03 2019 档案

第九节，MXNet：用im2rec.py将图像打包生成.rec文件
摘要：1、生成.lst文件 制作一个文件路径和标签的列表： 将代码保存为mxnet_imglist.py，然后执行下面命令： python mxnet_imglist.py mnist/train train.lst python mxnet_imglist.py mnist/val val.lst py 阅读全文
posted @ 2019-03-29 15:40 hengxin 阅读(1300) 评论(0) 推荐(0)
第八节，Opencv的基本使用------存取图像、视频功能、简单信息标注工具
摘要：1、存取图像 2、图像的仿射变换 图像的仿射变换涉及图像的形状位置角度的变化，是深度学习预处理中常用的功能，仿射变换具体到图像中的应用，主要是对图像的缩放、旋转、剪切、翻转和平移的组合。 3、视频功能 两个模块：一个是VideoCapture，用于获取相机设备并捕获图像和视频，或是从文件中捕获 一个 阅读全文
posted @ 2019-03-28 10:50 hengxin 阅读(515) 评论(0) 推荐(0)
第七节，Python的可视化包——matplotlib
摘要：1、2D图表 2、图像显示 matplotlib也支持图像的存取和显示，并且和Opencv一类的接口比起来，对于一般的二维矩阵的可视化要方便很多。 阅读全文
posted @ 2019-03-26 17:30 hengxin 阅读(772) 评论(0) 推荐(0)
第六节，Python的科学计算包——Numpy
摘要：1、基本类型（array） 2、线性代数模块 在深度学习相关的数据处理核运算中，线性代数模块是其中最常用的，结合Numpy提供的基本函数，可以对向量、矩阵或是多维张量进行一些基本的运算。 3、随机模块（random） 阅读全文
posted @ 2019-03-26 17:11 hengxin 阅读(204) 评论(0) 推荐(0)
第五节，python基本语法
摘要：1、类（Class） Python中的类的概念与其它语言类似，比较特殊的是protected和private在python中没有明确的限制，通常的惯例是用单下划线_表示protected，用双下划线开头__的表示private。 类的初始化使用的是__init__(self,)，所有成员变量都是se 阅读全文
posted @ 2019-03-26 16:29 hengxin 阅读(203) 评论(0) 推荐(0)
第四节，目标检测---YOLO系列
摘要：1、R-CNN回顾 适应全卷积化CNN结构，提出全卷积化设计 共享ResNet的所有卷积层 引入变换敏感性（Translation variance） 位置敏感分值图（Position-sensitive score maps） 特殊设计的卷积层 Grid位置信息+类别分值 位置敏感池化（Posit 阅读全文
posted @ 2019-03-24 12:05 hengxin 阅读(643) 评论(0) 推荐(0)
第三节，目标检测---R-CNN网络系列
摘要：1、目标检测 检测图片中所有物体的 类别标签 位置（最小外接矩形/Bounding box） 区域卷积神经网络R-CNN 模块进化史 2、区域卷积神经网络R-CNN Region proposals+手工特征+分类器 R-CNN模块划分 模块1：Selective Search(SS)获取区域 ~2 阅读全文
posted @ 2019-03-22 21:24 hengxin 阅读(599) 评论(0) 推荐(0)
第二节：解决过拟合与梯度下降优化
摘要：1、偏差与方差 偏差：预测值的期望与真实值之间的差距，偏差越大，越偏离真实数据集。 方差：预测值的变化范围，离散程度，方差越大，预测结果数据的分布越散。 获得更多的训练实例——解决高方差 增加正则化程度λ————解决高方差 减少特征数量————解决高方差 增加特征数量————解决高偏差 增加多项式特 阅读全文
posted @ 2019-03-21 17:59 hengxin 阅读(1354) 评论(0) 推荐(0)
第一节，直观理解卷积神经网络
摘要：本文参考https://www.zhihu.com/question/39022858/answer/203073911 1、计算机如何识别图 每个图像都是一系列特定排序的点（像素），通过改变像素值的大小或顺序来改变图像。 2、如何帮助神经网络识别图像 使用一个权重乘以初始像素值，识别出【4】就变得 阅读全文
posted @ 2019-03-19 21:22 hengxin 阅读(315) 评论(0) 推荐(0)
第六节：深度学习的模型训练技巧——优化卷积核，多通道卷积，批量归一化
摘要：1、优化卷积核技术 在实际的卷积训练中，为了加快速度，常常把卷积核裁开。比如一个3x3的卷积核，可以裁成一个3x1和1x3的卷积核(通过矩阵乘法得知)，分别对原有输入做卷积运算，这样可以大大提升运算的速度。 原理：在浮点运算中乘法消耗的资源比较多，我们目的就是尽量减少乘法运算。 比如对一个5x2的原 阅读全文
posted @ 2019-03-19 19:46 hengxin 阅读(1902) 评论(0) 推荐(0)
第五节，损失函数：MSE和交叉熵
摘要：损失函数用于描述模型预测值与真实值的差距大小，一般有两种比较常见的算法——均值平方差（MSE）和交叉熵。 1、均值平方差（MSE）：指参数估计值与参数真实值之差平方的期望值。 在神经网络计算时，预测值要与真实值控制在同样的数据分布内，假设将预测值经过Sigmoid激活函数得到取值范围在0~1之间，那 阅读全文
posted @ 2019-03-17 20:24 hengxin 阅读(4735) 评论(0) 推荐(0)
第四节：tensorflow图的基本操作
摘要：基本使用 使用图（graph）来表示计算任务 激活会话（Session）执行图 使用张量（tensor）表示数据 定义变量（Variable） 使用feed可以任意赋值或者从中获取数据，通常与占位符一起使用 1、综述 Tensorflow是一个开源框架，使用图来表示计算任务，图中的节点被称作op(o 阅读全文
posted @ 2019-03-16 21:59 hengxin 阅读(1185) 评论(0) 推荐(0)
tensorflow开发基本步骤
摘要：Tensorflow开发的基本步骤： 定义Tensorflow输入节点 2.通过字典类型定义： 3. 直接定义输入节点： 定义“学习参数”的变量 定义“运算” 优化函数，优化目标 初始化所有变量 迭代更新参数到最优解 测试模型 使用模型 2、模型保存与载入 模型保存： 模型载入： 检查点（Check 阅读全文
posted @ 2019-03-16 11:47 hengxin 阅读(560) 评论(0) 推荐(0)
过拟合怎么产生的？防治措施？
摘要：1、什么是过拟合？ 过拟合是指在模型参数拟合过程中的问题，由于训练数据包含抽样误差，训练时复杂的模型将抽样误差也考虑在内，将抽样误差也进行了很好的拟合。 2、过拟合带来什么问题？ 最终模型在训练集上效果好；在测试集上效果差。模型泛化能力弱。 3、过拟合产生的原因？ 在对模型进行训练时，有可能遇到训练 阅读全文
posted @ 2019-03-15 11:35 hengxin 阅读(1008) 评论(0) 推荐(0)
第五节，K-近邻算法（KNN）
摘要：收集数据——》准备数据——》分析数据——》训练算法——》测试算法——》使用算法 K-近邻算法： （1）计算已知类别数据集中的点与当前点之间的距离 （2）按照距离递增次序排序 （3）选取与当前点距离最小的k个点 （4）确定前K个点所在类别的出现频率 （5）返回前K个点出现频率最高的类别作为当前点的预测 阅读全文
posted @ 2019-03-10 17:24 hengxin 阅读(150) 评论(0) 推荐(0)
Sigmoid激活函数
该文被密码保护。
posted @ 2019-03-10 17:13 hengxin 阅读(0) 评论(0) 推荐(0)
什么是卷积
该文被密码保护。
posted @ 2019-03-10 16:51 hengxin 阅读(1) 评论(0) 推荐(0)
浅谈梯度下降
该文被密码保护。
posted @ 2019-03-10 09:57 hengxin 阅读(2) 评论(0) 推荐(0)
第二节，surf特征检测关键点，实现图片拼接
摘要：初级的图像拼接为将两幅图像简单的粘贴在一起，仅仅是图像几何空间的转移和合成，与图像内容无关；高级图像拼接也叫做基于特征匹配的图像拼接，拼接时消去两幅图像相同的部分，实现拼接全景图。 实现步骤： 1、采用surf特征检测算法检测两幅图像的关键特征点； 2、匹配两张图片的所有特征点，返回匹配结果 3、获 阅读全文
posted @ 2019-03-08 14:49 hengxin 阅读(675) 评论(0) 推荐(0)
第一节，Windows10下Darkflow的安装与测试（YOLO)
摘要：1、下载Darkflow：https://github.com/thtrieu/darkflow 2、解压到目录，打开cmd，进入到解压的目录，并输入python setup.py build_ext --inplace，enter运行 安装成功 3、测试 a、下载训练好的模型文件 yolo.wei 阅读全文
posted @ 2019-03-06 11:40 hengxin 阅读(1495) 评论(0) 推荐(1)