weixin_42213622的博客

任务描述：– 给定一组输入、输出作为样本– 定义线性模型，并进行训练– 将训练过程可视化

Tensorflow提供了专门的可视化工具tensorboard，它将tensorflow执行的数据、模型、过程用图形方式进行显示。tensorflow在执行过程中，可以通过某些操作，将模型、数据、graph等信息，保存到磁盘中的Events文件中去，从而提供给tensorboard进行可视化

文章目录1 计算函数及说明2 计算方法及代码2.1 张量相加2.2 张量相乘2.3 取自然对数2.4 计算张量指定维度上的总和2.5 按片段对张量进行求和1 计算函数及说明2 计算方法及代码2.1 张量相加按元素相加x = tf.constant([[1,2], [3,4]],dtype=tf.float32)y = tf.constant([[5,6], [7,8]],dtype=tf.float32)x_add_y =

张量形状：静态形状：初始形状，存储数据一旦固定，不能修改。动态形状：运算过程中的形状reshape函数，可以返回一个新的张量。可以多次修改、跨阶修改，元素总数量保持一致。、内容要点：静态形状：在创建一个张量，初始状态的形状tf.Tensor.get_shape()：获取Tensor对象的静态形状tf.Tensor.set_shape()：更新Tensor对象的静态形状注意：转换静态形状的时候，1-D到1-D，2-D到2-D，不能跨阶数改变形状；对于已经固定或者.

session.run()与tensor.eval()都是tensorflow用来计算图的一一部分的方法，那么这两种方式有什么异同呢?假设有一个tensor a，在使用a.eval时，等价于：sess.run()，其中，sess是当前默认会话。这这种情况下，以下两端代码是等价的：a = tf.constant(5.0)with tf.Session() as sess: print(sess.run(a)) print(a.eval()) 主要区别是，sess.run()

最近在研究人脸识别，随便看了点opencv就开始搞代码，网上也有很多大牛研究的代码，十几行到几十甚至几百行不等，简单实现人脸识别也不难。但实现效果往往不佳且不稳定。然后就想着把卷积神经网络也加进去一起训练，发现网上也有许多大牛做了相关的内容，把别人的代码粘过来跑一跑，结果报各种错误，各种问题，看了看代码，发现自己好像跟完全没接触过卷积神经网络一样，好吧，自己之前也确实是只接触了几天，然后就渐渐被我全部遗忘了。报的各种错误自己也解决不了，网上解决方法也比较多，说的最多的就是各种版本冲突问题，各种更新conda

文章目录SVM简介SVM的几个核心概念1 确定超平面及函数间隔2 几何间隔3 间隔最大化（硬间隔）4合页损失函数SVM简介支持向量机（support vector machines，SVM）是一种二分类模型，基本模型是定义在线性空间上的间隔最大的线性分类器，间隔大使它有别于普通的感知机，通过核技巧隐式的在输入空间直接求解映射空间中特征向量的内积，使其成为一个非线性分类器。；svm还包括核技巧，使它成为实质上的非线性分类器。SVM的学习策略是间隔最大化，可形式化为一个求解凸二次规划的问题，等价于正则化的

文章目录一、人工智能的崛起二、 深度学习的定义1 深度学习的概念2 深度神经网络3 深度学习和机器学习的关系三、深度学习的特点1 深度学习的特点2 深度学习与机器学习对比一、人工智能的崛起2016年3月，Google公司研发的AlphaGo以 4:1击败世界围棋顶级选手李世石。次年， AlphaGo2.0对战世界最年轻的围棋四冠王柯洁， 以3:0击败对方。背后支撑AlphaGo具备如此强 大能力的，就是“深度学习”（Deep Learning）。一时间，“深度学习”这个本专属于计算机学 科的术语，成为

学习人脸反欺骗的深度模型：二进制或辅助监控摘要人脸反欺骗是防止人脸识别系统的安全漏洞的关键。以往的深度学习方法将人脸反欺骗表述为一个二值分类问题。他们中的许多人很难掌握足够的欺骗线索，因而无法进行有效的归纳。在本文中，我们认为辅助监督对于引导朝着区分性和普遍性限线索的学习的很重要。利用CNN-RNN模型对人脸深度进行像素监督估计对rPPG信号进行序列监督评估。估计深度和rPPG信号被融合来区分真实和恶搞的面孔。此外，我们引入了一个新的人脸抗欺骗数据库，该数据库覆盖了大范围的照明、主题和姿态变化。试验表明

文章目录强大的实时物体检测摘要1 简介2 贡献总结3 积分图4 积分图计算特征值5 训练强分类器强大的实时物体检测摘要本文介绍了一种视觉对象检测框架，该框架能够在实现高检测率的同时非常快速地处理图像。 有三个主要贡献。 首先是引入了一种称为“积分图像”的新图像表示形式，它可以非常快速地计算出探测器使用的特征。 第二种是基于AdaBoost的学习算法，该算法选择了少量的关键视觉特征并产生了非常有效的分类器[6]。 第三个贡献是一种在“级联”中组合分类器的方法，该方法允许快速丢弃图像的背景区域，同时将更多

文章目录基本概念深度学习与机器学习的区别深度学习简介与神经网络的初次相遇神经网络的介绍安全性分析神经网络的结构展示基本概念深度学习与机器学习的区别首先从定义上分析：机器学习定义：A computer program is said to learn from experience E with respect to some class of tasks T and performan...