syh的技术记录

目录0. 前言1. 正文1.1 不考虑padding1.2 考虑padding1.3 卷积操作前后feature map size变不变3. 总结（省流助手）0. 前言深度学习在计算机视觉领域的应用离不开卷积神经网络，最典型的流程是先将原始图像进行缩放等处理，然后输入网络中，经过一系列的卷积和池化操作，最后将输出的feature map拉成一个长向量，再经过全连接层将特征进行组合，最后经过softmax输出。如VGG16模型：（图片来自网络）卷积操作很容易理解，但是如何计算卷积后的feature

使用tf2.0做数据增强：对图片进行反转、旋转等操作。代码：需要库from keras.preprocessing.image import ImageDataGenerator,load_img,img_to_arrayimport os此函数执行数据增强功能，前两个参数是需要被做数据增强的两个文件夹地址，后两个参数是做完数据增强后保存图片的地址。def DataInc(path_cat, path_tiger,to_path_cat, to_path_tiger): #定义图片

前言这段时间在做李宏毅ML/DL网课的第四次作业（2020），李老师讲得真的很棒，如果想自学的话我把课程链接放在这儿李宏毅2020网课，里面所有作业的数据集也放在这里：所有作业数据集，提取码：akti，都是这个up主整理的，挺良心的，为这个up主点赞。写这篇blog主要是为了总结最近几天的学习，以及日后用到模型可以及时拐回来复习。这次的模型在测试集上的准确率有64%左右，并不是特别高，有些过拟合，日后有提高精度的方法我会再去试试。下面写的很多东西都是我自己的理解，可能会有不准确的地方，观看时请带着批判性

0.前言写给自己当作记录，是对1.0版本的代码换一种形式。1.0版本中的代码的模型构建、训练、评估都是手打的，效果肯定没有tf2.0自带的工具好。在参考tf2.0的官方文档后，把代码换成更简洁有效的方式。实际操作时不管是编程体验还是最后输出效果都比自己手打好太多了（虽然最后的准确率并没有上升）。要提升准确率应该得优化模型，而我的模型还没有变，所以准确率和原来差不多。本文主要记录下用官方自带的方法去做CNN图片分类的步骤，以后再用时作为快速复习使用。1.CODE1.1 先引入需要的第三方库#im

0. 前言本文主要写给自己，记录下这几天做的CNN模型。虽然这个模型最后的准确率只有53%，但我觉得还是很有必要记录下整个模型的流程的。一方面是为了以后再复习CNN时可以快速想起来如何构建模型，另一方面是等以后等哪天突然知道我这个模型存在什么缺陷时，可以回过头来快速回顾一下模型然后再进行修改以提高准确率。这个CNN的目的是对图片进行分类，训练集共9866张食物图片，共有11个种类。1. 正文1.1 先引入需要的第三方库#import 需要的第三方库import numpy as npimpo

tf2.0——为什么安装了tensorflow-gpu，结果还是用CPU在训练？前言安装步骤为什么安装的是GPU版本训练时还是用的CPU？前言最近在学习台大李宏毅老师的ML/DL的网课，学到CNN那一章想着做一下作业3（用CNN实现一个11种食物分类的模型），模型搭建好后跑了一下，结果要一个多小时才能出结果，而且准确率还不是很高（53%左右），遂想修改下模型，但实在是耗不起时间（毕竟我训练模型的那一个多小时都在打王者）。所以决定下个GPU版本的tensorflow来训练模型，期间踩了很多坑，写这篇博客