- 博客(11)
- 资源 (46)
- 收藏
- 关注
RSS订阅原创 TF2.0图像分类实战（四）VGGNet
VGGNet创新点VGGNet是牛津大学计算机视觉组（Visual Geometry Group）和Google DeepMind公司的研究员一起研发的的深度卷积神经网络。VGGNet探索了卷积神经网络的深度与其性能之间的关系，通过反复堆叠33的小型卷积核和22的最大池化层，VGGNet成功地构筑了16~19层深的卷积神经网络。VGGNet相比之前state-of-the-art的网络结构，错误率大幅下降，并取得了ILSVRC 2014比赛分类项目的第2名和定位项目的第1名。VGGNet论文中全部使用了
2020-08-26 22:13:20
780
原创 TF2.0图像分类实战（三）AlexNet
AlexNet技术特点概要AlexNet是现代深度CNN的奠基之作。2012年，Hinton的学生Alex Krizhevsky提出了深度卷积神经网络模型AlexNet，它可以算是LeNet的一种更深更宽的版本。AlexNet中包含了几个比较新的技术点，也首次在CNN中成功应用了ReLU、Dropout和LRN等Trick。同时AlexNet也使用了GPU进行运算加速，作者开源了他们在GPU上训练卷积神经网络的CUDA代码。AlexNet包含了6亿3000万个连接，6000万个参数和65万个神经元，拥
2020-08-26 22:08:51
684
1
原创 if cv2.waitKey(25) & 0xFF == ord(‘q‘): break的解释
首先，cv2.waitKey(1) & 0xFF将被执行。等待用户按1ms。如果用户按，例如，q，那么q的waitKeyreturnDECIMAL VALUE是113。在二进制中，它表示为0b01110001。接下来，执行AND运算符，两个输入分别是0b01110001和0xFF（0b111111111）。0b01110001AND0b11111111=0b01110001。确切的结果是DECIMAL VALUE的q其次，将左表达式0b01110001的值与ord(‘q’)进行比较。显然，这些值与
2020-08-25 17:23:31
3119
2
原创 TF2.0图像分类实战（二）加载自己的数据集
采用猴子数据集：一共10个类代码如下import tensorflow as tfimport pathlibimport randompath = './monkey/training/training'data_path = pathlib.Path(path)all_images_path = list(data_path.glob('*/*'))all_images_path = [str(path) for path in all_images_path] # 所有图片路径名
2020-08-19 00:20:44
747
原创 TF2.0图像分类实战（一）Lenet
关于Lenet的理论方面，请参考：https://cuijiahua.com/blog/2018/01/dl_3.html本专栏所采用的数据集为猴子数据集，数据集获取：https://pan.baidu.com/s/1p1lG_AhsrMVu7N3BEm6YQw提取码：hqjp# 导入相应的库# 导入相应的库from tensorflow.keras.preprocessing.image import ImageDataGeneratorimport matplotlib.pyplot as
2020-08-17 22:08:47
713
原创 动态规划 0-1背包问题
#include<iostream>#include<vector>#include<algorithm>using namespace std;int backpack(int* w, int* v, int W, int nums) { vector<vector<int>>res(nums+1, vector<int>(W+1, 0)); for (int i = 1; i <= nums; i++) {
2020-08-16 21:14:30
115
原创 力扣 64
一共考虑四种情况：上和左都是边界，即起点；上是边界；左是边界；上左都不是边界class Solution {public: int minPathSum(vector<vector<int>>& grid){ if(grid.size() == 0){ return 0; } int m = grid.size(); int n = grid[0].size(); .
2020-08-14 14:22:09
164
原创 tensorflow2.0实现GPU与CPU的切换
首先若不加任何配置情况下，是默认使用GPU的，在第一次调用GPU的代码之前加上下面一行就是用CPU计算了os.environ["CUDA_VISIBLE_DEVICES"] = "-1"
2020-08-12 09:36:41
1592
1
原创 9.基数排序
算法思想基数排序是按照低位先排序，然后收集；再按照高位排序，然后再收集；依次类推，直到最高位。有时候有些属性是有优先级顺序的，先按低优先级排序，再按高优先级排序。最后的次序就是高优先级高的在前，高优先级相同的低优先级高的在前。算法描述1.取得数组中的最大数，并取得位数；2.arr为原始数组，从最低位开始取每个位组成radix数组；3.对radix进行计数排序（利用计数排序适用于小范围数的特点）；算法实现C++...
2020-08-06 23:41:12
149
原创 8.计数排序
算法思想计数排序是一种特殊情况下的一种排序：量大但是范围小比如：如何快速得知高考名次计数排序不是基于比较的排序算法，其核心在于将输入的数据值转化为键存储在额外开辟的数组空间中。 作为一种线性时间复杂度的排序，计数排序要求输入的数据必须是有确定范围的整数。算法描述找出待排序的数组中最大和最小的元素；统计数组中每个值为i的元素出现的次数，存入数组C的第i项；对所有的计数累加（从C中的第一个元素开始，每一项和前一项相加）；反向填充目标数组：将每个元素i放在新数组的第C(i)项，每放一个元素就将C(
2020-08-05 13:34:50
127
原创 7.堆排序
算法思想堆排序（Heapsort）是指利用堆这种数据结构所设计的一种排序算法。堆积是一个近似完全二叉树的结构，并同时满足堆积的性质：即子结点的键值或索引总是小于（或者大于）它的父节点。算法描述1.将初始待排序关键字序列(R1,R2….Rn)构建成大顶堆，此堆为初始的无序区；2.将堆顶元素R[1]与最后一个元素R[n]交换，此时得到新的无序区(R1,R2,……Rn-1)和新的有序区(Rn),且满足R[1,2…n-1]<=R[n]；3.由于交换后新的堆顶R[1]可能违反堆的性质，因此需要对当前无
2020-08-02 19:03:02
256
算法笔记-上机训练实战指南-胡凡.zip
2019-07-10
算法笔记 晴神.zip
2019-07-10
十五个经典算法研究与总结、目录+索引.zip
2019-07-10
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人