qq_51324662的博客

CIFAR-10数据集信息CIFAR10数据集包含60000张彩色图像，共10类，平均每类6000张图，图像大小是(32, 32)另外加载数据集已经做好了切分，训练集50000张，测试集10000张。#共有：‘airplane’, ‘automobile’, ‘bird’, ‘cat’, ‘deer’, ‘dog’, ‘frog’, ‘horse’, ‘ship’, ‘truck’，等十个类数据集图片（展示）测试集和训练集的制作将测试集和训练集打乱并且将数据重复10遍，设置

写在前面的话：这个模型借鉴了github上一个大佬的模型和他的文章：TensorFlow练手项目三：使用VGG19迁移学习实现图像风格迁移_食用方法：在setting.py里面更改配置就可以了# 内容特征层及loss加权系数CONTENT_LAYERS = {'block4_conv2': 0.5, 'block5_conv2': 0.5}# 风格特征层及loss加权系数geSTYLE_LAYERS = {'block1_conv1': 0.2, 'block2_conv1': 0.2, '

INCEPTION模块BN算法这里借鉴了一个博客一、BN算法产生的背景 做深度学习大家应该都知道，我们在数据处理部分，我们为了加速训练首先会对数据进行处理的。其中我们最常用的是零均值和PCA（白话）。首先我们进行简单介绍零均值带来的只管效果：​ 简单的划了一个草图。第一张图我们进行分析。由于我们对网络进行参数初始化，我们一般是采用零均值化。我们初始的拟合直线也就是红色部分。另外的一条绿色直线，是我们的目标直线。从图能够直观看出，我们应该需要多次迭代才能得到我们的需要的目标直线

NIN层简介：我们提出了一种新型的深度网络结构，称为“Network In Network”（NIN），它可以增强模型在感受野（receptive field）内对局部区域（local patches）的辨别能力。传统的卷积层使用线性滤波器来扫描输入，后面接一个非线性激活函数。而我们则构建了一些结构稍复杂的微型神经网络来抽象receptive field内的数据。我们用多层感知器实例化微型神经网络，这是一种有效的函数逼近器。特征图可以通过微型神经网络在输入上滑动得到，类似于CNN；接下来特征图被传入

Fashion-MNIST数据集介绍"""Loads the Fashion-MNIST dataset.This is a dataset of 60,000 28x28 grayscale images of 10 fashion categories,along with a test set of 10,000 images. This dataset can be used asa drop-in replacement for MNIST. The class labels are:

机器学习之波士顿房价预测Boston house prices datasetData Set Characteristics::Number of Instances: 506 :Number of Attributes: 13 numeric/categorical predictive. Median Value (attribute 14) is usually the target.:Attribute Information (in order): - CRIM p

这个东西本身是要矩阵方程来解的但是，这个我查了一下资料没有找到很好的解决方法所以，只能将就一下，用梯度下降方法来求：import tensorflow as tfx=tf.constant([[1,0],[0,1],[0,0],[1,1]])y=tf.constant([[1],[1],[0],[1]])model=tf.keras.Sequential([ tf.keras.layers.Dense(2,input_shape=(1,2)), tf.keras.layer...

验证码识别数据收集这里数据收集我们使用了河南某211高校的验证码数据集：收集一万张图片做数据集：import requestsfor i in range(1,10000): response=requests.get(url="https://jksb.v.zzu.edu.cn/vls6sss/zzjlogin3d.dll/zzjgetimg?ids="+str(i)) print(i) with open("photos/"+str(i)+".jpg","wb") a

TensorFlow基础#这一章更加系统的讲述了TensorFlow的基础知识（注：保存和分享一下笔记>^<）#检验了一下自己发现自己有关机器学习的知识并不是掌握的那么好这里再重修一遍，使知识系统起来。数据类型数据类型，包含数值类型，字符串类型和布尔类型。数值类型数值类型是TensorFlow的主要数据载体，根据维度数来区分可分为：标量：单个的实数，维度数为0，shape为[]。向量：n个实数的有有序集合，通过中括号包裹，维度为1，长度不定，shape为[n]。矩阵：n行m列

onehot编码本质上来讲是一个分类数据处理的方法，将每一个选项对应一串二进制编码。如下图所示：而我们以手写训练集为例，手写训练集的总类别一共有十种，即输出节点为10，那么对于其中一个样本用布尔值0表示其不存在，用布尔值1表示其存在，这样对于1我们可以用一串二进制数据来表示：1000000000，同理二也可以用类似的形式表示：010000000。而对于tensorflow来说有一个封装好的方法可以直接实现one-hot编码：y=tf.constant([1,2,3,4,5,6,7,8,9,0])

神经网络我们需要想一下这个神经网络的大概模样，它应该至少有三个函数：—格式化函数：设定输入层节点、隐藏节点和输出层节点的数量。—训练：给定训练集样本后，优化权重。—查询：给定输入，从输出节点给出答案。所以，先写一个简单的框架#neural network class definitionclass neuralNetwork: #initialise the neural network def __init__(self): pass #tr