH3.测试安装API成功4.执行已经训练好的模型训练新模型1.下载数据集2.解压并转换3.准备模型4.模型配置文件5.训练新模型代码链接：https://github.com/MONI-JUAN/Tensorflow_Study/ch05-TensorFlow深度学习目标检测数据集和模型较大，可以提前下！链接：https://pan.baidu.com/s/11

目录R-CNNFast R-CNNFaster R-CNNR-CNN、Fast R-CNN 、 Faster R-CNN 的对比R-CNN全称：Region-CNN出处：《Rich feature hierarchies for accurate object detection and semantic segmentation》它可以说是第一个成功地将深度学习应用到目标检测上的算法。传统的目标检测方法大多以图像识别为基础。一般可以在图片上使用穷举法选出所高物体可能出现的区域框，对这些区域框提取

目录一、导入Inception模型并查看卷积层二、生成原始的 Deep Dream 图像三、生成更大只寸的 Deep Drearn 图像四、生成更高质量的 Deep Drearn 图像1.怎么提高质量：放大低频梯度2.具体方法：拉普拉斯金字塔梯度标准化3.代码4.效果五、带背景的 Deep Dream 模型代码链接：https://github.com/MONI-JUAN/TensorFlow—玩转DeepDream准备工作：下载预训练的 Inception 模型，ch4 的 tensorflow_i.

目录一、准备1.准备数据集2.微调训练模型程序flowers.py为satellite.py3.准备Inception V3 模型4.准备训练文件夹二、运行模型三、评估模型四、对单张图片进行识别1. 导出网络结构：2. 导出模型参数：3. 预测：五、所有代码一、准备1.准备数据集在 data_prepare 目录下用 data_convert.py 将图片转换为为 tfrecord 恪式，python data_convert.py -t pic/ \ --train-shards 2 \ .

目录一、实验过程二、CIFAR-10说明三、正文数据下载数据测试开始训练模型查看训练情况四、全部代码一、实验过程1. 下载CIFAR-10 数据python cifar10_download.py2. 测试TensorFlow 的数据读取机制python test.py3. 将CIFAR-10 数据集保存为图片形式python cifar10_extract.py4. 训练模型python cifar10_train.py --train_dir cifar10_train/ --.

如果没有基础的小白可以先看一下：TensorFlow简单演练代码：# -*- coding: utf-8 -*-# @Author : 模拟卷# @Software: PyCharm Tensorflow1.8.0 python3.5.6import tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_data'''weight_variable()：用来创建卷积核tf.truncated_norm

TensorFlow 的基本要素tf.Session() 是最重要的会话结构tf.Variable 是变量tf.placeholder 是占位符，给变量类型和sizerun初始化，有Variable就必须初始化init = tf.global_variables_initializer()sess = tf.Session()sess.run(init)run训练，每执行一次训练一步，要给变量sess.run(train_step, feed_dict={xs: x_

# -*- coding: utf-8 -*-import tensorflow.compat.v1 as tftf.disable_v2_behavior()from tensorflow.tutorials.mnist import input_data # 导入MNIST教学的模块mnist = input_data.read_data_sets("MNIST_data/", one_hot=True) # 读取数据W = tf.Variable(tf.zeros([784, 10]))