STILLxjy

TensorFlow 将数值计算表示为计算图。使用TensorFlow建立神经网络的固定步骤： 一：定义计算图结构 二：通过预测值定义损失函数 三：定义优化器 四：创建会话（Session）训练网络我们使用Tensorflow实现网络结构： h = ReLU(W * x + b)计算图如下图所示：在计算图中包含了TensorFlow的3种元素：1：变量（variable）...

GAN网络思路梳理：GAN (Generative Adversarial Networks)意为对抗生成网络。它巧妙地利用“对抗”的思想来学习生成式模型，一旦训练完成后可以生成全新的数据样本，可以看成是一种无监督学习方法。GAN的基本原理其实非常简单，可以把GAN看作一个生成数据的工具，GAN可以生成任意类型的数据，我们这里以生成图片为例。假设有两个网络：生成网络G(generator) ...

生活中常常会碰到各种各样的时间序列预测问题，如商场人流量的预测问题、商品价格的预测、股价的预测、等等。这些问题都，已知过去时间内的数据，希望你从中“发现”规律，预测未来值，并且数据按照时间顺序展开。本文讲解TensorFlow 处理这类问题的基本处理方法。主要讲解：(一) 我们对这类问题的数据的处理方法，以方便输入给后续的网络模型。(二) DNN模型对此类问题的处理，达到入门的效果。...

当我们要使用神经网络解决某一问题时，有时我们并不需要从0开始训练一个网络，因为训练一个较为复杂的网络，不仅会消耗很多时间也需要较大的数据集。我们可以使用别人在解决与我们类似的问题时，已经训练好的网络和相应的参数，将网络结构进行“微调”，使得它适合我们的问题，最后在我们的数据集上进行再次的训练。例如，在解决图像分类问题时我们可以使用已经在大型的数据集上训练好的InceptionV3网络。由于...

当我们训练一个较为复杂的网络，并且我们的训练数据集有限时，网络十分容易陷入过拟合的状态。解决这个问题的一个可能的有效方法是：进行数据增强，即通过已有的有限的数据集，通过图像处理等方法（旋转，剪切，缩放…），获得更多的，类似的，多样化的数据。数据增强处理，不会占用更多的存储空间，即在数据增强过程中，原始的数据不会被修改，所有的处理过程都是在内存中 即时（on-the-fly） 的处理。注意：...

在我们训练神经网络时，对于训练数据的迭代次数（epochs）的设置，是一个值得思考的问题。通常，epochs 越大，最后训练的损失值会越小，但是迭代次数过大，会导致过拟合的现象。我们往往希望当loss值，或准确率达到一定值后，就停止训练。但是我们不可能去人为的等待或者控制。tensorfow 中的回调机制，就为我们很好的处理了这个问题。tensorfow 中的回调机制，可以实现在每次迭代一...

实验环境： goolge colab （改为本地使用也非常的简单，只需将测试部分稍作修改即可）初始环境：tmp文件下为空content文件下只有sample_data文件步骤(1)：下载人马数据集的训练集压缩包和验证集压缩包，放在/tmp/horse-or-human.zip/tmp/validation-horse-or-human.zip!wget --no-check-c...

首先，有关LabelImg这个对图像打标的软件的安装和使用方法可以参考：https://github.com/tzutalin/labelImg#labelimghttps://blog.youkuaiyun.com/enjoy_endless/article/details/80803149https://cloud.tencent.com/developer/news/325876本文主要讲解，如...

之前写过TensorFlow建立神经网络的固定步骤： https://blog.youkuaiyun.com/STILLxjy/article/details/89366256现在我们严格按照上面的步骤实现线性回归。已知一些点坐标（x,y）,通过一条直线去拟合数据点（类似于根据大小估计房屋的价格）（1）通过 y=2x + e 的方式创建实验数据，e为噪音（2）按照步骤建立神经网络：一：定义计算...

项目原地址本文记录博主在参照上述项目进行实现时的完整流程与详细步骤，记录一些注意点和思考，方便日后复习。项目效果使用Tensorflow Object Detection API 完成对扑克牌的分类与检查。项目流程：安装Anaconda3设置TensorFlow目录和Anaconda虚拟环境收集和标注数据集产生训练数据配置训练文件训练模型提取训练完毕后的模型测试1...