qq_36346625的博客

原来复现了ResNet_50。今天再复现ResNet_18的时候才发现原来ResNet_50的复现并不正确。错误地方是论文中的卷积核大小都是（3,3）。而使用keras复现的时候由于卷积层输入输出大小的计算公式不熟悉，误打误撞，虽然复现后的模型plot_model、甚至是model.summary()出来的结果都是一模一样的，但是却不是真正的ResNet_50。今天先正确复现ResNet_18，改天抽空再复现ResNet_50。ResNet论文获取连接：《Deep Residual Learning fo

原来通过np.concatenate方法拼接加载的数据，发现比较耗内存，现在改成通过append方法加载图像数据。需要注意：通过append方法加载后的数据类型是list，要想喂给卷积神经网络训练，需要转换为np.ndarray类型。import cv2import numpy as np'''ROI数据集'''open_path = 'C:/Users/panansi/Desktop/...

论文地址链接：MobileNet：Efficient Convolutional Neural Networks for Mobile Vision Applications复现代码：# -*- coding: utf-8 -*-"""Created on Fri Apr 10 02:07:28 2020@author: panansi"""from keras.layers ...

一、ResNet介绍：ResNet网络模型是何凯明团队在2016年搭建的一个模型。论文连接：Deep Residual Learning for Image Recognition。（这个模型有什么特点？比在它前面的模型（如AlexNet模型、VGG模型）有哪些改进（进步）、提出了什么新思想？这些问题先留白。二、首先通过keras的API迁移调出ResNet网络模型：width = 224...

导包：import numpy as npimport cv2from keras.layers import Dense, Dropout, Flattenfrom keras.models import Modelfrom keras.applications.vgg16 import VGG16import matplotlib.pyplot as plt#from keras...

一、从下载数据集开始说起from keras.datasets import mnist(x_train, y_train), (x_test, y_test) = mnist.load_data()通过上面代码下来的数据集的数据的shape是：print(x_train.shape)(60000, 28, 28)print(y_train.shape)(60000, 10)...

在 电影评论分类：二分类问题 中，第四部分验证所设计的模型时，将数据分为训练集、验证集和测试集。我们没有在训练的模型的相同数据上对模型进行评估，原因很快显而易见：仅仅经过几轮之后，模型就开始过拟合。也就是所说，随着训练的进行，模型在训练数据上的性能始终在提高，但在前所未见的数据上的性能则不再变化，甚至开始下降。然而机器学习的目的是得到可以泛化的模型，即在前所未见的数据上表现很好的模型，而模型的过...

这篇博客是继IMDB数据集的例子写的，关于数据集准备以及model.compile()，model.fit()可以参见IMDB数据集的例子。在IMDB数据集的例子中，模型在留出的验证数据上的性能总是在几轮之后达到最高点，然后开始下降也就是，模型很快就在那训练数据上开始过拟合。过拟合存在于所有机器学习问题中，学会如何处理过拟合对掌握机器学习至关重要。机器学习的根本问题是优化和泛化之间的对立。优化...

二分类问题是应用最广泛的机器学习问题，从这个例子中学习根据电影评论的文字内容划分为正面或负面。一、IMDB数据集本节使用IMDB数据集，它包含来自互联网电影数据库（IMDB）的50000条严重两极分化的评论。数据集被分为用于训练的25000条评论和用于测试的25000条评论，训练集和测试集都包含50%的正面评论和50%的负面评论。为什么要将训练集和测试集分开？因为不应该将训练机器学习模型的...

程序实现：MNIST数据集decode_predicts，查看网络预测结果的各个概率值分别是多少# -*- coding: utf-8 -*-"""Created on Mon Mar 2 10:58:58 2020@author: panansi"""import numpy as npfrom keras.datasets import mnistfrom keras.u...

优化器学习率的修改：优化器

一、导包准备：from keras import modelsfrom keras.layers import Conv2D, MaxPooling2D, Dense, BatchNormalization, GlobalAveragePooling2D, Dropoutimport numpy as npimport cv2from sklearn.model_selection i...

一、什么是生成器？Generator《深度学习技术图像处理入门》P113：当我们的训练数据是已一张张图片的形式保存在硬盘中，如何实现一个函数，每调用一次，就会读取指定张数的图片，将其转化为四维张量（图像编号，图像高度，图像宽度，RGB层），然后返回输出，进而在接下来的环节中交给深度学习神经网络。一个函数只有被调用才能被执行。廖雪峰博客中的话：创建一个包含100万个元素的list，不仅要占...