随笔分类 - 深度学习
摘要：#coding:utf-8 #第一种方式 很慢很慢 自己写的如何计算均值 ''' import cv2 import os def access_pixels(frame): print(frame.shape) #shape内包含三个元素：按顺序为高、宽、通道数 height = frame.shape[0] weight = frame.shape[1] ...
阅读全文
摘要：环境 安装 bazel (0.18.1) 如果tensorflow是1.12.0，那么必须安装指定版本0.18.1的bazel，不然会出现很多的错误无法解决。 下载tensorflow工程代码 编译转换工具 生成tflite_graph.pb文件 利用bazel生成tflite文件 在Android
阅读全文
摘要：import numpy as np def sigmod(x): return 1 / (1 + np.exp(-x)) def deriv_sigmod(x): fx = sigmod(x) return fx * (1 - fx) def mse_loss(y_true, y_pred): return ((y_true - y_pred)**2).m...
阅读全文
摘要：https://blog.csdn.net/chenyuping333/article/details/81537551 https://blog.csdn.net/u012328159/article/details/81101074 https://blog.csdn.net/gangzhuco
阅读全文
摘要：https://blog.csdn.net/weixin_40355324/article/details/80651350
阅读全文
摘要：ubuntu14 cuda9.0_384.81 驱动版本384.90 cudnn7.2 tensorflow1.8 https://blog.csdn.net/pkokocl/article/details/82634044
阅读全文
摘要：参考链接 https://blog.csdn.net/u014755412/article/details/78874038 https://www.cnblogs.com/wpjamer/p/9192141.html https://www.cnblogs.com/FutaAlice/p/9041
阅读全文
摘要：https://blog.csdn.net/lovebyz/article/details/80704800 转载
阅读全文
摘要：利用tensorlow编写自己的机器学习模型主要分为两个阶段： 第一阶段：建立模型或者建立网络结构 1.定义输入和输出所需要的占位符 2.定义权重 3.定义具体的模型接口 4.定义损失函数 5.定义优化器 第二阶段：训练阶段 1.初始化模型参数 2.喂入训练数据 3.用数据训练模型 4.计算损失 5
阅读全文
摘要：#coding:utf-8 #第一种实现 tf.nn import tensorflow as tf import tensorflow.contrib.slim as slim tf.reset_default_graph() image = tf.random_normal([1, 112, 96, 3]) in_channels = 3 out_channels = 32 kernel...
阅读全文
摘要：#coding:utf-8 import tensorflow as tf from tensorflow.python.framework import ops import numpy as np tf.reset_default_graph() #1.prelu def prelu(x, name = 'prelu'): with tf.variable_scope(name):...
阅读全文
摘要：打印结果 image shape (1, 112, 96, 3) conv weight shape (5, 5, 3, 32) conv output shape with SAME padded (1, 38, 32, 32) conv output shape with VALID padde
阅读全文
摘要：本文在上篇的基础上利用lenet进行多标签分类。五个分类标准，每个标准分两类。实际来说，本文所介绍的多标签分类属于多任务学习中的联合训练，具体代码如下。
阅读全文
摘要：#coding:utf-8 import tensorflow as tf import os def read_and_decode(filename): #根据文件名生成一个队列 filename_queue = tf.train.string_input_producer([filename]) reader = tf.TFRecordReader() _,...
阅读全文
摘要：紧接上篇Tensorflow学习教程 tfrecords数据格式生成与读取，本篇将数据读取、建立网络以及模型训练整理成一个小样例，完整代码如下。 结果如下：
阅读全文
摘要：首先是生成tfrecords格式的数据，具体代码如下： 然后读取生成的tfrecords数据，并且将tfrecords里面的数据保存成jpg格式的图片。具体代码如下：
阅读全文
摘要：# coding: utf-8 import tensorflow as tf import os import tarfile import requests #inception模型下载地址 inception_pretrain_model_url = 'http://download.tensorflow.org/models/image/imagenet/inception-2...
阅读全文
摘要：首先是模型参数和网络结构的保存 结果 Iter 0, Testing Accuracy= 0.8616Iter 1, Testing Accuracy= 0.9663Iter 2, Testing Accuracy= 0.9776Iter 3, Testing Accuracy= 0.9815Ite
阅读全文
摘要：提取保存的参数进行准确率验证 结果 初始化后没有经过训练的参数准确率低 训练后从模型中提取的参数准确率高
阅读全文