摘要：
说明： 本例程使用动态图实现的LeNet，AlexNet，VGGNet，GOOGLeNet和ResNet实现iChanglle-PM病理近视数据集的图像分类任务。 实验代码： 相关类库 import os import time import random import numpy as np im 阅读全文
摘要：
说明： 生成对抗网络（Generative Adversarial Network [1]，简称GAN）是非监督式学习的一种方法，通过让两个神经网络相互博弈的方式进行学习。本例程使用DCGAN网络和MNIST数据集生成数字字符。 实验代码： import paddle import paddle.f 阅读全文
摘要：
说明： 本例程使用vggnet-16来进行cifar10图像分类。 实验代码： 1 import paddle 2 import paddle.fluid as fluid 3 import numpy 4 from paddle.utils.plot import Ploter 5 from PI 阅读全文
摘要：
说明： 深度学习的入门教程，一般都是 MNIST 数据库上的手写识别问题。原因是手写识别属于典型的图像分类问题，比较简单，同时MNIST数据集也很完备。MNIST数据集作为一个简单的计算机视觉数据集，包含一系列如图1所示的手写数字图片和对应的标签。图片是28x28的像素矩阵，标签则对应着0~9的10 阅读全文
摘要：
说明： MNIST手写数字数据集非常经典，它由60000个训练样本和10000个测试样本组成，每个样本都是一张28×28的灰度图片。直接下载下来的MNIST数据是无法通过解压或应用程序打开的，因为它里面的文件不是标准的图像格式，而是以字节的形式存储的，所以需要借助编程的手段来打开。 实验代码： 1 阅读全文
摘要：
说明： 使用从UCI Housing Data Set获得的波士顿房价数据集进行模型的训练和预测。 实验代码： 静态图 1 import paddle 2 import paddle.fluid as fluid 3 from paddle.utils.plot import Ploter 4 im 阅读全文
摘要：
说明： 如果要把训练好的模型拿来测试新的图片，那么需要一个deploy.prototxt文件，这个文件和test.prototxt文件差不多。这个文件没有第一层数据输入层，最后的SoftmaxWithLoss损失率层换成了 Softmax类概率层。 使用deploy网络进行测试时，需要通过caffe 阅读全文
摘要：
说明： 通过使用LeNet网络模型来训练mnist数据集，分别使用直接读入图片方式和通过lmdb读入两种方式来训练LeNet。训练结果准确率可达到99.2%。 步骤： 1.通过直接读入图片方式 vim train_mnist.py # -*- coding: utf-8 -*- """ yuanda 阅读全文
摘要：
说明： caffe通过配置文件prototxt来描设置训练参数，通过Python接口来生成solver配置文件比较简单。 步骤： 1.生成配置文件 touch create_solver_prototxt.py spyder create_solver_prototxt.py 1 #!/usr/bi 阅读全文
摘要：
说明： caffe通过配置文件prototxt来描述网路结构，通过Python接口来生成网路配置文件比较简单。这里生成train.prototxt和test.prototxt，分别用于训练阶段和验证阶段。 步骤： 1.生成配置文件 touch create_train_val_prototxt.py 阅读全文