墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
200+累计阅读
219平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
在机器学习中，数据集是进行模型训练和评估的关键组成部分。Keras是一个流行的深度学习框架，它提供了许多常用的数据集供我们使用。本篇文章将介绍如何使用Keras内置的数据集，并展示一些示例代码。
首先，我们需要确保已经安装了Keras库。可以使用以下命令安装：
pip install keras
安装完成后，我们可以开始使用Keras提供的数据集。
MNIST是一个经典的手写数字数据集，包含了大量的手写数字图像及其相应的标签。我们可以使用Keras加载这个数据集，代码如下：
from keras.datasets import mnist
# 加载数据集
(train_images, train_labels), 深入探索MNIST数据集：从手写数字到机器学习
在本文中，我们深入探讨了MNIST数据集，从数据加载和可视化到数据预处理、模型构建、训练和评估。MNIST数据集是一个理想的入门项目，可帮助初学者了解机器学习和深度学习的基本概念。如果你刚刚入门机器学习，这篇文章希望能为你提供一个良好的起点，供你继续探索这个令人兴奋的领域。如果你有兴趣，你可以进一步探索MNIST数据集，尝试其他深度学习模型，调整超参数，甚至尝试自己手写数字并让模型进行分类。祝你在机器学习的旅程中取得成功！希望这篇博客对你有所帮助，欢迎提出任何问题或建议。愿你在机器学习的旅程中取得成功。
【ML】 李宏毅机器学习笔记
我的github链接 - 课程相关代码： https://github.com/YidaoXianren/Machine-Learning-course-note 0. Introduction Machine Learning: define a set of function, goodness of function, pick the best function Regressio...
机器学习笔记（一）Tensorflow / keras 对服装图像进行分类（ Fashion MNIST 数据集）
Tensorflow / keras 对服装图像进行分类（ Fashion MNIST 数据集） 开发环境程序简介程序分解输出 Tensorflow 版本下载 Fashion MNIST 数据集预处理数据构建神经网络模型 开发环境 Anaconda 4.9.2 / Python 3.6.12 / Tensorflow 2.4.1（CPU版） 程序简介 本程序旨在利用 TensorFlow 中用来构建和训练模型的高级 API —— keras 训练一个神经网络模型，对服装图像进行分类（10类）。程序中的数据集
从基础到进阶：Sklearn、TensorFlow 与 Keras 机器学习实用指南第三版全解析
本文介绍了机器学习和深度学习三大主流框架——Scikit-learn、TensorFlow和Keras的应用指南。首先讲解了Scikit-learn在数据预处理、特征工程和模型训练中的使用流程，并提供了分类模型示例。其次探讨了TensorFlow的张量计算和Keras的简化神经网络构建方法，包含多层感知机的实现代码。最后通过电动汽车充电站入侵检测系统的实战案例，展示了从数据处理到模型部署的完整应用流程。该书为开发者提供了从基础概念到实际应用的全面指导，帮助快速掌握机器学习与深度学习技术。
人工智能与机器学习——Keras编程分别实现人脸微笑和口罩数据集的识别模型训练和实时分辨笑脸和口罩检测
目录一、环境准备安装anconda3安装dlib库安装OpenCV库安装tensorflow安装keras环境检测二、人脸笑脸识别下载笑脸数据集划分测试集、训练集和验证集创建模型对图片进行归一化处理训练模型实现笑脸辨别三、人脸口罩识别下载口罩数据集划分测试集、训练集和验证集创建模型对图片进行归一化处理训练模型实现口罩辨别四、参考资料 一、环境准备 安装anconda3 Anaconda是一个包含180+的科学包及其依赖项的发行版本。其包含的科学包包括：conda, numpy, scipy, ipython
树莓派4b上安装tensorflow+keras
折腾了一天，总算在树莓派4b上安好了ML的环境，记录如下： 事先声明，树莓派上跑ML真的性能不太行，即使是系列最强的4b4G版。 我也只是为了测试性能（闲得蛋疼 ）才来试一下来着： 大部分的方法参考了 https://raspberrypi.stackexchange.com/questions/107483/error-installing-tensorflow-cannot-find-lib...
机器学习笔记 - 探索 keras 数据集
数据集对于功能性机器学习模型至关重要。 拥有一个好的可用数据集可能是您的 ML 项目成功或失败的主要因素。特别是当您不熟悉机器学习以及创建模型以进行学习时尤其如此。 这就是 Keras 深度学习框架包含一组标准数据集的原因。可以帮助用户确认算法或者模型，今天，我们将更详细地了解这些数据集。我们单独探索数据集，详细查看数据，尽可能可视化内容。 此外，我们将尝试找出这些数据集可能对您的学习轨迹有用的一些用例。 为了让对机器学习感兴趣的人能够顺利开始，Keras 在框架的上下文中提供了
Keras深度学习实战（2）——使用Keras构建神经网络
Keras 是用 Python 编写的高级神经网络 API，它的核心思想在于实现快速实验，该库提供了很多实用工具，可以简化构建复杂神经网络的过程。在本节中，我们将使用 Keras 库构建神经网络，感受 Keras 快速模型构建的特性。.........
tf.keras.datasets详解
tf.keras.datasets详解
探索时尚的视觉奇观：使用 TensorFlow 和 Keras 征服 Fashion MNIST 数据集
Fashion MNIST 数据集作为时尚界的一扇窗口，由 Zalando 公司发布。本文将详细介绍如何利用 TensorFlow 和 Keras 库加载这一数据集，并展示如何通过示例代码展示训练集中的前 25 个图像及其对应的类别名称。通过学习本文，您将能够掌握处理图像数据、构建深度学习模型的关键技能，为在时尚图像分类领域展开探索提供全面的准备。
机器学习笔记 - 使用Keras、TensorFlow框架进行自定义数据集目标检测训练
学习如何训练自定义深度学习模型，以通过Keras、TensorFlow、VGG的来执行对象检测。
机器学习笔记 - tensorFlow的estimator和keras API
Estimator是一种可极大地简化机器学习编程的高阶 TensorFlow API。它提供了对较低级别Tensorflow核心操作的高级抽象。keras和estimator都属于对模型的封装，都会封装模型的训练流程的代码。都有分布式的支持，还有dataset的支持。 estimator在1.0中就有，主要的封装抽象在模型训练流程，需要自行定义模型结构。keras则对层次的模型训练流程都进行的抽象。当然，也可以使用keras对层次的封装来定义模型结构送到estimator中去使用。
机器学习笔记 - 使用Keras Tuner进行自动化超参数调整
Keras Tuner可用于自动调整 Keras 模型的参数和超参数。通过搜索空间自动调整Keras模型的超参数。 通过上面了解了神经网络参数和超参数的自动调优，然后我们完整的使用了一个基于 Keras Tuner 的超参数搜索器。 在接下来的几年里，自动化机器学习将成为机器学习的一个越来越重要的方面，出现了很多AutoML框架。
机器学习笔记 - 基于JavaScript的顶级机器学习框架
虽然 Python 和 C++编程语言已成为机器学习框架的流行选择，但 JavaScript 也并不落后。环顾四周，可能会发现 JavaScript 框架也已在 AI 中实现。事实上，根据 GitHub 对最佳机器学习技术的评论，JavaScript 排在 Python 和 C++ 之后的第三位，而 R 则排在第八位。这些 JavaScript 框架正在通过人工智能和机器学习促进业务增长。
机器学习笔记 - 使用Keras + Unet 进行图像分割
U-Net 是最初为医学影像分割而提出的一种语义分割技术。 它是较早的深度学习分割模型之一，U-Net 架构也用于许多 GAN 变体，例如 Pix2Pix 生成器。 U-Net 在论文 U-Net: Convolutional Networks for Biomedical Image Segmentation 中进行了介绍。 模型架构相当简单：一个编码器（用于下采样）和一个解码器（用于上采样），带有跳跃连接。 如图 1 所示，它的形状像字母 U，因此得名 U-Net。
使用Keras Tuner进行机器学习超参数调优
我们定义一个模型构建函数，该函数接受一个参数hp，它实例化了Keras Tuner的Hyperparameter对象，用于定义超参数值的搜索空间。我们还会编译并返回超模型以供使用，这里使用Keras函数式模型模式来构建模型。x = inputselse:第3行：定义了一个模型构建函数，并传入参数hp，它实例化了Keras Tuner包的Hyperparameter对象，用于定义超参数值的搜索空间。第5 - 6行：定义了输入层并将其传递给变量x。第11行：为模型的卷积块数量定义了一个搜索空间。
Dify DSL文件分享 Dify讨论群 大模型token资源等（持续收集更新）
基于LLMOps平台-Dify的一站式学习平台。包含不限于：Dify案例、DSL文件分享、模型接入、Dify交流讨论等各类资源分享。
yolov8的Detect层详解(输出维度改动)
对于部署端需要拿到onnx的output进行后处理，但是基于anchor_free的yolov8输出是1*(4+cls)*8400，不是我们常见的ncwh格式，所以对Detect层进行了学习，分享一下体会。
【CADARXC++】ObjectArx2023 C++ CAD二次开发环境配置笔记
从官网或第三方平台下载以下AUtoCAD2023、VisualStudio2019和ObjectArx2023安装时请注意安装顺序。
Java黑皮书课后题第5章：*5.9（找出得最高分的前两个学生）编写程序，提示用户输入学生的个数、每个学生名字及分数，最后显示获得最高分的学生
*5.9（找出得最高分的前两个学生）编写程序，提示用户输入学生的个数、每个学生名字及分数，最后显示获得最高分的学生名字、次高分的学生名字题目题目概述next()读取一个字符与nextLine()读取一行破题代码 题目 题目概述 *5.9（找出得最高分的前两个学生）编写程序，提示用户输入学生的个数、每个学生名字及分数，最后显示获得最高分的学生名字、次高分的学生名字 使用Scanner类的next()方法而不是nextLine()方法来读取名字 next()读取一个字符与nextLine()读取一行 举个例子理
AI Agent生产环境压测指南：并发、延迟与资源瓶颈定位
去年我接触了不下10个AI Agent上线翻车的案例：有做智能客服的公司双11当天流量暴涨3倍，Agent服务直接雪崩，用户咨询全超时，损失超200万订单；有做企业内部RAG Agent的团队，上线后100人同时查询就把向量库打挂，还连累了其他业务的数据库；还有做多智能体系统的团队，压测只测了单请求性能，上线后多Agent交互超时率高达30%。
Visual Tracker Benchamark傻瓜式教程（二）
问题 1 1 在调用main.m跑TRE和SRE时，因为会生成相应的.mat数据文件，如果跑完以后发现自己算法生成的.mat文件有问题，那么要把该文件删除，待找到错误原因后，重新生成相应的.mat文件。因为程序中写的是如果已经存在了.mat文件，例如已经存在car4_STC.mat文件，即使该文件中的数据有错误，但是重新跑时会默认该文件中的数据写完，不会重新写入数据 问题 2 b
零基础玩转NILM：用nilmtk提取UKDALE电器数据的保姆级教程
本文为零基础用户提供了一份详细的NILM入门指南，重点讲解如何使用nilmtk工具包从UKDALE数据集中提取电器级用电数据。教程涵盖环境搭建、核心概念解析、数据提取实战及常见问题排查，帮助读者快速掌握非侵入式负荷监测的数据预处理关键步骤。
JavaScript教程-字符集，Unicode转义序列，标识符，数据类型，数字，未定义值，浮点数，字符串，引用数据类型，类型检测，类型转换，运算符，关系运算符，
前端学习
TMS_WebGMaps_1.9.8.0_Full_Source
TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
Camera2Demo
在Camera2 的基础上进行封装，使得Camera2一堆初始化逻辑与Activity分离，降低耦合度，完成预览拍照并保存的操作
ET2012新版免狗免安装绿色软件
ET2012新版免狗免安祖昂绿色软件。，新界面，新视觉，
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
1404
扫一扫
